AI击穿网络安全防线：下一步何去何从？

当AI成为攻击者的新武器

网络安全领域正经历一场由AI驱动的范式转变。Cognition首席安全官、资深网络安全专家Alex Stamos在近期访谈中直言，当前的网络安全局面“一团糟”。这位曾长期深耕安全领域的专家，用他一贯直率的风格，剖析了AI如何打破攻防平衡。

Stamos的观点并非孤例。随着大模型能力快速演进，攻击者获取漏洞利用、社工钓鱼、自动化侦察的门槛显著降低。传统依赖人力审查与规则匹配的防御体系，在AI驱动的攻击面前显得捉襟见肘。访谈作为“AI in real life”系列的第一部分，将焦点放在了安全从业者最真实的困境上。

攻防失衡的深层逻辑

攻击成本骤降，防御压力陡增

AI让攻击的边际成本大幅下降。过去需要专业团队数周完成的信息收集与攻击面测绘，如今借助AI代理可以在更短时间内完成。Stamos在对话中强调，安全团队面对的不再是零星脚本小子，而是具备持续学习和自适应能力的自动化攻击者。

这种不对称性体现在多个层面：攻击者可以批量尝试、快速迭代，而防御方需要在海量告警中甄别真实威胁。安全运营中心的人力瓶颈被进一步放大，误报与漏报的两难更加突出。

攻击面测绘（Attack Surface Mapping） 指系统性识别一个组织对外暴露的所有资产与入口，包括域名、子域、开放端口、云存储桶、API 接口、第三方 SaaS 集成以及员工账号等。传统做法依赖人工梳理和周期性扫描，耗时长且容易遗漏。借助AI代理，攻击者可以将公开信息（证书透明度日志、DNS 记录、代码仓库、社交媒体）自动聚合分析，快速拼出目标的资产全貌并定位薄弱环节。这也解释了为何防御方需要持续、动态地掌握自身攻击面，而非一年做一次盘点。

安全工具自身的AI化陷阱

防御方也在引入AI，但Stamos提醒，安全产品接入大模型并不意味着问题解决。模型自身的幻觉、提示注入风险以及供应链依赖，都可能成为新的攻击入口。把AI塞进安全栈，如果没有配套的验证与隔离机制，反而可能扩大攻击面。

访谈中透露出的判断是，安全团队需要重新审视“AI赋能”的边界——哪些环节适合自动化，哪些必须保留人工判断。这种审慎态度，与当前业界对AI安全工具的热捧形成对照。

提示注入（Prompt Injection） 是伴随大语言模型应用出现的一类攻击手法。攻击者将恶意指令伪装成普通输入内容（如网页文本、邮件正文、文档内容），诱导模型忽略原有系统指令、转而执行攻击者的意图。在安全产品中接入大模型时，若模型会读取外部数据（告警日志、威胁情报、用户提交的样本说明），攻击者就可能借这些数据通道注入指令，使模型输出错误结论或泄露敏感信息。其危害在于传统输入过滤难以完全拦截，因为恶意内容与正常自然语言难以区分，需要在架构层面做权限隔离与输出校验。

大模型幻觉（Hallucination） 指模型生成看似合理但事实错误或凭空捏造的内容。在安全场景中，幻觉的后果尤为直接：模型可能虚构不存在的漏洞编号、误判告警的严重等级、编造不存在的IOC（威胁指标），或对恶意样本给出错误的判定理由。安全运营高度依赖准确性，一条被幻觉污染的结论可能引发误封、漏报或错误响应。因此把模型嵌入安全栈时，通常需要可溯源的证据链、人工复核环节以及和确定性规则引擎的交叉校验，而不能把模型输出直接当作事实。

专家视角：直率背后的行业焦虑

Stamos以直言不讳著称，这次访谈延续了他一贯的风格。他并不回避问题的严重性，也没有给出廉价的乐观预期。这种态度本身就传递了信号：网络安全行业正处在需要重新校准预期的阶段。

从更广的视角看，AI对安全的影响并非单向。攻击面扩大、防御复杂度上升、安全人才缺口难以弥合，这些因素叠加在一起，构成了Stamos所说的“mess”。访谈作为系列第一部分，后续预计将深入具体场景与应对策略。

下一步：重建防御的思路

面对AI带来的冲击，行业需要从被动响应转向主动设计。Stamos的访谈虽然没有给出完整药方，但指向了几个关键方向：安全团队需要更深入地理解AI系统自身的安全属性；攻防演练应纳入AI代理参与的场景；安全产品的评估标准需要更新，把模型风险纳入考量。

对于企业而言，当务之急是摸清自身AI资产与攻击面的交集，而不是盲目堆叠安全工具。AI改变了攻防的速度与规模，但安全的核心仍然是理解系统、管理风险、保持警惕。

这场对话的价值在于，它把网络安全从业者正在经历的混乱摆上台面。承认问题，是寻找出路的第一步。

背景补充

安全运营中心（SOC, Security Operations Center） 是企业集中监控、检测与响应安全事件的团队与平台。其典型工作流是从 SIEM 等系统汇聚海量告警，由分析师分级、调查、处置。SOC 长期受困于告警疲劳：真实威胁淹没在大量误报之中，而人力扩充速度远跟不上数据增长。AI 自动化攻击使告警量与攻击迭代速度同时上升，进一步挤压分析师的处理带宽。因此业界探索用AI做告警降噪与初步研判，但这又回到模型可靠性与可解释性的问题——自动化分诊一旦出错，可能把真实威胁标记为噪声。