マイクロソフト、サイバーセキュリティ特化AIモデル「MAI-Cyber-1-Flash」とエージェントベースプラットフォーム「Perception」を発表
マイクロソフトは、サイバーセキュリティ領域に特化した初のAIモデル「MAI-Cyber-1-Flash」と、エージェントベースの新たなセキュリティプラットフォーム「Perception」を発表しました。これらは、AIを活用したサイバー攻撃に対抗し、企業が複雑なコード内の脆弱性を効率的に検出・修正できるよう設計されています。これらのツールは2026年11月3日からプレビュー版が利用可能になる予定です。
マイクロソフト初のサイバーセキュリティ特化AIモデル「MAI-Cyber-1-Flash」
MAI-Cyber-1-Flashは、マイクロソフトが独自に開発した初のサイバーセキュリティ専用AIモデルです。 このモデルは「MAI-Thinking-1」系統から派生したコンパクトかつコード処理に特化したモデルであり、高品質なデータセットを用いてゼロから構築されました。 その主な目的は、複雑なコードベース内に潜む脆弱性を効率的に特定することにあります。
MAI-Cyber-1-Flashは、セキュリティタスクの最大90%を効率的に処理できるように設計されており、これにより運用コストを大幅に削減できるとされています。 これは、膨大な量のインバウンド攻撃に直面する現代のセキュリティ環境において、トークンコストが主要な制約となる中で、コスト効率の良いソリューションを提供することを目指しています。 モデルの開発においては、セキュリティファーストのアプローチが採用され、マイクロソフトのAIレッドチームによる厳格な評価、自動化された敵対的演習、および第三者機関による独立した評価が行われています。
エージェントベースAIセキュリティプラットフォーム「Perception」の詳細
Perceptionは、AI駆動型のセキュリティプラットフォームであり、複数のAIエージェントチームを活用してバグの検出と修正を自動化します。 このプラットフォームは「Project Perception」として知られ、AIを活用した攻撃から防御することを目的としています。
Perceptionの中核をなすのは、以下の3種類のAIエージェントチームです。
- レッドチームエージェント: 攻撃者が取りうる経路を探索し、潜在的な脅威をシミュレートします。
- ブルーチームエージェント: 発見されたリスクの中から、特に重要なものを特定・評価します。
- グリーンチームエージェント: 特定された脆弱性に対する修正措置を講じます。
これらのエージェントは連携して動作し、企業のセキュリティワークフロー（脆弱性の特定から修正まで）を自動化します。 Perceptionは、従来の人間による手作業で何時間もかかっていたプロセスを、AIエージェントの活用により数分で完了させることが可能になり、検出から修正、セキュリティ体制の改善までを大幅に効率化すると期待されています。
MDASHによるマルチモデル統合とベンチマーク性能
MAI-Cyber-1-Flashは、マイクロソフトの既存の脆弱性発見・修正システムである「MDASH (Microsoft Security multi-model agentic scanning harness)」に統合されています。 MDASHは、単一のモデルアプローチとは異なり、100を超える専門的なAIエージェントと、フロンティアモデルおよび蒸留モデルのアンサンブルをオーケストレーションし、悪用可能なバグをエンドツーエンドで発見・議論・証明します。
この統合システムは、パフォーマンスとコスト効率の最適化を図るマルチモデル戦略を採用しています。MAI-Cyber-1-Flashがタスクの大部分（最大90%）を効率的に処理する一方で、残りの10%の「例外的に困難なタスク」に対しては、OpenAIのGPT-5.4のような、より大規模でコストのかかるモデルがMDASH内で活用されます。 この組み合わせにより、各タスクに対して常に最適なモデルを最適なコストで利用できる柔軟なシステムが実現されています。
性能評価において、MDASHとMAI-Cyber-1-Flashを組み合わせたシステムは、大規模なコードベース内の実際の脆弱性を発見するベンチマークである「CyberGym」で96%というスコアを達成しました。 これは、GoogleのGemini、OpenAIのGPT 5.5 CyberおよびGPT 5.6 Sol、AnthropicのMythos 5といった競合モデルと比較して優位な結果であり、特にMythos 5に対して12ポイントの差をつけています。 さらに、このマルチモデルシステムは、マイクロソフトの既存の最良ソリューション（GPT 5.4 + 5.4 mini + 5.3 codexの組み合わせ）と比較して、コストを50%削減できると報告されています。 マイクロソフトは、ID、エンドポイント、クラウド、ネットワーク全体から毎日100兆を超えるセキュリティシグナルと、実世界の悪用事例およびその修正に関する比類ない記録を、モデルのトレーニングデータとして活用しています。
開発者・エンジニア視点での考察
-
エージェントオーケストレーションフレームワークの進化と汎用性: Perceptionプラットフォームがレッド、ブルー、グリーンチームエージェントを協調させる設計は、複雑なセキュリティワークフローを自動化するための強力なパラダイムを示唆しています。このエージェント間の連携メカニズムや役割分担は、セキュリティ以外の多様なドメイン（例：DevOpsパイプライン、カスタマーサポート、データ分析）におけるタスク自動化にも応用可能であり、開発者はMDASHのような「ハーネス（harness）」アーキテクチャやエージェントフレームワーク（例：Microsoft Agent Framework）の抽象化レベルを理解することで、より複雑で自律的なAIアプリケーションの設計に貢献できます。
-
コスト効率と性能を両立するマルチモデル戦略の採用: MAI-Cyber-1-FlashとGPT-5.4を組み合わせることで、90%の一般的なタスクを低コストなモデルで処理し、残りの10%の高度なタスクに高価なフロンティアモデルを割り当てる戦略は、リソース制約下でのAIシステム設計において非常に重要です。開発者は、アプリケーションのワークロードを分析し、タスクの複雑性、レイテンシ要件、コスト目標に応じて、異なる特性を持つ複数のモデル（小型の専門モデル、大規模汎用モデル、オープンソースモデルなど）をインテリジェントにルーティングし、最適な組み合わせで活用する「モデルルーティング」や「モデルカスケード」の設計パターンを積極的に検討すべきです。
-
セキュリティ特化型データセットと評価ベンチマークの重要性: MAI-Cyber-1-Flashがマイクロソフトの長年のセキュリティデータと「CyberGym」ベンチマークで高い性能を発揮していることは、特定のドメインにおけるAIモデルの真価が、そのドメインに特化した高品質なデータセットと厳密な評価指標に大きく依存することを示しています。AI開発者は、汎用的なベンチマークだけでなく、対象とするユースケースに特化したカスタムベンチマークや、現実世界のデータを模倣したテスト環境を構築することで、モデルの実際のパフォーマンスと信頼性を客観的に測定・改善するアプローチを強化する必要があります。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。
