智能体规模化商用，蚂蚁密算如何为企业补上安全一环？

　　炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

（来源：科技行者）

2025年9月，蚂蚁密算联合浙江大学、中国科学技术大学等16家产学研机构，在外滩大会发布了《密态计算技术白皮书》，这份白皮书试图回答一个问题：

当数据走出一家机构的物理边界，在跨主体、跨行业、跨区域的外循环中被使用，如何让数据提供方继续保有控制权？

到了2026年4月，蚂蚁密算在数字中国建设峰会上发布了可信智能Fabric企业级AI架构，将密态计算的保护对象从数据进一步扩展到模型、行业知识和智能体。

随后的9月，蚂蚁密算在外滩大会进一步宣布了可信原生智能体HOP 3.0的开源，希望用一套面向智能体的原生语言，让智能体的任务边界更明确、执行过程更可控、最终结果可以核验。

从行业标准的推进，到系统架构、可信原生智能体的发布，在大模型性能快速提升、智能体开始进入产业的这两年里，蚂蚁密算正在为整个产业补安全这一环，去为AI进入企业生产系统造一套能够承载敏感数据、专业知识和复杂业务规则的可信基础设施。

我们是在2026云栖大会的一场沟通会上见到了蚂蚁密算董事长韦韬和蚂蚁密算总裁刘前伟，两位蚂蚁密算负责人为我们系统介绍了蚂蚁密算面向AI的全栈布局，以及他们对于智能体时代的安全思考。

01 智能体产业落地的三大难题

在韦韬看来，当前AI产业应用正面临着三个难题，分别是缺算力、缺智能、缺数据。

第一个难题是缺算力。

金融、医疗、法律、安全以及大量国央企拥有大量高价值、高敏感数据，它们可能有明确的模型需求，却很难直接把内部数据、代码、合同或业务资料交给公有云上的大模型处理。

企业担心的不只是一次数据泄露，还包括一系列难以回答的问题——发送给云上大模型的Token最终存储在哪里？服务究竟由谁提供？相关信息会不会成为后续训练的语料？

在消费级AI应用中，这些问题可能暂时被便捷性所掩盖，但在金融核心系统、医疗数据处理、合同审核和基础设施运维中，这些问题无可回避，仅靠服务协议和合同承诺，很难让企业放心地把敏感数据搬到云上。

第二个难题是缺智能。

当前基础大模型掌握的主要是通用知识，它可以像一个知识面很广的优秀本科生，但与专业人士在真实业务中形成的经验、判断和隐性知识相比，仍然存在着明显差距。

这种差距不一定体现在某次问答中，大模型可能在100个决策中做对了绝大多数，甚至给出几个超出预期的答案，但只要有少量错误进入一个不断扩大的任务链条，就可能被埋进代码、数据和业务流程深处。

当错误逐步累积，人类工程师再想接管或修复，成本可能已经很高。

这也是企业AI从演示走向生产时最容易被忽略的问题，演示关注的是模型能不能完成任务，生产系统关注的则是模型能否长期、稳定、可审计地完成任务，两者之间并不是简单增加几个提示词就能跨越的距离。

第三个难题是缺数据。

AI依靠数据驱动，但单一企业的数据通常不足以覆盖完整业务链路，金融机构可能需要产业、消费和公共数据，保险公司需要连接人、车、险等不同主体的信息，医疗模型也需要跨机构的数据与知识。

这其中的矛盾在于，每一家机构都需要外部数据，却又担心自己的数据离开原有系统后失去控制。数据不能融合，模型就难以形成更深层次的行业智能，数据直接融合，又可能带来泄露、滥用和权属不清等风险。

韦韬将这类问题进一步概括为治理孤岛，过去企业主要面对数据孤岛，现在则要面对智能体、业务规则和责任边界无法统一治理的问题。

自然语言是当前智能体最常见的交互载体，却并不适合精确表达复杂业务逻辑。人可以告诉模型做什么，却很难仅凭自然语言让模型稳定理解“在什么条件下绝对不能做什么”。

在企业生产系统中，不要删除数据库、未经审核不得付款、敏感信息不得发送到外部等要求不是建议，而是红线，大模型如果只是在多数时候遵守，就仍然无法满足金融、医疗和关键基础设施的生产要求。

因此，产业AI面临的核心问题已经不只是继续提升模型智力，而是同时解决算力安全、专业智能、数据融合和业务治理，模型越能自主行动，这些问题反而越紧迫。

02 如何让云上算力安全可用？

那么，在算力紧缺的智能体时代，要如何让企业没有后顾之忧地使用公有云上的海量算力？

蚂蚁密算给出的答案是密态计算。

传统的数据保护通常依赖物理边界，数据留在企业自己的服务器和机房中，通过人员、权限和制度进行管理，但当企业需要使用公有云上的算力、模型和数据时，物理边界会变成新的限制。

蚂蚁密算的密态计算正是在试图改变这其中面临的信任问题，其核心并不是让企业相信某一家云平台不会看数据，而是通过密码学、可信硬件和系统安全技术，让云平台的管理员、开发者和运维人员在技术上无法直接获得数据，并允许数据提供方验证计算环境是否符合事先约定。

在《密态计算技术白皮书》中，蚂蚁密算将这套安全体系概括为“四纵两横”。

“四纵”包括可信密钥、可信账号、可信应用和可信日志。

首先，数据被加密并不等于安全，如果解密密钥仍掌握在云平台管理员手中，加密对高权限人员而言可能形同虚设，密态计算要求密钥由数据提供方和可信系统控制，管理员和开发者无法直接获取。

其次，如果账号仍可由管理员随意分配和接管，即使密钥系统安全，也可能通过冒用用户身份绕过保护，因此，账号体系需要与可信密钥和身份验证机制结合。

第三，进入可信环境的应用也要接受验证，如果管理员可以替换应用、修改配置或者留下后门，数据仍然可能在计算过程中被窃取。

第四，关键操作必须被记录并且不可被管理员随意删除，否则系统即使提供了安全能力，也很难完成审计和追责。

“两横”则分别指向底层硬件密态和上层数据链路，底层依靠可信芯片、可信执行环境、操作系统和机密容器，保护数据在传输、存储和计算过程中不以明文暴露，上层则记录数据来源、授权规则和衍生关系，控制最终结果如何被使用和析出。

在这套架构下，数据提供方首先与可信密钥系统协商密钥，再将加密数据上传至数据安全域，数据可以在CPU或GPU的可信执行环境中参与大模型推理、数据分析和联合计算，计算形成的数据产品、模型产品或智能产品要离开安全域时，必须通过密态数据网关检查授权。

如果一个产品使用了多个主体的数据，系统需要识别每一项数据的来源，并获得相应数据提供方的许可，平台管理员不能绕过授权直接拿走结果，原始数据也不会随结果一同析出。

远程验证是其中的另一个关键能力，企业不必知道服务器具体位于哪座机房，也不必单纯相信运营方的口头承诺，而是可以逐层核验硬件、操作系统、虚拟机、容器、GPU应用乃至模型配置是否符合约定，只有通过验证的环境，才能访问相关数据。

这套方案也并不要求所有系统都部署在蚂蚁自己的云中，刘前伟向我们解释称，只要具备可信硬件等基础条件，就可以将这套方案部署在不同公有云上。

不过，密态计算如今依然未能规模化应用，刘前伟告诉我们，随着当标准体系、关键技术、国家数据要素流通基础设施和产业场景逐渐成熟起来，密态计算将会从试点项目转变为企业的常态化基础设施。

03 智能体规模化落地，需要怎样的安全底座？

如果说密态计算主要解决数据和算力的可信问题，那么HOP要解决的，则是智能体自身的执行可靠性。

当前智能体应用通常建立在自然语言Skill和Harness代码之上，自然语言容易编写和理解，但难以精确约束复杂逻辑，Harness代码可以承担工程执行，却主要面向程序员，而且越来越多代码由AI自动生成。

结果是，行业专家看不懂底层代码，程序员又没有精力审核所有AI生成内容，懂业务的人无法确认流程是否符合专业要求，懂技术的人也很难理解每一项业务判断，智能体因此处于一种业务与工程相互割裂的状态。

蚂蚁密算的HOP试图在二者之间建立一个统一载体，将任务中的顺序、循环、分支和关键检查结构化，同时保留大模型进行开放推理的空间，让行业专家和智能体都能理解任务如何执行。

韦韬在接受媒体采访时，为我们做了这样一个类比：

自然语言驱动的智能体更像是一位老师傅带着学徒从头做到尾，过程中想到什么就做什么，HOP则更像一条生产流水线，任务被拆成多个明确步骤，每一步都可以探索和试错，但关键质检节点不能被绕过。

当前很多智能体事故并不是因为模型具有恶意，而是探索行为直接作用到了真实系统，模型在尝试完成任务时，可能误删邮件、修改代码、删除数据库，或者执行其他难以逆转的操作。

在蚂蚁密算HOP的设计中，智能体可以先在沙盒环境中自由探索，相关操作应当可以回退，只有结果经过生产级核验，才能被提交到外部系统，这种安全机制不是附加在智能体外部的过滤器，而是被写入智能体的任务语言和执行流程中。

这一设计也使得它能够服务于多智能体协同，实际上，在智能体执行任务时，用户表面上可能只与一个智能体对话，但任务在后台已经被拆给多个智能体、工具和MCP执行。

当智能体数量不断增加，安全问题就不再只是某个模型会不会答错，而是任务如何拆分、每一步由谁执行、数据流向哪里、关键检查能否被跳过，以及最终责任如何追溯。

蚂蚁密算在今年9月开源的HOP 3.0，正是他们为这类问题给出的工程化方案。

在韦韬看来，现阶段需要警惕的AI风险，已经不再是模型突然产生某种邪恶意图，而是模型以很低的错误率持续参与越来越复杂的业务，最终让小错误在系统内部累积、放大。

这也是蚂蚁密算AI全栈布局的逻辑，用密态计算保护数据、模型和知识，用HOP约束智能体的执行过程，再用可信智能Fabric把智能体、知识库、能力接口、数据和安全管控连接起来，最终通过“密算一号”向行业提供服务。

值得一提的是，“密算一号”是蚂蚁密算在2026云栖大会上正式发布的企业级可信智能云服务平台，覆盖治数、问数、分析建模等Data+AI场景，并承载行业智能体应用。

与一次性交付一个模型或项目不同，蚂蚁密算希望通过“密算一号”把经过验证的数据、知识、规则和流程沉淀为能够持续调用的组织能力。

实际上，当智能体已经从“回答问题”转向“执行任务”，当模型开始调用工具、处理数据、修改系统并与其他智能体协作，安全就不再是上线前的一次检查，而需要进入智能体运行的每一个环节。

蚂蚁密算正在做的正是为模型进入真实生产系统搭建一套可信生产线，这套可信生产线也将成为智能体在企业中能否规模化应用的关键。