派拓网络董事长兼首席执行官Nikesh谈AI安全：武器化的智能

前沿大模型的能力，已经不再停留在理论阶段。Anthropic、OpenAI 等公司即将发布的新一代模型，客观来说，已经具备大规模发现漏洞的能力。这不是渐进式的提升，而是质的跃迁。

试想这样一个场景：一群自动化智能体，持续不断地梳理你技术基础设施中的每一个弱点，并进行系统化记录。

在接下来的六个月里，高级攻击的门槛将持续降低。黑客梦寐以求的武器，将对任何拥有算力和支付能力的人开放。

这场变革的核心，不只是能力提升，而是结构性不对称。

●攻击者：只需成功一次

●防御者：必须每次都成功

与此同时：

●AI模型可以全天候运行

●攻击规模可以无限扩展

●单个攻击者即可完成过去团队级别的攻击

这不是一场公平的较量。

现实更严峻的一点是：攻击目标，并不难找。企业当前普遍存在：

●数千家技术供应商依赖

●数百万开源组件依赖

●长期累积的配置错误

●被遗忘的API接口

●过时但仍在使用的权限策略

这些“历史遗留问题”，从未被彻底修复。而AI，恰恰擅长发现这些。

风险不仅来自外部，也来自内部：

●员工在未经充分理解的情况下测试AI Agent

●“氛围编程（Vibe Coding）”降低开发门槛，但忽视安全

●每一台终端设备，正在“服务器化”

●未受监管的AI工具，靠近敏感系统运行

而更强的模型，只会进一步压缩这个时间窗口。没有企业可以幸免。甚至包括：支撑AI模型运行的数据中心本身。

问题来了：我们该如何应对？答案正在变得清晰：用AI，对抗AI

需要明确一点：AI模型本身，不是完整的安全解决方案，它必须构建在成熟的安全体系之上，这个体系包括三大核心基础：

覆盖网络、云、终端与浏览器的安全传感器：

●汇聚数据

●在威胁扩散前进行阻断

多年来，行业一直在构建边界防护能力，而现在需要引入 AI 进行增强。模型无法修复“看不见”的问题，边界可观测性，不是可选项，而是前提条件。

仅有传感器是不够的，它们会产生大量噪声。将噪声转化为可执行情报的关键，在于“上下文”，而上下文依赖于一个丰富的安全数据湖：

●接收数据

●标准化处理

●保留关键信号

数据湖不仅是存储，更是能力平台：它让模型能够实时分析数据，并结合行业多年积累的机器学习算法，识别边界情况与已知攻击手法。这种能力组合，很难复制，也更难被攻击。

当前，没有比减少安全架构碎片化更重要的事情。研究表明：在75%的安全事件中，其实已有日志可以发现异常行为，但关键信号被淹没，未能及时处理。问题不在于没有信号，而在于信号分散在不同工具中。因此：

●数据必须集中

●工具需要具备自愈能力

在“人类速度”的攻击时代，这种问题尚可承受；但在 AI 驱动的攻击速度下，这将变得不可持续。整合，不是升级选项，而是前提条件。

解决方案，不是让大模型与网络安全对立，而是让它们协同工作。AI 实验室需要以负责任的方式发布能力，确保安全防御方与国家安全机构能够参与其中。

新的能力（尤其是智能体相关能力），必须“安全即设计”，而不是在忽视安全的情况下被匆忙推出。防御方必须能够快速利用这些能力，确保我们能够真正做到“用 AI 对抗 AI”。

风险极高，窗口期已经打开。我们必须迅速行动，并且协同推进。每一位安全负责人、每一家企业董事会、每一家 AI 公司，都需要以应有的紧迫感对待这一问题。

这是网络安全行业最关键的时刻。如果基础构建正确，AI 将成为防御者；如果方向错误，没有任何模型可以拯救你。