CertiK荣获2026年SiGMA AIBC欧亚大奖最佳安全与合规解决方案奖

TheNewsCrypto发布于2026-02-14更新于2026-02-14

文章摘要

2026年2月10日,CertiK在SiGMA AIBC欧亚大奖中荣获“2026年度最佳安全与合规解决方案”奖项。该奖项认可了CertiK在技术创新方面的能力及其对全球加密行业机构化与合规化转型的重要贡献。 CertiK作为全球最大的Web3安全服务提供商,近年来在中东市场积极布局。自2025年在阿布扎比正式开展业务以来,CertiK已启动本地团队招募,并为该地区提供“机构级”安全服务,服务对象包括银行、主权财富基金和大型跨国企业。 通过企业级安全平台Skynet Enterprise,CertiK与阿布扎比监管机构开展多层面合作,参与监管框架讨论,并提供实时风险监测与合规分析支持。 CertiK成立于2017年,由耶鲁和哥伦比亚大学学者创办,目前已检测超过18万个区块链代码漏洞,保护超6000亿美元数字资产,服务超5000家企业客户,估值超过20亿美元,并获得红杉资本、高盛等12家知名机构的投资。

2026年2月10日,SiGMA AIBC欧亚大奖颁奖典礼授予全球最大Web3安全服务提供商CertiK"2026年最佳安全与合规解决方案"奖项。这一荣誉认可了CertiK的技术创新能力及其对全球加密货币行业机构化与合规化转型不可或缺的贡献。在欧亚市场,该奖项是最负盛名且广受认可的荣誉之一。

国际公认的行业峰会组织SiGMA与AIBC联合创办的SiGMA AIBC欧亚大奖,是该地区数字技术与创新领域的权威荣誉。该奖项以其国际化的评审团队和严格的评审标准著称,重点关注人工智能、区块链、Web3和合规安全等前沿领域。今年其他获奖者包括来自全球的知名Web3企业,如Cointelegraph、OKX Wallet、Avalanche和Crypto.com。

媒体在颁奖典礼上重点关注了CertiK在中东地区的长期布局。为满足中东市场对顶级安全服务的迫切需求,CertiK自2025年在阿布扎比正式开展业务以来,已启动本地团队招募计划。

与早期阶段不同,CertiK在该地区的战略重点已全面转向提供"机构级"安全服务。通过卓越的技术能力和强大的防御体系,该服务模式旨在为银行、主权财富基金和大型跨国企业提供满足传统金融安全标准的基础安全措施。

通过企业级安全平台Skynet Enterprise,CertiK已与阿布扎比监管机构建立多层面合作,参与阿布扎比全球市场(ADGM)虚拟资产监管框架圆桌讨论,并为当地监管机构提供实时风险监控与合规分析能力。CertiK的服务不仅支持数字经济中安全合规与创新的协同发展,还帮助监管机构评估异常事件对企业实体及更广泛金融生态的潜在影响。

作为全球最大的Web3安全服务提供商,CertiK采用最先进的形式化验证技术来保护和监控智能合约与区块链协议。该公司由耶鲁和哥伦比亚大学学者于2017年12月创立,将尖端学术研究成果应用于行业实践,确保关键任务应用能够安全精准地扩展。

CertiK是区块链安全领域的行业领导者,也是该领域信誉卓著且发展迅猛的企业之一。截至目前,CertiK已发现超过18万个区块链代码漏洞,保护了价值超过6000亿美元的数字资产,并与超过5000家企业客户开展合作。其客户包括币安、以太坊基金会、BNB Chain、Aptos、Ripple、Sandbox、Polygon和TON等行业领军项目。

以超过20亿美元估值,CertiK自创立以来已获得红杉资本、Coatue、高盛集团、顺为资本和Insight Partners等12家知名机构的投资。

标签区块链CertiK

相关问答

QCertiK在何时何地获得了什么奖项?

A2026年2月10日,CertiK在SiGMA AIBC欧亚大奖中荣获“2026最佳安全与合规解决方案”奖。

QCertiK在中东市场的战略重点是什么?

ACertiK在中东市场的战略重点已完全转向提供“机构级”安全服务,通过技术实力为银行、主权财富基金和大型跨国企业提供符合传统金融安全标准的保障。

QCertiK通过什么平台与阿布扎比监管机构合作?

ACertiK通过企业级安全平台Skynet Enterprise与阿布扎比监管机构展开多层面合作,提供实时风险监控和合规分析能力。

Q截至当前,CertiK保护了多少数字资产价值?

ACertiK已保护了超过6000亿美元的数字资产,并识别了超过18万个区块链代码漏洞。

QCertiK获得过哪些知名机构的投资?

ACertiK获得了红杉资本、Coatue、高盛、顺为资本和Insight Partners等12家知名机构的投资,估值超过20亿美元。

你可能也喜欢

给AI喂“噪声”也能涨分,这项工作让噪声实现正迁移

这篇发表于ICML 2026的研究提出了一种名为“半监督噪声自适应(SSNA)”的新方法,其核心思想是:迁移学习中,用于辅助训练的“源数据”可以不是真实的图像或文本,而是**完全没有语义的随机噪声**。 传统迁移学习需要大量有标签的源数据,但在隐私、版权等限制下,真实数据往往难以获得。SSNA框架(NAF)打破了这一限制。研究者为每个目标类别(例如CIFAR-10的10个类)生成一组对应的高斯分布噪声样本,并为每个噪声类预先指定一个目标类别编号(但编号本身无意义)。 NAF通过三个步骤实现“正迁移”: 1. **利用少量真实标签**:使用目标域中极少的标注样本进行基础监督学习,建立噪声与真实类别间的初步联系。 2. **在噪声域构建判别结构**:训练模型将同类噪声聚集、异类噪声分离,形成清晰的类别结构。 3. **跨域对齐**:将噪声域中学习到的类别结构(分布)与目标域的对齐,从而将判别性知识迁移到真实数据上。 实验表明,在每类仅有4个标注样本的极端少样本设定下,NAF相比仅使用标注数据的基线方法(ERM)在多个数据集上取得显著提升(如CIFAR-10提升12.35%)。研究还发现,关键因素在于噪声域中是否形成了**可分离的类别结构**,而非噪声数量多少。当把所有噪声压缩为一点(无结构)时,性能会大幅下降。 这项工作的意义在于,它揭示了迁移学习中可迁移的知识可能不限于数据的“语义内容”,**表征空间的“组织结构”本身也是一种有效的知识**。这为无法获取真实源数据的场景提供了一种低成本、保护隐私的替代方案。

marsbit5分钟前

给AI喂“噪声”也能涨分,这项工作让噪声实现正迁移

marsbit5分钟前

交易

现货
活动图片