[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-ai-security-capability-template-mythos-en":3,"article-related-ai-security-capability-template-mythos-en":30,"series-industry-b10a08e5-814a-4434-b4cc-7f4e05caa0f6":75},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"b10a08e5-814a-4434-b4cc-7f4e05caa0f6","ai-security-capability-template-mythos-en","把 AI 安全能力做成可落地模板","\u003Cp data-speakable=\"summary\">我把周鸿祎 ISC 的 AI 安全思路拆成了一份可直接改的能力模板。\u003C\u002Fp>\u003Cp>我盯着这类“AI 安全能力”方案看了很久，越看越别扭。很多团队一上来就说要做“安全大模型”“安全智能体”“AI 赋能防护”，听起来都挺猛，落到实际却经常是两张皮：一边是模型演示，一边是安全运营，彼此根本接不上。模型能聊，安全团队能干活，但它们不像同一个系统。最烦的是，大家还会把“能发现漏洞”直接等同于“能防住风险”，这中间差着十万八千里。你让模型会找问题，不等于它知道什么时候该停、该报、该复核、该隔离。更不等于它能在真实业务里扛住误报、漏报、灰度上线和合规审计。\u003C\u002Fp>\u003Cp>我后来开始关注周鸿祎在 ISC 里提的“倚天屠龙”AI 安全能力，才发现这套东西真正有意思的地方，不是口号，而是它试图把“AI 能理解安全”这件事，变成“AI 能参与安全生产”。这个思路和 Anthropic 的 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002F\" target=\"_blank\" rel=\"noopener noreferrer\">Anthropic\u003C\u002Fa> 训练 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fclaude-3-5-sonnet\" target=\"_blank\" rel=\"noopener noreferrer\">Claude\u003C\u002Fa> 去理解代码、找漏洞、再进一步生成攻击思路的路径，很像，但目标不一样。前者是能力演化，后者是落地打法。\u003C\u002Fp>\u003Cp>我下面不是复述新闻，我是把这套思路拆开，告诉你为什么它成立，哪里容易翻车，以及你怎么把它改成自己团队能用的模板。原始触发点来自知乎专栏这篇文章：\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2053452798159753457\" target=\"_blank\" rel=\"noopener noreferrer\">周鸿祎ISC发布“倚天屠龙”AI安全能力，打造中国版Mythos应对网络安全新挑战\u003C\u002Fa>。文章里真正值得抠的，不是标题，而是它背后那条逻辑链：先让模型理解代码和漏洞，再让它参与安全判断，最后把能力沉到场景里。\u003C\u002Fp>\u003Ch2>先别急着做“安全大模型”，先做会判别的模型\u003C\u002Fh2>\u003Cblockquote>Anthropic 训练 Mythos 的本意，并不是为了打击网络安全行业。它最初的目标很简单，就是让 AI 帮程序员写代码、改代码、维护代码、理解代码。\u003C\u002Fblockquote>\u003Cp>What this actually means is：一开始别把目标定成“替代安全团队”，那基本是给自己挖坑。先把模型训练成能看懂代码、看懂规则、看懂上下文的判别器，才有后面的安全动作。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782691409130-8yxd.png\" alt=\"把 AI 安全能力做成可落地模板\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我见过太多安全 AI 项目，一上来就想做“全能助手”，结果什么都能说一点，什么都不敢拍板。安全场景和普通问答不一样，你不是在回答“这是什么”，而是在回答“这是不是问题”“问题有多大”“该不该现在处理”。如果模型连边界都分不清，它就只是在生成漂亮废话。\u003C\u002Fp>\u003Cp>\u003Ca href=\"\u002Ftag\u002Fanthropic\">Anthropic\u003C\u002Fa> 的路径其实很务实。先从代码这个大模型最强的应用场景切进去，因为代码天然结构化，语义明确，反馈也更容易闭环。你让模型理解函数、依赖、调用链、异常处理、权限边界，它就开始具备“判别能力”。这一步很枯燥，但没有这一步，后面所有“安全智能”都只是 PPT。\u003C\u002Fp>\u003Cp>我自己在做安全规则辅助时也踩过这个坑。早期我总想让模型直接给结论，后来发现不行。它必须先学会把输入拆成几个维度：资产、行为、上下文、历史、风险等级。拆不开，就只能瞎猜。安全不是语气问题，是证据问题。\u003C\u002Fp>\u003Cp>怎么应用？我建议你把第一阶段目标写成三件事：\u003C\u002Fp>\u003Cul>\u003Cli>让模型识别对象：代码、配置、告警、日志、策略、工单。\u003C\u002Fli>\u003Cli>让模型识别关系：谁调用了谁，谁改了谁，谁触发了谁。\u003C\u002Fli>\u003Cli>让模型识别异常：和基线相比哪里不一样，差异是不是危险。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果这三件事做不稳，别急着上“自动响应”。先把判别做准，才有资格谈自动化。\u003C\u002Fp>\u003Ch2>漏洞不是副产品，漏洞会被规模化放大\u003C\u002Fh2>\u003Cp>文章里有个数字很扎眼：人类写代码每千行大概有 4 到 6 个漏洞，而 AI 的产能是人类几十倍，漏洞也会跟着放大几十倍。这个说法不需要你把它当成精确统计，它真正想提醒的是一件事：当生产速度暴涨，安全债务也会一起暴涨。\u003C\u002Fp>\u003Cp>What this actually means is：AI 不是把问题消灭了，它只是把问题的生产速度也一起拉满了。你以前一个月修十个坑，现在一天能产出一百个坑，表面上是效率高了，实际上是风险堆积更快了。\u003C\u002Fp>\u003Cp>我很讨厌那种“先上线再说”的 AI 叙事。因为在安全领域，先上线再说通常意味着“先把锅埋好”。如果模型生成代码、生成策略、生成配置，结果没人审、没人测、没人回滚，那不是智能化，那是批量制造事故。\u003C\u002Fp>\u003Cp>这里最关键的不是“AI 会不会写错”，而是“AI 写错以后，你有没有办法及时发现”。这就是为什么安全能力不能只停在发现漏洞，还要覆盖验证、分级、修复建议和复核流程。模型如果只会报问题，不会说明证据，不会给最小修复路径，不会告诉你影响面，那它对生产系统没什么帮助。\u003C\u002Fp>\u003Cp>我建议你把风险拆成四层：\u003C\u002Fp>\u003Cul>\u003Cli>生成风险：模型产出的代码、规则、策略本身有问题。\u003C\u002Fli>\u003Cli>传播风险：错误内容被复制到更多系统里。\u003C\u002Fli>\u003Cli>执行风险：错误被直接部署或自动执行。\u003C\u002Fli>\u003Cli>治理风险：团队不知道谁批准的、谁改的、谁回滚的。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这四层里，很多团队只盯着第一层，结果后面三层把前面的努力全冲掉了。你要做 AI 安全能力，必须把“生成”当作起点，而不是终点。\u003C\u002Fp>\u003Ch2>真正值钱的不是找洞，是把洞变成可处理的证据\u003C\u002Fh2>\u003Cp>Anthropic 这条线最有意思的地方，在于模型理解代码逻辑之后，不只是会分析漏洞，还会进一步学会生成攻击代码。这个结论听上去吓人，但从工程角度看并不意外。模型一旦真的理解了系统，它就不只是知道“哪里可能出问题”，还会知道“怎么证明它有问题”。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782691409266-704x.png\" alt=\"把 AI 安全能力做成可落地模板\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>What this actually means is：安全能力的高级形态，不是“提醒你有风险”，而是“给你一份能复现、能验证、能复核的证据包”。\u003C\u002Fp>\u003Cp>我在安全运营里最怕一种告警：说得很严重，但你没法复现。这样的东西最消耗团队。分析师得反复追问，研发得反复解释，最后大家都烦。模型如果能把漏洞位置、触发条件、影响范围、复现步骤、修复建议一起给出来，它才算真正帮上忙。\u003C\u002Fp>\u003Cp>但这里也有边界。模型能生成攻击思路，不代表你要把它开放成“自动攻击器”。这条线必须卡得很死。你需要的是验证能力，不是武器化能力。把它理解成“红队辅助”更合适：帮助你在授权环境里复现问题、评估暴露面、生成测试样例，而不是让它自由发挥。\u003C\u002Fp>\u003Cp>怎么落地？我建议每条安全结论都强制附带这五项：\u003C\u002Fp>\u003Cul>\u003Cli>证据来源：日志、代码片段、配置项、调用链。\u003C\u002Fli>\u003Cli>触发条件：什么输入、什么状态、什么权限下会出问题。\u003C\u002Fli>\u003Cli>影响范围：单点、横向、持久化、数据泄露、权限提升。\u003C\u002Fli>\u003Cli>复现方式：最小步骤，不要长篇大论。\u003C\u002Fli>\u003Cli>修复建议：优先级、回滚方式、验证方法。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>没有这五项，结论就别急着进工单，更别急着自动执行。先把证据做扎实，后面才有治理空间。\u003C\u002Fp>\u003Ch2>“中国版 Mythos”这类说法，重点不在名字，在场景\u003C\u002Fh2>\u003Cp>标题里提到“打造中国版 Mythos”，我不太在意这个命名本身。名字很容易让人跑偏，最后讨论成“像不像”“是不是对标”“算不算国产替代”。这些都不重要。重要的是，你有没有把模型能力塞进中国企业真实的安全场景里。\u003C\u002Fp>\u003Cp>What this actually means is：别拿国外模型能力的抽象描述，硬套到国内安全团队的工作流里。你得看的是资产结构、合规要求、告警密度、审批链路、部署环境和人力配置。\u003C\u002Fp>\u003Cp>中国企业做安全，常见问题不是“没有模型”，而是“流程太碎”。安全团队、研发团队、运维团队、合规团队各管一段，数据也散，权限也散，责任也散。模型如果不能跨这些边界工作，它就只会停留在某个孤岛里。\u003C\u002Fp>\u003Cp>我见过最实用的做法不是直接做一个“大安全脑”，而是把模型嵌进几个固定动作里：\u003C\u002Fp>\u003Cul>\u003Cli>告警去重和归并。\u003C\u002Fli>\u003Cli>漏洞优先级排序。\u003C\u002Fli>\u003Cli>配置变更审查。\u003C\u002Fli>\u003Cli>工单自动补全。\u003C\u002Fli>\u003Cli>红队演练复盘。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这些动作都不性感，但特别值钱。因为它们直接影响安全团队每天花多少时间在低价值重复劳动上。模型只要能把这些动作做快一点、准一点、少一点误报，价值就出来了。\u003C\u002Fp>\u003Cp>我自己的经验是，安全 AI 的落地不要从“最难的攻击检测”开始，先从“最烦的人工整理”开始。先让模型帮你整理、归并、解释、补全，再逐步上判断和建议。这样团队更容易接受，也更容易验证效果。\u003C\u002Fp>\u003Ch2>别把“会做攻击”误读成“应该做攻击”\u003C\u002Fh2>\u003Cp>文章里最容易引起误读的点，就是模型在理解代码后，可能学会自动编写攻击代码。这个现象本身说明模型真的学到了系统结构，但产品设计上，你不能顺着这条路一路滑下去。\u003C\u002Fp>\u003Cp>What this actually means is：能力上限可以很高，产品权限必须很低。模型可以知道怎么打，但默认不该让它打。模型可以模拟攻击，但必须在授权、隔离、审计的环境里做。\u003C\u002Fp>\u003Cp>我特别反感那种为了炫技，故意把模型包装成“自动渗透神器”的做法。那种东西短期很吸睛，长期就是给自己和客户找麻烦。真正靠谱的安全能力，应该把危险能力关在笼子里，只在受控场景中使用。\u003C\u002Fp>\u003Cp>你可以把这件事拆成三个层级：\u003C\u002Fp>\u003Cul>\u003Cli>公开层：只做风险解释、策略建议、结果摘要。\u003C\u002Fli>\u003Cli>受控层：在授权环境里做复现、验证、演练。\u003C\u002Fli>\u003Cli>隔离层：攻击样例、利用链、敏感 payload 严格限制访问。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这个分层很重要。很多团队一开始没做边界，后来一旦接入自动化，就会出现“谁都能点、谁都能跑、谁都不知道跑了什么”的局面。安全系统最怕这个。\u003C\u002Fp>\u003Cp>如果你真要做类似能力，我建议把“攻击”这个词从产品文档里尽量换成“验证”“复现”“演练”。不是玩文字游戏，而是帮团队把目标钉在防御上。你要的是减少真实风险，不是制造新的风险。\u003C\u002Fp>\u003Ch2>我会怎么把这套思路改成团队能用的方案\u003C\u002Fh2>\u003Cp>如果是我来做，我不会先画一个特别大的架构图。我会先定一个很小的闭环：输入什么、模型判断什么、输出什么、人怎么审、系统怎么记、结果怎么回流。没有闭环，再好的模型也只是演示机。\u003C\u002Fp>\u003Cp>What this actually means is：先做一个能跑通的安全工作流，再谈平台化。别一上来就想把所有安全能力都塞进一个入口。\u003C\u002Fp>\u003Cp>我会优先做这五件事：\u003C\u002Fp>\u003Cul>\u003Cli>统一输入：代码、日志、告警、配置、工单，先标准化。\u003C\u002Fli>\u003Cli>统一输出：风险等级、证据、建议、复核状态，格式固定。\u003C\u002Fli>\u003Cli>统一审计：每次模型判断都留痕。\u003C\u002Fli>\u003Cli>统一回流：人工修改结果要回到训练或规则库。\u003C\u002Fli>\u003Cli>统一边界：哪些能自动，哪些必须人工确认，提前写死。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这套东西看起来朴素，但它比“我们也有 AI 安全能力”这种空话强太多。因为它能真的进流程，真的被追踪，真的被复盘。\u003C\u002Fp>\u003Cp>我再说句实话，安全团队不缺“聪明点子”，缺的是稳定执行。模型最适合补的不是人的智商，而是人的耐心。它可以帮你处理重复、归并、比对、解释这些脏活累活，让人把精力放在判断和决策上。这个方向对了，AI 安全能力才算有价值。\u003C\u002Fp>\u003Ch2>你可以直接改的安全能力模板\u003C\u002Fh2>\u003Cp>下面这份模板不是新闻稿，不是概念图，是我会拿去改成内部方案的骨架。你可以直接复制，然后按自己的业务替换字段。\u003C\u002Fp>\u003Cpre>\u003Ccode># AI 安全能力模板（可直接改造版）\n\n## 1. 目标\n让模型先具备“识别、归并、解释、验证”的能力，再进入“建议、辅助处置、受控复现”的阶段。\n\n## 2. 输入\n- 代码片段 \u002F 仓库变更\n- 安全告警 \u002F 日志\n- 配置文件 \u002F 基线\n- 工单 \u002F 处置记录\n- 红队演练结果 \u002F 漏洞复现记录\n\n## 3. 模型任务\n### A. 识别\n- 识别对象：资产、接口、权限、依赖、告警类型\n- 识别关系：调用链、变更链、影响链、权限链\n- 识别异常：与基线差异、危险配置、异常行为\n\n### B. 判断\n- 风险等级：低 \u002F 中 \u002F 高 \u002F 严重\n- 证据充分度：足 \u002F 不足 \u002F 需人工复核\n- 处置建议：观察、阻断、隔离、修复、回滚\n\n### C. 验证\n- 给出最小复现步骤\n- 给出影响范围说明\n- 给出修复后验证方法\n- 在授权环境中生成测试样例\n\n## 4. 输出格式\n\n{\n  \"risk_level\": \"high\",\n  \"confidence\": 0.86,\n  \"evidence\": [\"log-1\", \"config-3\", \"diff-2\"],\n  \"impact\": \"可能导致权限提升或数据泄露\",\n  \"repro_steps\": [\"step1\", \"step2\", \"step3\"],\n  \"fix\": [\"patch A\", \"patch B\"],\n  \"review_required\": true,\n  \"audit_note\": \"需要安全负责人复核后再执行\"\n}\n\n\n## 5. 边界控制\n- 禁止默认执行高危动作\n- 禁止输出可直接滥用的攻击细节到公开层\n- 所有结论必须留痕\n- 所有自动化动作必须可回滚\n- 敏感样例仅限授权环境\n\n## 6. 人工介入点\n- 风险等级为高或严重时必须人工确认\n- 证据不足时必须人工补充上下文\n- 影响范围跨系统时必须升级审批\n- 修复动作涉及生产变更时必须走变更流程\n\n## 7. 回流机制\n- 人工修正结果回写规则库\n- 误报、漏报、复现失败样本进入训练集\n- 每周复盘一次输出质量和处置时延\n\n## 8. 成功指标\n- 告警归并耗时下降\n- 漏洞分级准确率提升\n- 人工复核比例下降\n- 修复闭环时间缩短\n- 高危误报率下降\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>这份模板的核心不是“模型多强”，而是“流程多清楚”。我一直觉得，真正能落地的 AI 安全能力，最后都会长得很像流程工程，而不是炫技工程。\u003C\u002Fp>\u003Cp>如果你愿意，我建议你下一步就做两件事：先选一个最烦的安全场景，比如告警归并或漏洞分级，然后把上面模板里的“输入、判断、输出、边界、回流”五块填满。别贪多。先把一个闭环跑起来，再扩第二个。\u003C\u002Fp>\u003Cp>这篇文章里最值得我记住的，不是“倚天屠龙”这个名字，而是它背后的判断：AI 安全不是把模型摆到安全旁边，而是让模型真的进入安全工作流。你要的是可控、可审、可回滚的能力，不是一个会说话的演示。\u003C\u002Fp>\u003Cp>来源说明：本文基于知乎专栏原文 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2053452798159753457\" target=\"_blank\" rel=\"noopener noreferrer\">https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2053452798159753457\u003C\u002Fa> 做了结构化拆解和模板化改写。原文提供了核心观点，我这里补的是工程化拆法和可复制模板。\u003C\u002Fp>","我拆解周鸿祎 ISC 的 AI 安全思路，并给你一份可直接改的能力模板。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2053452798159753457",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782691409130-8yxd.png","industry","en","28295ef3-6120-43b5-98d2-7cf4688b34a5",[17,18,19,20,21],"AI安全","大模型","网络安全","漏洞分析","安全工作流",[23,24,25],"先让模型学会识别、归并、解释，再谈自动处置","安全能力的核心是证据包，不只是风险提示","落地时要把输入、输出、边界、回流写成流程",0,"2026-06-29T00:02:58.085441+00:00","2026-06-29T00:02:58.076+00:00","d19fc184-5852-4c4d-9ec0-db0c4841ac17",{"tags":31,"relatedLang":34,"relatedPosts":38},[32],{"name":17,"slug":33},"ai安全",{"id":15,"slug":35,"title":36,"language":37},"ai-security-capability-template-zh","把 AI 安全能力做成模板","zh",[39,45,51,57,63,69],{"id":40,"slug":41,"title":42,"cover_image":43,"image_url":43,"created_at":44,"category":13},"75f81ba2-d583-4ee9-ab14-37dfcac34f92","doubao-2-1-long-agent-workflow-en","豆包2.1把长任务跑成可交付结果","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782706699062-ar7u.png","2026-06-29T04:17:54.34192+00:00",{"id":46,"slug":47,"title":48,"cover_image":49,"image_url":49,"created_at":50,"category":13},"82922309-0d27-4b5d-9a04-2923cfbdbfc1","ai-weekly-2026-w27-en","AI Weekly: 2026-06-22 ~ 2026-06-29","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782705792570-dmh6.png","2026-06-29T04:00:28.628329+00:00",{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"98334623-45c8-4e9c-8ede-cf5fd5b186a2","anthropic-965b-valuation-ai-stocks-exposure-en","Anthropic’s $965B Valuation Is Reshaping AI Bets","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782698578384-s35w.png","2026-06-29T02:02:29.362236+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"798848a7-7bdf-4ae2-a7fc-5c639379233d","openmontage-one-prompt-to-full-video-en","OpenMontage把一句话变成整条视频","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782695862535-xi51.png","2026-06-29T01:17:17.520668+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"082a601e-0bcc-4c05-aa4d-819d8c4bc19e","anthropic-mythos-ai-access-by-permit-en","Anthropic’s Mythos saga shows AI access by permit","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782694985734-228i.png","2026-06-29T01:02:38.293171+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"1334df83-1b4b-4c5f-9707-e020fe64f521","openclaw-openai-realtime-paid-api-not-subscription-perk-en","OpenClaw should treat OpenAI Realtime as a paid API, not a subscripti…","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782674272037-c6qm.png","2026-06-28T19:17:24.994296+00:00",[76,81,86,91,96,101,106,111,116,121],{"id":77,"slug":78,"title":79,"created_at":80},"d35a1bd9-e709-412e-a2df-392df1dc572a","ai-impact-2026-developments-market-en","AI's Impact in 2026: Key Developments and Market Shifts","2026-03-25T16:20:33.205823+00:00",{"id":82,"slug":83,"title":84,"created_at":85},"5ed27921-5fd6-492e-8c59-78393bf37710","trumps-ai-legislative-framework-en","Trump's AI Legislative Framework: What's Inside?","2026-03-25T16:22:20.005325+00:00",{"id":87,"slug":88,"title":89,"created_at":90},"e454a642-f03c-4794-b185-5f651aebbaca","nvidia-gtc-2026-key-highlights-innovations-en","NVIDIA GTC 2026: Key Highlights and Innovations","2026-03-25T16:22:47.882615+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"0ebb5b16-774a-4922-945d-5f2ce1df5a6d","claude-usage-diversifies-learning-curves-en","Claude Usage Diversifies, Learning Curves Emerge","2026-03-25T16:25:50.770376+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"69934e86-2fc5-4280-8223-7b917a48ace8","openclaw-ai-commoditization-concerns-en","OpenClaw's Rise Raises Concerns of AI Model Commoditization","2026-03-25T16:26:30.582047+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"b4b2575b-2ac8-46b2-b90e-ab1d7c060797","google-gemini-ai-rollout-2026-en","Google's Gemini AI Rollout Extended to 2026","2026-03-25T16:28:14.808842+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"6e18bc65-42ae-4ad0-b564-67d7f66b979e","meta-llama4-fabricated-results-scandal-en","Meta's Llama 4 Scandal: Fabricated AI Test Results Unveiled","2026-03-25T16:29:15.482836+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"bf888e9d-08be-4f47-996c-7b24b5ab3500","accenture-mistral-ai-deployment-en","Accenture and Mistral AI Team Up for AI Deployment","2026-03-25T16:31:01.894655+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"5382b536-fad2-49c6-ac85-9eb2bae49f35","mistral-ai-high-stakes-2026-en","Mistral AI: Facing High Stakes in 2026","2026-03-25T16:31:39.941974+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"9da3d2d6-b669-4971-ba1d-17fdb3548ed5","cursors-meteoric-rise-pressures-en","Cursor's Meteoric Rise Faces Industry Pressures","2026-03-25T16:32:21.899217+00:00"]