所謂的「人工智慧輔助網路攻擊」，是指在入侵過程中，人工智慧工具協助執行一個或多個階段（例如偵察、漏洞掃描、釣魚內容製作或程式碼生成），而非由人工智慧模型在無需人類指導的情況下自行規劃並執行的攻擊。OpenAI 與 Anthropic 所發布的警告所描述的正是這種「輔助型」模型，而非「自主型」人工智慧攻擊者。 |
|---|
關鍵要點
- OpenAI 與 Anthropic 與其他超過 100 家企業共同警告， 人工智慧正在降低網路攻擊的技術門檻
- CrowdStrike 記錄了一起 針對南韓銀行的 AI 輔助攻擊行動 ，該攻擊利用了基於 DeepSeek 後端建構的 ARTEX 工具組，並伴有 Claude Code 的會話記錄
- 預防性控制措施（包括檔案淨化與執行前分析）可降低遭受人工智慧生成惡意軟體的風險，但與此同時，偵測與應對措施仍不可或缺
- 資安主管應立即採取行動：優先處理已曝光的高風險漏洞、加強存取控制、檢查並清理不可信檔案、測試現有防禦機制，並確認事件應變準備就緒
- 據報導，OpenAI 和 Anthropic 正在演練 「事後應變」情境 ，以因應重大 AI 輔助攻擊事件後可能引發的公眾反彈，儘管這並非 OpenAI 已確認的時間表
OpenAI 和 Anthropic 實際上正在規劃什麼
OpenAI 和 Anthropic 將一場由人工智慧協助發動的大規模網路攻擊視為一項防範措施。2026 年 8 月，這兩家公司與其他 100 多個組織共同簽署了 一封公開信 ，警告人工智慧正在瓦解過去曾能延緩攻擊者的成本與技術門檻，並呼籲防禦方在這種趨勢加速之前，先解決已累積的漏洞與錯誤設定。該公開信將此視為任何運行外露基礎設施的組織所面臨的共同風險，而不僅限於備受矚目的目標。
這種準備工作還延伸至這些公司對公眾反應的預期。根據 Axios報導，OpenAI 與 Anthropic 正私下演練「事後」應變計畫、溝通策略及應對手冊，以因應重大 AI 輔助攻擊發生後可能引發的公眾憤怒，消息來源指出相關準備工作將耗時 6 至 12 個月。此時間表源自 Axios 的消息來源，並非 OpenAI 自行發布的預測；此外，OpenAI 也表示其自身的應變情境並非必然會發生的結果。
對資安主管而言，區別本身不如發展方向重要。無論這段時間是六個月還是兩年，開發這些人工智慧系統的企業，早已將「輔助攻擊」視為短期內的營運現實，這已足以成為優先部署後文所述防禦措施的充分理由。
人工智慧輔助攻擊已現蹤之處
除了關於未來可能發生情況的警告之外，已有證據顯示存在由人工智慧輔助的攻擊。最明確的公開案例，是 CrowdStrike 在針對一套名為 ARTEX 的工具集所進行的研究中，所記錄的一場針對南韓金融機構的攻擊行動。
CrowdStrike 的報告 發現該威脅行為者使用了 ARTEX——一個主要基於 DeepSeek 後端建構的框架——並在同一攻擊者基礎設施中發現了 Claude Code 的會話歷史紀錄。該報告還指出，受影響的組織數量目前仍未確認。
該研究並未指名任何未能偵測到此類活動的特定防毒產品，也未提供任何依據來預測未來事件的規模。紀錄顯示，在某次已記錄的攻擊行動背後，所使用的工具組合相當多元，這並不能證實任何單一的人工智慧模型執行了所有攻擊階段。
然而，OpenAI、Anthropic 以及其他超過 100 個組織於 2026 年 8 月發布的產業通告中，表達的擔憂在於人工智慧驅動的攻擊未來可能朝何種方向發展，而非僅針對已觀察到的攻擊案例。
人工智慧如何改變網路攻擊的樣貌
人工智慧改變了攻擊的經濟模式：它縮短了每個階段過去所需的時間，並降低了專業知識門檻。漏洞研究便是最明顯的例子。人工智慧工具能比單獨作業的分析師更快速地掃描程式碼和設定以找出弱點，並在識別出弱點後立即撰寫利用程式碼。這將原本需要專業團隊耗費數天才能完成的流程大幅壓縮。
各階段之間的協調是第二項變革。前述的 ARTEX 行動顯示，人工智慧工具能在單一行動中協助偵察、工具開發與執行，將過去需要具備各異且獨立培養的技能的團隊才能完成的步驟串聯起來。
綜上所述，這些能力顯示攻擊者將進行更多次嘗試並加快迭代速度。此種解讀是基於 CrowdStrike 的研究以及業界公開信中所述的擔憂，而非對新攻擊事件的經確認統計數字。
該 由 OpenAI 牽頭的業界公開信 主張，相同的底層人工智慧能力可協助防禦方處理已累積的漏洞與配置錯誤，透過自動化進行分流、修補程式驗證及日誌分析，其規模之大，是安全團隊僅憑人力難以企及的。攻擊工具與防禦工具皆是基於相同技術而不斷演進。
為何預防必須與檢測相輔相成
偵測威脅與消除危害的可能性是兩種不同的資安功能。人工智慧輔助的攻擊使得這項區別至關重要：僅依賴偵測功能的組織，無異於賭每場攻擊都會與其先前見過的案例如出一轍。
偵測與預防：兩者的實際作用為何
- 偵測是透過將檔案或動作與已知的簽名、啟發式演算法或行為模型進行比對，來識別惡意行為，通常是在該檔案或動作已存在於環境中之後才進行。
- 預防機制會在檔案執行之前，就消除或限制其可執行的動作，無論偵測引擎是否將其識別為威脅
偵測只能攔截其所見或經過訓練識別的目標。預防則無需識別威脅即可將其消除。
Deep CDR™ 技術的應用場景
Deep CDR™ 技術 是我們的內容無害化與重建技術。它並非透過掃描檔案來搜尋已知的惡意模式，而是移除其中的活性內容，並將檔案重建為乾淨且可用的版本，這意味著它能處理那些檢測引擎目前尚無簽名資料的檔案。
這也延伸至直接針對 AI 系統發動的攻擊。在「EvilFont」攻擊中，自訂字型會將文件對人類讀者的顯示內容，與 AI 模型從同一檔案中擷取的內容進行重新映射，且不會產生任何可供偵測的結構異常或特徵。Deep CDR™ 技術會在重建過程中移除嵌入的字型，無論該字型是否被識別為惡意，皆能有效阻斷此類攻擊。
Deep CDR™ 技術是更廣泛的一套互補控制措施中的其中一層：
- 檔案檢查會在信任任何內容之前，先檢視檔案類型與結構
- 執行前分析是在檔案傳遞給使用者之前，於受控環境中評估其行為
- Deep CDR™ 技術可移除或重建檔案中任何處於活躍狀態的項目，無論該項目是否被標記為惡意程式
- 對於那些根本不會以檔案形式出現的風險，偵測與應對仍屬必要
「預防優先」安全策略背後的論點
這層層疊疊的論點，正是 《顛覆網路安全》一書的核心論點，該書由OPSWAT 創辦人暨執行長班尼·查尼（Benny Czarny）所著。書中主張，基於「可偵測性」假設所建構的安全策略正日益顯得力不從心，原因很簡單：無論檔案是否由人工智慧生成，僅靠偵測手段始終無法徹底解決員工開啟或透過電子郵件收到的這類檔案所帶來的安全問題。
這種框架比任何具體的速度主張都更為重要。無論攻擊者是利用人工智慧生成惡意軟體，還是親手編寫，所面臨的風險都是一樣的：在任何人評估該檔案是否安全之前，檔案便已進入系統。無論檔案是如何產生的，預防性控制措施都能消除此風險。
MetaDefender Aether™ 的適用場景
Deep CDR™ 技術旨在提供檔案的安全、重建副本，但有三種情況需要採取不同的處理方式。
- 某些組織必須基於法律、合規或鑑識等原因，保留原始且未經修改的檔案；而根據設計，重建後的副本並非該原始檔案
- 可執行檔、安裝程式和腳本在設計上本就是具備互動性的，因此若移除其互動內容，將會剝奪使用者所需的功能；針對此類檔案，應作出裁決，而非重新建構。
- 此外，經過淨化的檔案本身也無法讓資安團隊得知威脅的性質、來源，或是它是否屬於更廣泛的攻擊行動
MetaDefender Aether™透過在不修改檔案的情況下進行分析，同時解決這三項問題。這是我們的五層式零日漏洞偵測解決方案，專為簽名式偵測無法攔截的新型、具有隱蔽性的惡意軟體而設計。其靜態分析層運用 Predictive Alin AI，在執行前預測惡意意圖，無需依賴簽名或觸發執行。 高可信度的乾淨檔案會在數毫秒內通過檢查，高可信度的惡意檔案則會被攔截，而狀態不確定的檔案則會轉交至基於模擬技術的沙箱中進行動態分析。在沙箱中確認為零日漏洞的惡意程式會回饋至 Predictive Alin AI，因此每一個案例都能強化未來的偵測能力。
MetaDefender Aether 還讓團隊能在「速度」與「深度」之間做出選擇。以速度為導向的分析能在最短時間內得出結論，適合處理大量檔案流量；而深度分析則優先從中提取最多的入侵指標，而非注重掃描時間，因此更適合用於調查與應變。
LLM Scanning將相同的方法延伸至 AI 本身；MetaDefender Aether 能在不執行程式碼的情況下，偵測模型檔案中嵌入的威脅，並對運作中的大型語言模型（LLM）進行檢測，以查探提示字串注入及敏感資料洩露的情況，因此將開源及第三方模型導入環境的團隊，可將其視為不可信檔案。兩者結合使用時，Deep CDR™ 技術會消除可安全重建的部分，而MetaDefender Aether 則會分析必須保持完整的部分。
資安主管現階段能採取的行動
資安主管無需等到確認發生人工智慧驅動的攻擊才採取行動。那些簽署了 2026 年 8 月業界公開信的組織指出，有五個領域是多數資安團隊早已掌握狀況的，即使近期尚未將其中任何一項列為優先處理事項。
- 優先修補已曝光的高風險漏洞：對外連網的系統以及已知遭惡用之漏洞，能為攻擊者帶來最高回報。請確認修復措施確實生效，而非僅將工單標記為「已解決」。
- 減少過度的權限：加強存取控制，確保即使有單一帳戶遭入侵或遭遇 AI 輔助的釣魚攻擊，也無法觸及關鍵系統。
- 在使用前檢查並清理不可信的檔案：預設將基於檔案的攻擊途徑（例如電子郵件附件、下載檔案、可移除儲存媒體）視為可疑。
- 定期測試現有防禦措施：過時的測試週期會讓已知的弱點暴露的時間比大多數團隊所意識到的還要長。
- 確認事件應變與復原的準備狀況：確保應變計畫能因應更快速、由人工智慧輔助的攻擊時程，而不僅是基於多數計畫所針對的較緩慢攻擊行動。
美國國會尚未通過具約束力的人工智慧安全規範，而自 2026 年以來持續辯論的「緊急關機機制」提案仍陷於停滯。這正是我們應直接著手處理這五項事項，而非坐等可能耗時數年的政策指令的又一理由。
資安團隊仍需保護那些遭人工智慧輔助攻擊鎖定的目標：檔案、存取點，以及流經系統的資料。我們在未經信任的內容進入組織的各個入口處（包括電子郵件、檔案傳輸、可移除儲存媒體及網頁下載），建置了檢查、淨化與存取控制機制。
如果您想了解這些控制措施實際上適用於貴組織所處理的哪些檔案類型和入口點，我們的團隊可以引導您進行工作流程評估。
