每日文摘 · 2026-09-16
收录 3 条材料：GreyNoise 披露的 AI 智能体编排攻击战役——数百个 AI 智能体在数小时内攻陷 48 国 395 家机构，其中 204 家是学校与大学（教育是受灾最重的行业）；《电子信息制造业发展「十五五」规划》2030 年目标与 9 个专栏；上海人工智能实验室 Atria Dawn Preview 预印本及其「三分之一任务无 AI 不可行」的自评数据。逐条附证据分级与原文链接。
全球科技与 AI 产业
GreyNoise：数百个 AI 智能体数小时内攻陷 48 国 395 家机构，教育是受灾最重的行业
事件概要：2026 年 8 月 31 日，一名疑似讲俄语的攻击者（GreyNoise 记录其使用的 IP：45.142.193.132）用 AI 开发、测试并实施了针对 PaperCut NG/MF 打印管理系统的漏洞利用。
- 使用的工具：数百个 AI 智能体，由 OpenAI 的 Codex（作为 harness）、一款 DeepSeek 模型（明确不是 OpenAI 模型）以及公开的攻击性安全工具驱动；
- 规模：至少 440 个 PaperCut 实例被攻陷，涉及 395 家已识别受害机构、48 个国家（另有无法归属到具体机构的受害者）；
- 漏洞：CVE-2026-81578（Web 管理界面的不当访问控制）、CVE-2026-82078（数据库连接工具中不安全的动态类加载，可远程代码执行）。
两个关于速度的数字
- 从空白工作区到对真实受害者首次实现远程代码执行：不到 4 小时；再花 2 小时拿到第一个域管理员；
- 战役正式展开后：26 秒内至少 11 家机构被攻陷；报告的另一个例子是，对一所美国高中从初始访问到完整域管理员权限只用了 7 分钟。
教育是受灾最重的行业
为什么这条值得单独记下
- 它是「AI 网络攻击」从预警变成案例的第一个公开样本。 此前的公开讨论多停留在能力评估与行业警告（模型达到「关键级」网络能力、多家公司联署警告自主攻击可能超出人类防御速度）；这一条有具体受害者、有 CVE 编号、有时间戳。
- 它暴露了「分层访问控制」这一治理手段的结构性边界。 报告明确写到攻击者用的是一款不施加同类内容安全限制的模型——当前沿实验室对高危能力做门控，攻击者换一个模型即可绕过。这使「门控是否有效」成为一个可实证研究的问题。
- 教育机构的暴露面不在教学系统，而在「没人当作重点」的行政与基础设施软件上。 打印管理系统被 52% 的受害机构所共有这一点很说明问题：对涉及学生数据的研究，这是一个现实的伦理审查考量。
- 「26 秒 11 家机构」改变了应急响应的假设前提：以人工研判为核心的流程在时间尺度上已经失效。
⚠️ 证据边界：本条为安全公司的自有研究，遥测数据与归因（「疑似讲俄语」）未经独立复核；受害机构数量与时间数据目前仅有 GreyNoise 单一来源。CVE 编号与技术描述可另行核查。
工信部、发改委联合印发《电子信息制造业发展「十五五」规划》
2030 年目标（已按规划正文核对）：规模以上企业营业收入突破 30 万亿元；产业研发投入强度达到 3.5%。重点领域为集成电路、先进计算、消费电子、基础电子、能源电子，并明确「推动集成电路全链条攻关」，发展高性能处理器等高端芯片产品。
结构：部署筑牢产业基础能力、增强电子整机与系统竞争力、培育产业发展新增长点、增强产业可持续发展能力等任务，并设 9 个专栏（已逐一核对：电子元器件及电子材料、电子专用设备及测量仪器、光子关键技术、先进计算、消费电子、能源电子、时空信息技术、人工智能芯片和终端关键技术、行业电子）。
与研究的关联：这是九天内的第二份「十五五」行业规划——《信息通信行业发展「十五五」规划》（智能算力 2030 年目标 9,800 EFLOPS）已于 09-09 收录。两份规划分别覆盖算力基础设施与芯片与整机制造，构成「十五五」数字产业布局的两根支柱；若课题涉及国家数字化战略背景，这是 2026 年最新的一手政策依据，建议一并下载存档。
⚠️ 证据边界：2030 目标与专栏设置已按规划正文核对；「17 项任务」这一计数来自媒体报道，未在正文中逐条核对。
生成式 AI 与科研工具
上海人工智能实验室 Atria Dawn Preview：一份「AI 让哪些任务变得可做」的自评数据
技术概要（据论文）：一个面向科研与工程工作流的智能体基础模型，构建在 744B 参数的 MoE 基础模型（Z.ai 的 GLM-5.2，见论文参考文献）之上，通过**可验证经验流水线（Verifiable Experience Pipeline）**训练——把工具调用接到可执行环境与外部可验证的结果上；论文评测覆盖 16 个基准，作者数 143 人。
真正值得记下的不是模型，而是一组「不可行性」自评数据
论文把模型研发过程本身当作人机协作案例来分析：769 条任务记录、56 名参与者，并附智能体日志。其中一个问题是——如果不用 AI，这些已完成的任务能否做成？
结果：在 455 条有可用回答的已完成 AI 辅助任务中，151 条被评定为「没有 AI 则不可行」，占 33.2%，来自 56 名参与者中的 27 人。论文特别指出，这些任务横跨约一半的参与者，不是少数重度使用者的产物。
为什么这组数据值得注意：主流的 AI 效用研究测的是效率（省了多少时间）或质量（效果变化），而「若无 AI 则根本做不成」是一个不同性质的构念——它衡量的是能力边界的外移，而不是速度的提升。对做 AI 教育应用效果研究的人，这是一个可以直接借用的测量思路：除了问「快了多少」，还可以问「哪些任务原本根本不会被尝试」。
⚠️ 证据边界：论文为预印本，未经同行评议；上述自评数据来自模型开发期间的 56 名内部使用者，是高度自选择的样本（对该工具的熟悉度与投入度远高于普通用户）。「33.2% 不可行」不能外推到一般用户，只能作为构念设计与研究方法的启发。