一家老牌安全和云厂商，踩中了 AI 生产级落地的核心命题。

新眸原创 · 作者 | 鹿尧

过去两年，整个科技行业都在讨论一件事：AI 能力边界到底在哪？

Benchmark 刷了一轮又一轮，发布会一场接一场。但真正在企业里做落地的人，感受可能完全不同——模型已经够用了，卡住他们的另有其事。德勤《2026 技术趋势》显示，近九成智能体试点停留在验证阶段，始终没能进入正式生产环境。

卡住的原因有不少，其中一点非常重要：模型的单点能力，不足以覆盖真实业务中权限管控、系统适配、算力调度、数据治理等一系列工程化命题。

当行业资源仍大量向算力层与模型侧集中时，落地痛点正把具备深厚现场服务积累的基础设施厂商推到台前。深信服是其中极具代表性的一家，这家以网络安全为起点的企业，在超融合云计算领域已连续多年保持市场份额首位，如今正在将安全、云与 AI 能力整合，切入 AI 生产级落地的核心环节。

这种切入并非概念层面的转向。翻看近年数据，2022 年 -2025 年，这家公司 " 云及 AI 基础设施 " 的业务占比加速抬升，今年上半年达到 22.12 亿元，同比增长 58.6%，占总营收比重首次过半。三季报延续了这个势头，前三季度营收累计 67.79 亿元，同比增长 32.27%，云计算业务加速向 AI 基础设施转型，统一存储、超融合等产品快速增长，AI 算力网关等新产品商业化落地加快。

AI 正从一个技术选项，变成这家公司安全与云两条主线之上的新变量。深信服正在把二十年企业服务的场景沉淀，转化为 AI 落地的系统性能力，用成熟的工程化体系消解模型的不确定性，让 AI 向生产级落地。

所谓 " 生产级 AI"，是指 AI 真正接入业务流程，在权限可控、成本可算、异常可干预的前提下，长期稳定交付结果。它横在 " 试点 " 与 " 生产 " 之间，而跨过这道门槛的能力，恰恰是当前 AI 落地阶段最稀缺的竞争力。

模型够用了

落地更考验工程能力

某企业投入数十万元建设智能客服，演示时表现流畅，上线后却迅速失效：首日预期承接上千单咨询，到第三天，实际咨询量已不足百单，投诉不断，一周后项目便被下线。面对真实客户的复杂提问、混乱的历史数据和繁杂的旧系统，AI 有些手足无措。

这样的落差并不少见。Gartner 统计显示，到 2025 年底，至少一半的生成式 AI 项目在概念验证后被放弃。企业对 AI 的期待，正在从 " 会回答 " 转向 " 能干活 "，但多数项目卡在了从演示到投产之间。

项目搁浅还不是最坏的结果。当智能体被真正赋予执行权限，风险就从 " 做不成 "，变成了 " 闯大祸 "。

2026 年春天，一家名为 PocketOs 的小公司遭遇了一场事故。它雇用的 AI 程序员在执行常规任务时，未接到任何删除指令，却调用云基础设施接口，仅用 9 秒便清空了生产数据库及全部备份。事后，AI 还在日志中留下类似 " 认罪书 " 的文字，承认自己违反了安全规则。

这起事故之所以引人关注，是因为它暴露了智能体进入真实业务后的风险：当 AI 能够读取文件、调用接口、修改数据、触发流程，一次错误操作就可能导致数据丢失、业务中断，甚至产生无法预估的损失。

那为什么以前没这么多事？过去工程的任务是搭建稳定的系统、分配资源、保障业务连续运行，应用逻辑相对明确，系统沿着预设规则执行，确定性是默认前提。但 AI 改变了这个前提：模型输出具有概率性，同样的输入不保证得到相同的结果；智能体又能调用工具、跨系统执行任务，一次判断失误就可能沿着工作流传递、放大。

这意味着，系统要进入生产环境，得先面对一连串具体的工程问题：智能体能操作哪些数据，出错后如何中止和接管？AI 如何适配企业已有的业务流程与旧系统？不同算力如何统一调度，Token 消耗如何计量和优化？知识库如何持续更新、准确调用？任何一个环节掉链子，模型能力都无法兑现为生产力。

回答这些问题，靠的不再只是 " 把系统搭起来、让服务跑起来 " 的传统工程能力，而是一套可控、可观测、可追溯的运行机制：让权限有边界，资源能调度，成本可核算，异常可发现、可干预，最终让 AI 接入现有业务，并在长期运行中保持稳定。

工程功夫的现场：

让企业敢用 AI

先从一个略显残酷的现实说起：AI 最早规模化滥用的场景之一，是网络攻击。

过去两年，生成式 AI 让攻击的门槛和成本同时骤降。KnowBe4 的钓鱼基准报告显示，2025 年 82.6% 的钓鱼邮件内容已由 AI 生成，语气自然、针对性强，传统特征检测难以识别；安全公司 Huntress 则发现，2026 年前四个月，可绕过身份验证的钓鱼攻击较去年下半年暴涨 1380%。攻击流程被打包成订阅服务，一个新手就能发起过去需要安全专家才能完成的攻击。

这组数据背后，是一个日益不对称的现实：当攻击以机器速度袭来，防御就不能再停留在人的速度。这也是为什么，AI 赋能安全正在成为各大科技公司争相入局的新战场——它正从一个技术方向，变成企业绕不开的现实需求。

深信服的反应要更早。2023 年 3 月，GPT-4 发布，公司内部做流量检测的技术团队第一时间判断，传统基于规则的检测方式即将被淘汰。他们用安全领域的专业数据微调大模型，两个人、三个月做出的实验效果，远超预期。

当年 5 月，深信服发布安全 GPT，这是国内第一个安全垂域大模型，距离全球首款仅晚一个多月。首秀之后，上百家用户主动找来申请测试，安全 GPT 与企业在 AI 时代的真实需求，完成了一次 " 双向奔赴 "。

某全球化科技集团就是其中之一：业务遍布全球数百个制造基地，每天涌入海量安全日志、十几万条原始告警，安全团队根本研判不过来。接入安全 GPT 之后，AI 能够结合资产、账号和业务关系梳理告警线索，帮助安全人员识别真正需要关注的风险。

在这家企业的实践中，日均十万级告警经过 AI 研判后，需要人工介入的大幅减少，削减超过 99%；威胁发现时间也缩短至分钟级。处置环节同样发生了变化。部分高频威胁场景中，AI 联动终端、防火墙等安全设备自动拦截，将原本需要半小时以上的遏制过程压缩至几分钟。对于生产服务器、工厂控制系统等关键资产，则保留人工确认和处置机制，在提高响应速度的同时控制误操作风险。

这些实践背后考验的，既是模型的识别能力，也有对企业业务上下文的理解、与现有安全设备的联动，以及从发现风险到完成处置的闭环能力。类似的现场不止一个，截至目前，深信服的 AI 安全运营客户总量已突破 1600 家。

当然，外部攻击只是 AI 时代安全命题的一半。回顾前文 PocketOs 的事故，当智能体拥有了执行权限，风险同样可能来自 AI 自身的误判与失控。Gartner 把 "AI 智能体将要求更强的网络安全监管 " 列为 2026 年六大网络安全趋势的第一条；也有安全厂商判断，智能体将在 2026 年成为企业最大的内部威胁。

深信服已经给出了这一半的答案，他们像管理员工一样管理智能体，上岗前先 " 背调 "，做安全评估与权限匹配；用 " 数字工位 " 划定最小权限与隔离运行空间；再依托全链路行为监测实时阻断异常，为智能体失控装上 " 紧急制动 "。

用深信服自己的话说，企业要对每一个 " 数字员工 " 的身份、权限、行为、后果都说得清楚，而实现路径只有一条：以 AI 保护 AI。

至此，深信服的老本行在 AI 时代长出了两层含义——用 AI 赋能安全、以 AI 保护 AI。

权威侧也印证了这一点：2025 年，安全 GPT 在中央网信办组织的大模型安全测试中拿下三项第一；紧接着在 2026 年，深信服在 AI 安全领域再添一项重磅荣誉，其 AI 安全智能体在 CyberGym 全球评测中以 93.2% 的综合成功率登顶，压过 OpenAI、Anthropic 与微软，且全程跑在国产基座上。

让 AI 稳定跑起来

安全让企业 " 敢用 "AI，但敢用只是前提，更现实的问题是：没有 AI 团队、不懂算法的企业，智能体建不建得起来、跑不跑得稳？

一家深耕钎焊材料三十年的国家制造业单项冠军，每天面对的客户问题五花八门。客户拿来一块铝合金配一块不锈钢，该用什么焊料？用户在对话框里只敲四个字 " 铝焊料 "，系统一口气搜出两百多个产品塞给模型，页面瞬间卡死；问 " 焊铜管的料吗 "，系统分不清这是选型咨询还是产品知识，乱答一通。

这些问题高度依赖经验，资深客服屈指可数，新人上手要两三年，老师傅一旦休假或离职，客户咨询就接不住，夜间和节假日更是无人应答。但企业没有 AI 团队，几次想做智能客服都搁置了。

如何让不懂代码的业务人员自己动手，把老师傅的经验变成智能体—— FastGPT 深信服商业版解决的正是这件事。业务人员像搭积木一样，把几十年的焊料配方、工艺参数、选型经验喂进知识库，拖拖拽拽，就搭出了一个智能选型助手。

几轮调优后，它听懂客户真实意图的准确率从 68% 升到 94%，响应从 8.2 秒缩到 1.1 秒，Token 报错从日均 12 次降到零，人工投入减少六成，客户满意度从 4.2 升到 4.8。老专家的经验，沉淀成了全天候在线的数字资产。

AI 要在生产线上持续运转，还离不开底层稳定的数据供给。面对训练素材、业务文档等多类型数据，企业需要同时平衡读取性能、存储成本、容量弹性扩容以及统一运维管理等多重诉求。

在这一点上，深信服也给出了解法：用一套统一存储 aStor，同时承载企业的传统业务与 AI 业务，在原有业务数据不必搬家的前提下，让 AI 应用直接调取，再辅以分层管理能力，一站式的兼顾了性能、成本与弹性扩容需求。

从保护、构建到承载与优化，深信服做的事可以用一句话概括：把 AI 从 " 能演示 "，变成企业敢放进生产线的 " 能干活 "。

一个被低估的 AI 基础设施玩家

提到 AI 基础设施市场，多数人脑海中会先浮现华为、新华三、阿里云的名字—— GPU、算力硬件、大体量云平台，这的确是 AI 时代最受瞩目的战场。

但走进企业就会发现，真正决定敢不敢把业务交给 AI 的，往往是另一些更具体的关切：数据是否安全，权限如何管理，旧系统能否兼容，出了问题能否及时定位和处置。这些企业决策者案头最真实的顾虑，构成了 AI 从演示走向生产的最后一公里。

二十多年来，基础设施始终是深信服的主场。AI 浪潮到来之后，基础设施的边界被拓展，这家公司的产品线也跟着长出了新名字：安全 GPT、AI 算力网关、保护 AI 平台、FastGPT 深信服商业版、统一存储 aStor......, 它们决定的不是模型跑多快，而是智能体能不能真正跑进生产线。

为什么深信服能覆盖这些环节？答案在它的能力结构里。安全是起点，二十多年积累了围绕威胁、权限与风险的理解；云计算是它过去十余年的重要业务方向，超融合市场份额多年第一（IDC 数据），沉淀下计算、存储与运行环境的完整能力；当这两者遇上 AI，便自然延伸到了智能体的构建与调度。

AI 进生产，恰好需要这几种能力协同，这正是多数厂商凑不齐的组合。

另一重支撑来自客户结构。深信服披露的客户数量已超过 10 万家，覆盖政府、金融、能源、交通、医疗、制造，服务网络一直沉到中长尾市场。数量本身并不构成壁垒，真正的壁垒在于：企业的旧系统千差万别，业务场景各有各的行业语言，这些经验靠堆人堆钱复制不出来，只能在一个个客户现场磨出来，再沉淀进产品，减少后续项目的适配成本。这份家底，正是它把安全与云时代的经验继续用于 AI 部署的底气。

把时间线拉长就能看清：这些能力与家底，是在二十多年的路径自然长出来的。信息化时代，企业需要守住网络边界，深信服从安全起家；数字化时代，企业需要上云与资源整合，它把超融合做成了规模；数智化时代，企业需要让 AI 进生产，它又把安全、云与 AI 重新组合。

三个阶段，产品形态一直在变，主线只有一条：贴着客户需求做创新。2016 年，深信服就确立了 AI First 研发战略，比 AI 成为产业热点早了约七年，这也解释了为什么它能较早把 AI 引入安全检测，并一路延伸到企业级 AI 应用的构建与运行环境。

诚然，市场对深信服印象最深刻的地方，仍更多停留在网络安全和云计算。如今，它正在把过去两个阶段积累的能力转化为 AI 时代的新业务。或许也正因如此，这家公司的未来走向会更具有想象力。

本文系新眸原创，申请转载授权、商务合作请联系微信：ycj841642330，添加好友请备注公司和职位。

更多内容，点击下方关注