跨界融合：数据安全厂商转型AI企业安全的战略分析

引言：人工智能重塑网络安全范式的历史性拐点

在全球数字化转型的深水区，人工智能（AI）尤其是生成式AI（GenAI）与智能体（Agentic AI）的爆发式增长，正以前所未有的力量重塑企业IT架构的核心逻辑。随之而来的是，网络安全防御体系正在经历一场从“基于规则与特征防御”向“基于意图与行为治理”的范式革命。在这场技术洪流中，数据安全作为保护企业核心数字资产的最后一道防线，其内涵与外延已被彻底颠覆。传统网络安全保障方案高度依赖边界防御、特征库匹配与专家人力值守，面对动态、持续、多向量的新型AI威胁已陷入“告警海啸难分析、隐蔽攻击难识别、处置响应难及时”的困境。

本研究报告深入剖析了全球及中国数据安全厂商向AI企业安全转型的战略路径。研究表明，这场跨界融合并非简单的产品功能叠加，而是底层防御逻辑的重构。数据安全厂商正凭借其在数据访问控制、身份权限治理以及敏感数据发现方面的天然壁垒，迅速切入AI安全态势管理（AI-SPM）、大模型应用防火墙（MAF）以及自动化智能体安全运营中心（Agentic SOC）等新兴赛道。本报告将从市场规模演进、技术架构分野、全球并购与研发战略、中国网安巨头的差异化布局，以及未来智能体时代的安全治理等多个维度，提供详尽且深度的战略研判。

一、 市场重构与规模演进：AI安全释放万亿级战略空间

1.1 全球网络安全市场的增长引擎切换

在日益复杂的地缘政治博弈与宏观经济压力的双重背景下，全球网络安全市场依然保持了强劲的增长韧性。预测数据显示，2025年全球信息安全终端用户支出将达到2130亿美元，较2024年的1930亿美元增长约10.1%，并预计在2026年以12.5%的增速达到2400亿美元的规模。更长远的预测指出，全球安全支出将在2028年达到3770亿美元，主要驱动力正是生成式AI（GenAI）以及普遍人工智能技术所带来的网络威胁复杂性与频率的加剧。

在庞大的安全市场中，传统细分领域的增长正在逼近结构性天花板，真正具有爆发潜力的增量空间来自于AI驱动的安全市场。由于企业将运营迁移至云端，安全软件因其能够提供云原生应用保护平台（CNAPP）、身份与访问管理等集成服务，成为增长最快的细分市场，预计在2025年将占据全球安全市场一半以上的份额。

更为直观的数据表明，AI网络安全市场本身正在经历指数级扩张。相关统计数据揭示了这一细分市场的迅猛增长态势，不仅展示了从2025年至2035年的十年期增长潜力，更凸显了机器学习和自然语言处理等技术在威胁检测与响应中的核心价值。

数据来源：市场行业分析预测，反映了AI网络安全从早期采用到全面普及的扩张轨迹。

宏观评估进一步指出，AI正在为网络安全提供商拓展一个总潜在市场（TAM）高达2万亿美元的广阔空间。在这种高速增长的预期下，无论是成熟的安全巨头、云基础设施超大规模计算企业，还是拥有专门威胁检测能力的创新型初创公司，都在激烈角逐这一战略高地。

1.2 AI企业安全的双重内涵：赋能安全与保护AI

在分析数据安全厂商的转型战略时，必须明确“AI安全”的双重技术内涵：即“AI for Cybersecurity”（利用AI赋能安全）与“Security for AI”（保护AI系统自身的安全）。这两个领域虽然学科不同，但在实际应用中高度互连。

首先是利用AI赋能安全（AI for Cybersecurity）。传统安全运营面临着严重的资源瓶颈，通过整合AI的大规模数据分析与模式识别能力，安全系统能够显著提升威胁检测、调查与响应的速度。AI技术通过自动生成威胁情报、实时关联特征库，协助安全团队超越人工处理极限，实现规模化的自动化事件响应工作流。这种能力使得安全系统可以对抗攻击者同样利用AI技术强化的隐蔽攻击。

其次是保护AI系统自身的安全（Security for AI）。随着大语言模型深度嵌入核心业务流程，AI模型、训练数据、提示词（Prompt）以及智能体本身成为了新的高价值攻击目标。防御数据投毒、提示词注入攻击、模型逆向窃取、敏感数据非预期泄露，构成了这一领域的全新挑战。企业若要安全地采用AI技术以获取竞争优势，就必须保护这些作为企业新核心资产的AI系统。当前，领先的数据安全厂商正从这两个维度同时发力，构建双轨并行的战略布局。

二、 从静态防御到语义治理：数据安全与AI系统安全的架构分野

数据安全厂商之所以能够顺理成章地切入AI安全赛道，是因为AI安全的本质，在极大程度上是一个“数据访问与权限控制”的命题。然而，AI系统的非确定性与动态交互特征，要求数据安全架构必须进行从静态资产扫描到动态行为监控、从数据分类到语义理解的深度演进。

2.1 从DSPM向AI-SPM的必然演进

传统的数据安全态势管理（DSPM）核心在于“静态资产发现”。DSPM通过扫描云存储、数据仓库和SaaS应用，发现并分类个人身份信息（PII）、支付卡行业数据（PCI）以及受保护的健康信息（PHI）等敏感数据，进而映射“谁能访问这些数据”。行业分析形象地将DSPM比作打开每个文件柜并标记内部物品的审计员，其优势在于能够明确数据的静态分布与权限边界。

然而，在AI时代，数据的流转不再局限于预设的管道。大型语言模型在训练、微调和推理阶段需要摄取海量数据，这打破了传统的安全边界，使得静态防御变得力不从心。AI安全态势管理（AI-SPM）因此应运而生。AI-SPM超越了静态数据，转而关注AI生态系统本身的可见性与控制。它持续扫描云环境（如Amazon Bedrock、Azure AI Foundry等），生成所有AI模型、相关资源及数据管道的完整资产清单，并评估其潜在的错误配置、过度授权以及模型漏洞。

分析表明，DSPM与AI-SPM高度互补。如果说云安全态势管理（CSPM）是确保建筑门窗上锁的“建筑检查员”，DSPM是标记资产的“文件审计员”，那么AI-SPM就是监控AI模型这个“超级员工”如何读取、处理和输出这些文件的“行为监督员”。两者结合，能够实现对多云环境下数据与AI风险的统一可视性与实时保护。

2.2 智能体（Agentic AI）带来的深水区安全挑战

随着AI应用从单纯的内容生成演变为能够自主规划、调用外部工具并执行复杂任务的智能体（Agentic AI），安全威胁的爆炸半径（Blast Radius）呈现出指数级扩大的趋势。不同于传统软件应用依赖确定性逻辑，智能体具有高度的自治性与环境适应性，这导致其面临的威胁更多集中在逻辑层面而非传统的代码漏洞层面。

研究表明，智能体时代面临三大核心安全威胁：

1. 提示词注入与目标劫持（Prompt Injection & Goal Hijack）：这是目前记录最多且极易被利用的风险。攻击者无需编写复杂的漏洞利用代码，而是通过自然语言将恶意指令隐藏在智能体需要读取的合法文档、网页或邮件中（即间接提示词注入）。由于语言模型在结构上无法严格区分“系统指令”与“用户数据”，一旦智能体读取了被污染的上下文，便会“误认”恶意指令为核心任务，进而执行未经授权的操作（如越权查询并外发敏感数据）。
2. 记忆与上下文投毒（Memory & Context Poisoning）：为了保持交互的连贯性，智能体通常配备持久化记忆存储。攻击者通过向其记忆层注入虚假上下文或恶意偏好，能够对智能体的决策逻辑进行长期、潜移默化的操纵。这种攻击极具隐蔽性，因为系统并未产生明显的异常告警，而是随着时间的推移，在看似合理的逻辑下做出被破坏的决策。在多智能体架构中，一个智能体的受损输出将直接成为另一个智能体的受信任输入，导致“级联幻觉”与系统性崩溃。
3. 身份滥用与过度授权（Overprivileged Access）：智能体在执行跨系统操作时，往往继承了开发人员或用户的广泛权限。若未严格实施最小权限原则，智能体本身便成为一个能力极强且不受监控的“内部威胁”。安全数据显示，37%的非人类身份安全事件源于过度授权。一旦被劫持，这些拥有广泛API调用权限的智能体可以在微秒级时间内执行跨业务系统的数据外发或配置篡改。

深层洞察指出，提示词注入在很大程度上并不是单纯的模型技术缺陷，而是一个“数据访问问题”。一个被成功注入恶意指令的智能体，如果无法访问敏感数据仓库，其造成的破坏将极其有限。因此，传统安全工具（如WAF）在应对这种语义层面的攻击时通常失效，而数据安全厂商通过实施严格的上下文治理与数据召回权限控制，能够在根源上缩小AI智能体的攻击面。

三、 全球数据安全厂商的战略突围与产品演进

在全球网络安全行业，为了快速补齐在AI领域的短板并抢占下一个十年的战略制高点，头部企业正在通过大规模并购（M&A）、自研技术基因升级以及商业模式创新，以前所未有的速度重构市场竞争格局。

3.1 资本狂飙：以并购重塑AI超级平台

在2024至2026年间，全球网络安全市场掀起了一场针对AI安全的并购狂潮。其核心驱动力在于，企业客户面临着复杂的法规监管以及由数十家供应商组成的臃肿安全栈，强烈的“安全疲劳”催生了对统一、智能化全栈防御平台的巨大需求。头部安全厂商意识到从零自研AI安全能力将错失市场窗口期，纷纷采取“自研+收购”的双轮驱动策略，以收集顶尖AI安全人才、缩短产品上市时间，确保在AI时代维持领导地位。

分析近期发生的重大并购案，可以清晰地识别出行业巨头在战略布局上的针对性：

通过上述矩阵可以看出，身份管理、大模型运行时护栏以及实时云端数据分析成为被收购标的的核心特征。各大巨头正在通过并购将身份、网络、云、端点和数据等传统割裂的领域在AI的粘合下融合为一个能够抵御广泛攻击面的“超级平台”。

3.2 基因进化：传统数据安全产品的AI原生化改造

除了外延式并购，深耕数据安全多年的厂商正在基于其历史数据优势，对原生架构进行深度AI化改造。传统数据保护方法侧重于阻止未授权访问，而在AI环境下，安全平台必须深入理解业务逻辑，并在交互层阻断恶意行为。

Varonis：从数据发现到端到端AI护栏

作为传统DSPM领域的佼佼者，Varonis的战略演进具有高度代表性。该公司洞察到，在AI应用中数据不再仅仅是被动存储的“输入”，而是直接决定AI智能体“行为”的基石。为此，Varonis推出了Atlas平台，将能力边界从数据存储层向上延伸，提供涵盖AI开发生命周期的端到端保护。该平台能够可视化Microsoft 365 Copilot等AI工具对企业敏感数据的访问权限，实施严格的最小特权原则，防止权限滥用导致的爆炸半径扩大。此外，Atlas通过AI网关实施实时护栏，在提示词、响应和智能体操作到达模型之前进行深度检查，并在发现风险时阻断交互或对敏感信息进行脱敏处理。

Imperva (Thales)：基于SaaS反向代理的模型防火墙

在应用安全领域具有深厚积累的Imperva开发了AI Application Security解决方案。该产品采用SaaS反向代理架构，无缝部署在企业自研应用与其依赖的LLM之间。该方案的核心优势在于能够在不影响底层应用性能和复杂配置的前提下，实时分析所有输入与输出流量，专门针对OWASP发布的2025年LLM安全Top 10威胁（如提示词注入、越狱、系统提示泄露及未受限消耗）提供开箱即用的防御能力。这种架构使得企业无需改变现有的应用代码即可获得企业级的AI防御盾牌。

Skyhigh Security：SSE与AI-SPM的深度融合

Skyhigh Security则选择将其卓越的云端数据防泄漏（DLP）能力与AI-SPM深度融合至其安全服务边缘（SSE）平台中。该融合架构实现了双向防护：一方面利用机器学习提升SOC的威胁猎捕效率并大幅降低误报率；另一方面，针对企业内部愈演愈烈的“影子AI”现象，提供对各种公共与私有AI应用的细粒度可见性。通过在SSE网关层实施基于治理控制的DLP策略，Skyhigh能够实时审查输入到AI应用中的提示词，有效阻断源代码、机密合同等敏感资产的非规数据流出。

四、 中国网安巨头的差异化布局与全栈生态建设

与欧美市场高度依赖云原生与SaaS化部署不同，中国网络安全市场受制于数据主权、严苛的合规监管、地缘政治考量以及强烈的本地化私有部署偏好，走出了具有鲜明特色的差异化转型路径。中国头部网安企业不再局限于单点工具的叠加或单纯的API调用，而是致力于打造“安全大模型+软硬件一体化+全栈防护生态”的深水区布局。

4.1 深信服（Sangfor）：以安全GPT实现实战降维打击

深信服作为国内较早布局AI安全的领军者，其核心战略是利用大语言模型强大的泛化、推理与自然语言处理能力，解决传统数据安全中高度依赖人工调优、效率低下且误报极高的结构性顽疾。

其最新发布的安全GPT 4.0数据安全大模型，在实战业务场景中实现了两项关键技术突破：

首先是动静态数据分类分级的全自动化。以往高度依赖人工制定复杂正则表达式和规则库的分类分级工作，现在只需运营人员一键输入分类标准指令，安全GPT即可基于上下文语义理解实现分钟级的全域数据打标。实测数据显示，其静态分类分级的准确率从传统小模型的60%飙升至90%，打标效率提升高达40倍，彻底盘活了沉睡的数据资产。

其次是隐蔽威胁的极速智能研判。面对0day漏洞、高混淆对抗流量以及无文件攻击，传统基于签名和预设语法的检测引擎往往集体失效。深信服安全GPT依托对海量HTTP流量及代码逻辑的预训练，无需进行繁琐的底层语法解析即可直接利用模型的泛化能力识别未知威胁的意图。在国家级实战攻防演练现场，安全GPT展现出能在1小时内极限研判1.7万条告警的能力，海量告警消减率高达99.75%。这不仅将原本需要3-6小时的高级威胁溯源时间压缩至5-10分钟，更真正引领安全运营迈向了“智能驾驶”时代。此外，结合其最新发布的分布式存储EDS 520，深信服实现了3-5秒极速故障恢复与3%-5%极低性能损耗的AI防勒索保护，打造了不可突破的数据底座。

4.2 安恒信息（DBAPPSecurity）：构建“恒脑”智能体生态矩阵

安恒信息的战略重心已从单一安全产品销售转向平台级AI服务生态的构建。其自主研发的“恒脑·安全智能体开发平台”，将大模型的底层复杂能力向上封装为易于调度的Agent生态。

恒脑安全垂域大模型经过快速迭代，其模型基座参数量和上下文窗口长度分别提升了8倍和13倍，配合检索增强生成（RAG）技术，在特定场景下的准确率提升了50%，已具备接收指令、任务思考、路径规划、自主执行及持续学习的完整闭环能力。安恒商业模式的独到之处在于其生态双轨制：不仅面向终端客户提供可即时部署的“官方智能体”（如安全事件调查、API风险审计、数据防泄漏智能体等），更推出面向行业伙伴的“联合共创”开放平台，支持政企客户基于自身业务场景以低代码形式定制专属安全智能体。在成都大运会、杭州亚运会及哈尔滨亚冬会等国家级重大赛事的重保任务中，恒脑智能体实现了惊艳的“零事故”保障，不仅荣获工信部“先进计算赋能新质生产力典型应用案例”等多个国家级权威奖项，也标志着其AI安全能力在极端高压实战检验中走向成熟。

4.3 启明星辰（Venustech）：大模型应用安全“三件套”筑牢基建

依托中国移动强大的央企协同优势与算力资源，启明星辰确立了明确的“AI+安全”双主线布局：一方面以AI重塑全线安全产品，另一方面提供针对AI应用本身的安全防护系统。

面对生成式AI应用步入深水区所暴露的严重脆弱性，启明星辰在2025年率先重磅发布了面向AI原生安全的大模型应用安全“新三件套”：

• MAF（大模型应用防火墙）：专为大模型应用层设计，深入语义级抵御提示词注入、越狱攻击及恶意内容生成等新型威胁。
• MASB（大模型访问安全代理）：聚焦AI资产的数据流转，实施细粒度的访问控制与API审计，防止企业专有知识库在模型调用过程中发生越权使用与敏感数据泄露。
• MAVAS（大模型安全评估系统）：提供事前模型安全性、偏见性及脆弱性的自动化压力测试与安全加固。

这三大组件相互协同，构筑起一道“事前预防-事中拦截-事后评估”的全生命周期AI安全闭环防线，牢牢确立了启明星辰在“后DeepSeek智能时代”的安全基建领军地位。其推出的安星智能体服务集群（MANUS化），更是将安全能力从离散的单点工具进化为具有组织协调能力的系统器官。

4.4 绿盟科技（NSFOCUS）：从“内容博弈”迈向“意图主权”

绿盟科技的战略洞察极其敏锐，指出当前AI防御范式必须完成一次关键跃迁：智能体时代的安全不能再局限于甄别AI输出的“内容是否合规”，而必须深入管控智能体的“意图与行为”。传统防御关注“智能体在做什么”，而“意图主权”要求追问“它到底想干什么”，并在其决策逻辑形成的源头实施强制干预。

基于这一革命性研判，绿盟科技推出了“清风卫”AI安全一体机。该设备采用灵活的“能力积木化”架构，集成了输入/输出、上下文检索、工具搜索与指令执行等四道严密的安全围栏。针对大型企业中愈演愈烈的员工私搭乱建“影子AI”问题，绿盟凭借独有的“雷达扫虾”技术，能够精准在企业复杂内网中定位并阻断未受监管的OpenClaw等智能体实例运行，深度防范模型供应链投毒与权限滥用风险。在运营商、金融及政务等关键信息基础设施行业的大规模实战落地中，“风云卫”AI安全平台实现了超95%的告警降噪率，并将高级威胁的处置响应时间缩短了72%，漏报率下降91%，成为首批通过国家级政务大模型应用安全测评的标杆产品。

表格概括了中国网络安全四巨头在AI化转型过程中的核心战略壁垒与市场价值兑现路径。

五、 技能鸿沟与合规驱动：重塑AI安全治理框架

技术架构的快速演进不仅改变了防御工具，更在宏观层面重塑了网络安全的人才结构与合规标准。企业在拥抱AI安全的道路上，面临着极为陡峭的学习曲线与合规压力。

5.1 人才结构重组：能力缺失而非人力缺失

2026年《SANS网络安全劳动力研究报告》揭示了一个令人震惊的现实：在过去三年中，认为组织面临的危机是“技能缺口（Skills Gap）”的受访者比例首次决定性地超越了“人员短缺（Staff Shortages）”，60%的组织明确表示当前团队完全缺乏抵御AI时代新型威胁的必要技能。

这种鸿沟并非传统的“招不到人”，而是现有人员的能力严重脱节。传统的SOC一层（Tier 1）分析师擅长处理结构化日志和遵循标准化剧本，但AI安全要求从业者精通OWASP LLM Top 10漏洞（如提示词注入防御）、理解MITRE ATLAS对抗性机器学习框架，并具备红蓝对抗及模型行为审计能力。由于AI自身极大地提升了自动化水平，许多入门级分类和响应工作已被AI智能体取代，这迫使行业急速淘汰低阶重复劳动，将资源倾斜于AI安全架构师、智能体护栏设计师以及AI验证分析师等高维岗位。

调查同时指出，企业内部存在严重的“治理感知鸿沟”。超过六成的一线从业者表示，他们对企业内部AI模型的使用位置及敏感数据暴露情况毫无可见性，且40%的企业尚未出台正式的AI采用政策。这种战略层面的滞后，直接导致了许多AI安全投资未能转化为实际的风险收敛。

5.2 实施基准：从AI TRiSM到NIST框架的落地

为了弥合这一治理鸿沟，国际权威机构相继出台了指导框架。Gartner提出了“AI信任、风险和安全管理”（AI TRiSM）框架，强调通过建立AI治理、运行时检查、信息治理与基础设施堆栈这四个技术层，在生成式AI工作流的每个阶段（数据采集、模型训练、生成、部署及反馈循环）强制实施安全策略。Gartner建议企业在实施AI安全策略时，必须将安全性深植于开发生命周期的最早期，以防止敏感资产在模型中不可逆地固化。

在合规层面，NIST发布的AI风险管理框架（AI RMF 1.0）及ISO/IEC 42001标准已成为行业的“合规保险单”。这些框架要求企业建立覆盖模型整个生命周期的动态文档（资产清单），并量化追踪漂移（Drift）、偏见及对抗性鲁棒性等核心指标。对于数据安全厂商而言，其关键竞争力已从单纯的“拦截攻击”拓展到“自动化合规证明”——即通过SaaS平台向审计机构提供关于AI访问控制、数据血缘溯源及事件响应的完整日志链条，从而帮助甲方企业规避因违反GDPR或欧盟AI法案而带来的巨额罚款。

六、 2027-2030未来展望：自动驾驶SOC与多智能体对抗

展望未来三年，AI技术将不再局限于辅助人类决策，而是深度参与甚至主导网络空间的攻防对抗。网络安全将彻底演变为高阶算法与自主智能体之间的持续较量。

6.1 从“副驾驶（Copilot）”到“自主运营（Agentic SOC）”

安全运营中心（SOC）正经历一次根本性的范式转移。过去的三年间，行业热衷于讨论“安全副驾驶”，即利用AI辅助人类分析师生成报告和查询威胁情报，这本质上是一种“人在环中（Human-in-the-loop）”的低效模式。

随着多智能体协同框架的成熟，行业正在快速迈入“自动驾驶SOC”时代。例如，Arctic Wolf推出的Aurora智能体SOC和Splunk发布的Agentic SOC扩展，已经展示了由多个专业化AI智能体（如专注分类分级、恶意软件逆向工程、响应指导及自动编排的独立Agent）构成的数字劳动力网络。在这一体系下，当检测到高级持续性威胁（APT）时，AI智能体不再被动等待人类确认，而是会主动调用漏洞数据库收集缺失上下文，自主决定是向EDR系统发起API隔离调用还是生成修补脚本，并在微秒级完成事件的端到端闭环。这一转变大幅压缩了攻击者的驻留时间，使企业具备了机器级（Machine-speed）的响应能力。

6.2 零信任向语义层的延伸与AIBOM的普及

智能体之间的密集交互将打破传统的零信任边界。随着模型上下文协议（MCP）等技术的应用，智能体能够跨系统、跨组织地传递复杂指令。在这一趋势下，“基于身份的零信任”必须向“基于语义和意图的零信任”演进。安全架构不能仅仅验证发起请求的身份合法性，更必须动态验证该指令在当前业务上下文中是否具有破坏性（如防止被污染的第三方智能体篡改供应链配置）。

此外，“AI物料清单”（AIBOM）将成为大型企业的强制性准入标准。企业需要透明化追踪AI模型的源头、训练数据的血缘关系、调用的第三方API，以及内存处理逻辑。唯有通过AIBOM实现AI系统的白盒化管理，才能从根本上抵御愈发隐蔽的软件供应链投毒和记忆劫持攻击。

6.3 极端威胁场景与厂商优胜劣汰

加州大学伯克利分校长期网络安全中心（CLTC）发布的预测情景描绘了更加严峻的挑战。例如“2027年自动化钓鱼（Phishing B-AI-t）”指出，AI将使高度个性化、真假难辨的社工攻击成本趋近于零并呈指数级爆发；而“2029年投毒管道（Poisoned Pipeline）”则警告，深度嵌入全球供应链的自动谈判与物流智能体一旦遭遇协同记忆投毒，将引发灾难性的系统瘫痪。

在这些极端复杂的情境下，数据安全厂商的战略分化将急剧加速。那些依旧局限于静态规则匹配、缺乏核心数据资产壁垒以及工程化AI落地能力的传统厂商，将面临边缘化甚至被云巨头底层原生服务免费替代的生存危机。相反，能够率先打通“高质量安全数据底座-垂域大模型自学习调优-全自治Agentic SOC体系化落地”闭环的领军企业，将在新一轮洗牌中攫取巨大的时代红利，重塑未来十年的全球网络安全版图。

结语

数据安全厂商向AI企业安全的跨界转型，是数字化浪潮下技术逻辑与商业规律的必然演进。这场转型不仅要求厂商在技术底层完成从“规则阻断”到“智能意图治理”的艰难跨越，更迫使整个行业在组织架构、人才培养与合规生态上进行自我颠覆。面对智能体时代日益模糊的防御边界与成倍放大的风险爆炸半径，构建覆盖“全生命周期、多模态防御、语义级管控”的AI原生安全防线，已成为企业在汹涌的数字化浪潮中维持生存与增长的核心基石。未来，唯有将人工智能的安全治理能力发挥到极致，以前瞻性视野化解从合规框架到机器对抗的多维风险，方能有效护航全球数字经济的高质量与可持续发展。