Microsoftが初のサイバーセキュリティ特化 AI「MAI-Cyber-1-Flash」を発表、MDASHで脆弱性検出を効率化|セキュリティとITのニュース-セキュリティ対策Lab

投稿日時: 2026年07月30日更新日時: 2026年07月30日

Microsoftは2026年7月27日、同社初のサイバーセキュリティ特化AIモデル「MAI-Cyber-1-Flash」を発表しました。MAI-Cyber-1-Flashは、ソフトウェアの脆弱性発見、検証、優先順位付け、修正を支援するマルチエージェント基盤「MDASH」に組み込まれます。Microsoftは、MAI-Cyber-1-FlashとGPT-5.4を使うMDASH構成が、脆弱性分析ベンチマークCyberGymで95.95％を記録し、従来構成と比べて約50％のコスト削減を実現したと説明しています。ただし、この95.95％はMAI-Cyber-1-Flash単体の成績ではなく、複数モデルと100以上のエージェントを組み合わせたMDASH全体の評価です。

MAI-Cyber-1-FlashとMDASHの概要サマリー

Microsoftは2026年7月27日、同社初のサイバーセキュリティ特化モデルMAI-Cyber-1-Flashを発表しました
MAI-Cyber-1-Flashは、脆弱性の発見、検証、選別、修正を支援するMDASH専用モデルです
モデルは総パラメーター数1,370億、実行時に有効となるパラメーター数50億のMixture-of-Experts構成です
コンテキスト長は25万6,000トークンで、大規模なコードベースの分析を想定しています
CyberGymで95.95％を記録したのは、MAI-Cyber-1-FlashとGPT-5.4を含むMDASH全体です
Microsoftのモデルカードでは、MDASH内の既存モデルの80％をMAI-Cyber-1へ置き換えた結果、CyberGymの成績が88.4％から95.95％へ向上したと説明しています
製品発表では、MAI-Cyber-1-Flashが最大90％のタスクを処理し、難しい約10％をGPT-5.4へ振り分ける構成を示しています
従来のGPT-5.4、GPT-5.4 mini、GPT-5.3 CodexによるMDASH構成と比べ、約50％のコスト削減をうたっています
モデル単体のExploitGym評価はKernel、Userspace、Browserのすべてで0とされ、単体モデルがあらゆる攻撃能力で他社モデルを上回るわけではありません
利用はMDASH内の防御目的に限定され、選定された顧客に対するAzure AI FoundryのPrivate Previewとして提供されます
Project Perceptionは2026年8月3日にパブリックプレビューを開始する予定です

項目	内容
モデル名	MAI-Cyber-1-Flash
発表日	2026年7月27日
開発元	Microsoft
位置づけ	Microsoft初のサイバーセキュリティ特化AIモデル
主な用途	脆弱性の発見、検証、優先順位付け、修正支援
利用基盤	MDASH
基盤モデル	MAI-Code-1-Flashをサイバーセキュリティ向けにファインチューニング
アーキテクチャ	Transformer、Sparse Mixture-of-Experts
総パラメーター数	1,370億
有効パラメーター数	50億
コンテキスト長	25万6,000トークン
入出力	テキスト
CyberGym評価	MDASH構成で95.95％
従来MDASHからの改善	88.4％から95.95％
コスト	従来の最上位MDASH構成と比べ約50％削減とMicrosoftが説明
処理分担	最大90％をMAI-Cyber-1-Flash、難しい約10％をGPT-5.4で処理
提供方法	Azure AI Foundry Private Preview、MDASH内に限定
利用対象	Microsoftの審査を通過した防御側の顧客
一般公開	モデルのダウンロードや汎用APIとしての公開予定は示されていない
安全対策	RBAC、テナント分離、暗号化、監査、インターネット接続のないサンドボックス
関連システム	Project Perception
Project Perceptionの公開予定	2026年8月3日にパブリックプレビュー

MAI-Cyber-1-FlashはMicrosoft初のサイバー特化モデル

MAI-Cyber-1-Flashは、Microsoftが自社開発したモデル群「MAI」の中で、サイバーセキュリティを専門とする最初のモデルです。

一般的なチャットや文章生成を目的とするモデルではなく、大規模なソースコードから脆弱性を探し、問題が実際に成立するかを検証し、修正案を作成する業務に重点を置いています。

Microsoftのモデルカードによると、MAI-Cyber-1-FlashはMAI-Code-1-Flashを基に、サイバーセキュリティ向けに追加学習したモデルです。総パラメーター数は1,370億ですが、Sparse Mixture-of-Expertsを採用しており、推論時に有効となるのは50億パラメーターです。

すべてのパラメーターを毎回動かすのではなく、入力内容に応じて必要な専門部分だけを使うことで、処理能力と運用コストの両立を図っています。

コンテキスト長は25万6,000トークンです。複数ファイルや依存関係をまたいで成立する脆弱性を調べるには、広い範囲のコードを同時に参照する必要があります。長いコンテキストは、大規模なコードベースを扱ううえで重要な要素です。

単体製品ではなくMDASHへ組み込んで利用

MAI-Cyber-1-Flashは、単独のチャットサービスや一般利用者向けAPIとして提供されるモデルではありません。

利用先は、Microsoftが開発するマルチモデル型の脆弱性検出・修正基盤MDASHに限定されています。

MDASHでは、100以上の専門エージェントが複数のAIモデルを使い分け、コードの探索、問題点の発見、反証、再現、影響評価、修正を進めます。

一つのモデルへコードを入力して回答を得るだけではなく、異なる役割を持つエージェントが、別のエージェントの判断を検証しながら脆弱性の成立を確認する構成です。

貴サイトのMicrosoftやPalo Alto Networks、AnthropicがAIを用いて脆弱性を発見した事例では、MDASHが発見、反論、証明の工程を分け、2026年5月のMicrosoft製品向け修正で複数の脆弱性発見に使われたことを取り上げています。

MAI-Cyber-1-Flashの発表は、既存のMDASHへMicrosoft独自の軽量モデルを加え、常時スキャンのコストを下げる動きと位置づけられます。

最大90％のタスクを小型モデルへ振り分け

Microsoftは、セキュリティ運用では最も性能の高い大型モデルだけを使うのではなく、処理の難易度に応じてモデルを使い分けることが重要だと説明しています。

MAI-Cyber-1-Flashは、MDASHで発生するタスクの最大90％を効率的に処理するよう設計されました。残る約10％の難しいタスクはGPT-5.4へ振り分けます。

大規模コードを継続的に検査する場合、毎回最大規模のモデルを使用すると、トークン消費と推論費用が膨らみます。

一般的なコード確認や脆弱性候補の選別を小型の専門モデルで処理し、高度な推論が必要な問題だけを大型モデルへ送ることで、検査範囲を広げながらコストを抑える設計です。

Microsoftによると、MAI-Cyber-1-FlashとGPT-5.4を使う構成は、GPT-5.4、GPT-5.4 mini、GPT-5.3 Codexを使っていた従来のMDASH最上位構成と比べ、約50％のコスト削減を実現しました。

この数値は一般的なソフトウェア開発費が半減するという意味ではなく、Microsoftが比較対象としたMDASH内のモデル利用コストに関する評価です。

CyberGymで95.95％を記録

Microsoftは、MAI-Cyber-1-Flashを組み込んだMDASHが、CyberGymで95.95％を記録したと説明しています。

CyberGymは、実在するソフトウェアプロジェクトから作成した脆弱性分析タスクで、AIエージェントが大規模コードを調べ、実際の脆弱性を特定できるかを評価するベンチマークです。

モデルカードによると、評価対象は188のソフトウェアプロジェクトから作られた1,500件以上のタスクです。

MDASH内の既存モデルの80％をMAI-Cyber-1へ置き換えたところ、CyberGymの評価は88.4％から95.95％へ向上しました。

Microsoftの製品ブログでは、同構成がAnthropicのMythosより12ポイント高く、GeminiやGPTを使う比較構成も上回ったとしています。

ただし、ここで比較されているのはMAI-Cyber-1-Flash単体ではありません。MDASHのエージェント、Microsoftのセキュリティデータ、MAI-Cyber-1-Flash、GPT-5.4を組み合わせたシステム全体の結果です。

見出しだけを読むと、50億有効パラメーターのモデルが単独で各社の最上位モデルを上回ったように見えますが、一次資料はそのような評価を示していません。

95.95％はMAI-Cyber-1-Flash単体の成績ではない

Microsoftのモデルカードには、MDASHを使わずMAI-Cyber-1-Flash単体で実施した外部ベンチマークの結果も掲載されています。

ベンチマーク	MAI-Cyber-1-Flash単体の結果
CVEBench	0.314
CyberSecEval4 Threat Intelligence	0.553
CyberSecEval4 Malware Analysis	0.33
CRSBench	0.651
ExploitGym Kernel	0
ExploitGym Userspace	0
ExploitGym Browser	0

ExploitGymは、カーネル、ユーザー空間、ブラウザなどの脆弱性について、悪用に至る能力を評価するベンチマークです。

MAI-Cyber-1-Flash単体の評価は、3分野すべてで0でした。

これはモデルに脆弱性検出能力がないという意味ではありません。MAI-Cyber-1-Flashは、MDASHのツール、エージェント、他モデルと組み合わせて使うことを前提に最適化されています。

一方で、製品全体の成績と単体モデルの成績を区別する必要性を示しています。

セキュリティ製品を評価する企業は、モデル名だけで比較せず、ツール実行環境、エージェント構成、利用可能なデータ、検証機能、人間による承認を含むシステム全体を確認する必要があります。

Project Perceptionの脆弱性管理機能へ接続

MicrosoftはMAI-Cyber-1-Flashと同時に、エージェント型セキュリティ基盤「Project Perception」を発表しました。

Project Perceptionは、Red、Blue、Greenの3種類のエージェントを連携させます。

Redエージェントは、攻撃者より先に侵入経路や弱点を探します。Blueエージェントは、環境内の情報を調査し、実際のリスクや攻撃を判断します。Greenエージェントは、修正や防御強化を実行します。

脆弱性管理では、MDASHがコードリポジトリから問題を検出し、Project Perceptionが実際の展開環境、資産、ネットワーク構成と照合します。

コードに脆弱性が存在しても、その機能が本番で使われているとは限りません。反対に、外部公開された重要システムで脆弱な機能が有効になっていれば、修正の優先順位は上がります。

コードの問題と、実際の資産・公開範囲・攻撃経路を結び付けることで、単なる検出件数ではなく、組織にとって意味のあるリスクを判断する狙いです。

Project Perceptionは2026年8月3日にパブリックプレビューを開始する予定です。

Security Copilotとは役割が異なる

Microsoftは、Project PerceptionとSecurity Copilotの違いについて、Project Perceptionは行動するAI、Security Copilotは人を支援する対話型AIと説明しています。

Security Copilotは、アラートの要約、インシデント調査、クエリ作成、脅威情報の整理などで、担当者の判断を支援します。

Project Perceptionは、複数のエージェントが継続的に環境を観測し、問題の発見から修正までを進めるシステムです。

ただし、Microsoftは重要な操作をAIだけで完結させる設計とはしていません。企業向けページでは、目的と制約を防御側が設定し、影響の大きい操作には人間の承認を残すと説明しています。

過去には、Microsoft Security Copilotを使ってGRUB2やU-Bootなどの脆弱性を発見した事例も確認されています。

MAI-Cyber-1-Flashは、対話支援から継続的な自動検査へ、MicrosoftのAIセキュリティ活用範囲を広げるモデルです。

利用は認証された防御側に限定

MAI-Cyber-1-Flashは、モデルファイルを公開して誰でも利用できるオープンモデルではありません。

モデルカードでは、Azure AI FoundryのPrivate Previewを通じて提供するものの、MDASH内での利用に限定すると説明しています。

高度な脆弱性発見能力は、防御側だけでなく攻撃者にも利用できるデュアルユース技術です。このため、利用者はMicrosoftによる審査と承認を受ける必要があります。

主な用途は、防御目的の脆弱性発見、優先順位付け、修正です。MDASH外での利用や、攻撃目的の使用は対象外です。

AnthropicのClaude MythosとProject Glasswingでも、高度なサイバー能力を一般公開せず、認証した防御側へ限定提供する方針が取られました。

OpenAIのCodex Securityとサイバーセキュリティ戦略も、脆弱性発見や修正能力を認証された組織へ提供する方向を示しています。

Microsoft、Anthropic、OpenAIはいずれも、能力の高いサイバーAIを一般向けモデルと同じ形で無制限に提供せず、利用者確認、実行環境、監査、用途制限を組み合わせています。

サンドボックスはインターネット接続なし

Microsoftは、MDASHを通じた利用に複数の安全管理策を設けています。

モデルの実行環境はサンドボックス化され、インターネットへ接続できないと説明されています。顧客ごとのテナント分離、暗号化、ロールベースアクセス制御、操作の監査にも対応します。

モデルの安全性評価では、Microsoft AI Red Teamが、マルウェア生成、重要インフラの脆弱性発見、エンドツーエンドのエクスプロイト開発、長時間の自律タスクなどを検証しました。

評価環境は本番システム、公共インターネット、外部サービスへ接続できない状態で、ツール、コード実行、データ移動、人間による確認を制限しています。

100万件を超える複数ターンのジェイルブレイク会話を使い、PyRITによる自動レッドチーム評価も実施しました。社内の専門家による手動評価と、独立した第三者評価も行われています。

Microsoftによると、第三者評価ではCriticalに分類される問題は確認されませんでした。

ただし、評価で重大な問題が見つからなかったことは、将来の誤動作や悪用可能性がないことを保証するものではありません。

英語以外では性能が低下する可能性

モデルカードは、MAI-Cyber-1-Flashが主に英語のデータとベンチマークで学習・評価されており、英語以外の利用者では初期性能が低くなる可能性があると説明しています。

日本語のコメント、設計書、脆弱性説明、独自の命名規則を含むコードベースでは、英語中心の公開プロジェクトと同じ性能が得られるとは限りません。

AIが生成した脆弱性説明や修正コードには、誤り、不完全な部分、実際には成立しない指摘が含まれる可能性もあります。

AIによる検出結果を、そのまま本番コードへ反映する運用は避ける必要があります。開発者とセキュリティ担当者が、再現条件、影響範囲、修正による副作用、テスト結果を確認する工程が必要です。

AIによる脆弱性探索の競争が加速

2026年は、Microsoft、Anthropic、OpenAI、Google、Palo Alto Networksなどが、AIによる脆弱性発見や修正の能力を相次いで発表しています。

AIを用いた脆弱性検出の動向では、MDASHがMicrosoft製品の脆弱性を自動発見した事例や、Palo Alto NetworksがAIモデルを使って多数の製品を検査した事例を整理しています。

AIによる検査コストが下がれば、防御側はリリース前やコード変更のたびに広範囲な検査を行えるようになります。

同時に、攻撃者も公開コード、ファームウェア、Webアプリケーションを高速に調査し、修正公開から悪用までの時間を短縮できます。

これまで月次や四半期単位で実施していた脆弱性診断を、継続的な検査へ変える必要性が高まっています。

ベンチマークの数字だけで導入を判断しない

MAI-Cyber-1-Flashの発表では、CyberGym 95.95％、他社モデルより12ポイント高い、約50％のコスト削減という数字が示されています。

これらは注目すべき結果ですが、企業の自社コードで同じ効果が得られることを保証するものではありません。

CyberGymは既知の脆弱性を含む公開プロジェクトを使った評価です。企業独自の業務ロジック、古いフレームワーク、内部API、クラウド設定、IaC、外部サービスとの連携では、異なる結果になる可能性があります。

検出率だけでなく、誤検知率、重複指摘、修正案の品質、実行時間、コードの外部送信、利用料金、CI/CDへの影響、担当者の確認工数を評価する必要があります。

MDASHの95.95％はシステム全体の成績であり、MAI-Cyber-1-Flash単体のExploitGym結果が0だった点も含め、比較条件をそろえて判断すべきです。

情報システム部門への示唆

情報システム部門と開発部門は、AI脆弱性検出製品を従来型SASTの代替として一括導入するのではなく、限定したリポジトリで評価してください。

過去に修正した脆弱性、ペネトレーションテストで見つかった問題、社内のセキュアコーディング違反を含む評価用コードを用意し、自社環境での検出率と誤検知率を測定します。

AIの結果だけで脆弱性を登録すると、同じ原因の指摘が大量に作られ、開発チームの処理能力を超える可能性があります。再現可能性、外部公開範囲、データの重要度、悪用難易度を組み合わせて優先順位を決める運用が必要です。

自動修正を使う場合は、AIが生成した変更を必ずPull Requestとして提出し、コードレビュー、単体テスト、統合テスト、セキュリティテストを通過させます。本番ブランチへ直接変更できる権限は与えないでください。

ソースコードをAIサービスへ送信する際は、学習利用の有無、保存期間、処理地域、テナント分離、委託先、ログ、暗号化、管理者アクセスを確認します。

MDASHではRBAC、テナント分離、暗号化、監査が提供されると説明されていますが、実際の契約条件、プレビュー版の制約、障害時の責任分界を確認する必要があります。

Project PerceptionのようにAIエージェントが修正や防御操作を行う製品では、高影響操作に人間の承認を設定します。ファイアウォール変更、アカウント停止、コード修正、パッチ展開、端末隔離を無条件で自動化すると、誤判断が業務停止につながります。

モデルの性能更新により検出内容が変化するため、導入時の一度だけでなく、モデルやエージェント構成が更新された後も再評価してください。

MAI-Cyber-1-Flashは、脆弱性検出を人手中心の定期作業から、複数エージェントによる継続作業へ変える可能性があります。一方、95.95％という数字はモデル単体の能力ではありません。導入判断では、AIモデル、MDASHのエージェント、データ、実行環境、人間の承認を含めた全体設計を評価する必要があります。