Mindgard完成3000万美元A轮融资，扩大AI安全平台
英国 AI 安全公司 Mindgard 完成 3000 万美元 A 轮融资，由 Album VC 领投，拟用于扩展产品、工程与销售团队以应对企业对 AI 安全测试与运行时防护的需求。公司主打基于攻击者行为的自动化红队与运行时防护平台，声称已披露 150+ 个高影响漏洞，但客户规模与实际防护效果仍待更多独立验证。
英国 AI 安全公司 Mindgard 完成 3000 万美元 A 轮融资，由 Album VC 领投，拟用于扩展产品、工程与销售团队以应对企业对 AI 安全测试与运行时防护的需求。公司主打基于攻击者行为的自动化红队与运行时防护平台，声称已披露 150+ 个高影响漏洞，但客户规模与实际防护效果仍待更多独立验证。
英国AI安全公司 Mindgard 于 2026 年 8 月 12 日宣布完成 3000 万美元 A 轮融资。此轮融资由 Album VC 领投，Karma Ventures 参与，现有投资方 .406 Ventures、Atlantic Bridge、IQ Capital 和 Lakestar 继续跟投。
公司表示，新资金将用于扩大产品、工程、销售和市场团队，以应对企业客户对 AI 安全测试与防护能力不断增加的需求。根据 SecurityWeek 的报道，这笔融资使 Mindgard 的累计融资额接近 4200 万美元。
Mindgard 的融资公告见 Business Wire，相关行业报道见 SecurityWeek。
从大学研究走向企业级AI安全
Mindgard 成立于 2022 年，是兰卡斯特大学的研究成果转化项目，总部位于伦敦和波士顿。兰卡斯特大学资料显示，公司源于该校超过十年的 AI 安全研究，早期投资方包括 IQ Capital 和 Lakestar；其平台可针对数百种攻击场景，对企业 AI 系统进行自动化威胁评估和持续红队测试。
Mindgard 在公司介绍中表示，传统应用安全工具并不能完整覆盖模型、智能体和 AI 应用带来的新型风险，因此平台采用更接近攻击者行为的测试方法，对 AI 系统进行资产发现、暴露面分析、可利用性评估和运行时防护。平台覆盖模型、Agent 和应用，并可接入企业现有的安全与机器学习运维流程。
这类定位与传统的代码扫描或基础设施安全工具有所不同。AI 系统的风险不仅来自软件漏洞，也可能来自提示词注入、多轮越狱、工具调用、权限配置、外部数据连接以及智能体在运行时形成的复杂行为链。企业要评估的对象因此从单一模型扩展到了模型所处的完整应用环境。
公司称已披露逾150个高影响漏洞
Mindgard 在融资公告中称，其技术已经发现并推动公开披露了 150 多个高影响安全漏洞，涉及 OpenAI、Google 和 Cursor 等常用 AI 产品。公司列举的案例包括 Cursor IDE 中的零日代码执行漏洞、Google Antigravity 中的可信工作区缺陷，以及 ChatGPT 图像生成防护失效问题。
这些数字和案例目前主要来自 Mindgard 的公司公告及媒体转述，应被理解为公司披露的业绩和研究成果，而不是本文独立完成的安全审计结论。公开材料也没有完整说明每个案例中自动化平台、研究人员与产品供应商分别承担了多少工作，以及所有漏洞是否都已有公开编号或第三方复核记录。
SecurityWeek 报道称，Mindgard 的平台可以模拟攻击者对 AI Agent、模型和应用进行侦察、攻击和风险评估，并提供运行时防护。公司首席执行官 James Brear 表示，AI 正在形成新的攻击面，企业需要一种不同于传统安全流程的方法来保护这些系统。
融资背后是AI从试验走向生产
Mindgard 表示，其平台已被大量《财富》2000 强企业和 AI 创新企业采用，客户覆盖金融服务、制药、游戏、数字服务、半导体和医疗等行业。不过，公司没有在融资公告中披露客户名单、合同规模或收入数据，因此外界暂时难以独立判断其商业化进展的具体程度。
企业部署 AI 的方式正在发生变化。早期应用往往集中在内部问答、内容生成或代码辅助等相对封闭的场景；随着 AI 进入金融、医疗、工业和客户服务流程，模型开始连接内部数据、业务系统和外部工具。一旦 AI Agent 可以读取敏感信息、调用 API 或执行实际操作，传统上线前的一次性安全测试就可能不足以覆盖持续变化的风险。
这也是 AI 安全创业公司试图建立独立产品类别的原因。它们不只测试模型是否会输出有害内容，也关注模型能否被诱导绕过限制、能否通过工具访问不应访问的资源，以及应用在运行时是否具有足够的权限隔离、日志记录和人工干预机制。
AIFluxNews 此前报道 OpenAI推出GPT-5.6-Cyber并扩展Daybreak访问计划 时也提到，网络安全模型的风险控制不能只依赖拒答机制，还需要身份验证、沙箱、最小权限、操作审计和人工复核。另一篇关于 OpenAI将Daybreak网络安全模型接入Amazon Bedrock 的报道则显示，模型进入企业云环境后，权限、网络隔离、数据保留和治理流程会成为产品落地的重要组成部分。
红队测试正在从模型评估延伸到运行时防护
Mindgard 的产品方向反映出 AI 安全市场的一个变化：企业需要的已经不只是模型发布前的安全评测，而是覆盖 AI 生命周期的连续控制。
在开发阶段，团队需要发现模型和应用的潜在攻击路径；在部署阶段，需要确认 Agent 能够访问哪些数据、工具和网络；在运行阶段，则需要监测异常调用、阻断攻击，并保留足够的审计记录。对于多模态模型和多轮 Agent，攻击者可能将看似无害的输入拆分到多个步骤中，风险也可能来自模型与外部工具之间的组合，而不是某一条单独的提示词。
这使 AI 红队平台与企业现有的应用安全、云安全和安全运营系统之间出现了更紧密的连接。Mindgard 表示，其平台支持自动化侦察、智能渗透测试和运行时保护，并使用 MITRE ATLAS 和 OWASP 等框架帮助企业分类和报告 AI 风险。相关能力能否成为企业安全预算中的长期支出项目，仍取决于客户是否能够将测试结果转化为明确的修复、审批和上线决策。
仍有几个问题等待验证
Mindgard 获得新一轮融资，说明投资者正在押注企业 AI 安全需求会随着部署规模扩大而增长。但这并不意味着 AI 安全平台已经形成统一的市场标准。
首先，企业需要区分模型本身的缺陷、应用配置错误和权限边界问题。一个能够发现漏洞的平台，如果不能帮助客户定位责任组件、安排修复并验证修复结果，其价值仍可能停留在报告层面。
其次，自动化红队测试的覆盖范围和误报率会直接影响安全团队的使用成本。AI 系统持续更新，攻击方法也在变化，平台需要不断维护攻击库，并让测试结果能够适应不同模型、工具链和业务场景。
最后，运行时防护本身也可能形成新的控制风险。企业必须明确谁有权停止 Agent、哪些操作需要人工批准、异常事件如何回滚，以及平台在处理客户提示词和生成结果时如何进行数据隔离。对于金融、医疗和半导体等敏感行业，这些问题往往与模型性能同样重要。
目前可以确认的是，Mindgard 已完成由 Album VC 领投的 3000 万美元 A 轮融资，并计划用资金扩大产品和商业团队。至于其披露的漏洞数量、客户部署规模以及平台在不同企业环境中的实际防护效果，仍应以更多公开技术材料、漏洞记录和独立评测为依据。
来源：
不错过任何一条 AI 大事
订阅 AIFlux 早报，每天 3 分钟看懂产业动态。
