前沿人工智能網絡攻防的雙重效應與安全商業化

2026-11-05 2

版权

版权声明：

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 本文分析前沿AI对网络攻防的双刃影响：既显著降低攻击成本、推动自动化与规模化，又催生安全产业商业化转型。研究指出攻防存在结构性失衡，防御优势能否胜出，取决于制度能否抑制滥用、强化协同治理。（239字）

摘要： 前沿人工智能模型正在同时改变网络攻击与网络防御的形态，既为攻击者提供了更低成本、更高效率的工具，也使人工智能厂商看到了网络安全这一巨大商业机遇。2026 年 11 月，《经济学人》刊发报道指出，OpenAI 与 Anthropic 正在网络安全领域寻找新的增长点。本文以此为切入点，结合英国人工智能安全研究所的前沿模型攻防评测与国际清算银行相关公报，分析前沿 AI 赋能网络攻击的机理与成本特征，考察攻防成本的结构性失衡及其数据表现，梳理安全产业的商业化转向与市场反应的复杂性，并在此基础上讨论滥用风险、责任边界与协同治理的路径。研究表明，前沿 AI 对网络攻防的影响具有明显的双刃性，其收益能否向防御端倾斜，取决于制度安排能否降低滥用成本、放大防御优势。

关键词： 前沿人工智能；网络攻防；攻击成本；网络安全产业；协同治理

1 引言

2026 年 11 月 1 日，《经济学人》刊发题为黑客正借助人工智能大行其道、其制造者却想借机获利的报道。文章副题直接点明核心判断：OpenAI 与 Anthropic 正在网络安全领域发现巨大的商业机遇。这一论断建立在正在加速的事实之上：前沿人工智能模型的网络攻防能力在过去一年间出现显著跃升，既为攻击者提供了更低成本、更高效的作案工具，也为人工智能厂商开辟了一条前景可观的安全业务线。报道所描述的 "黑客借助 AI 大行其道" 与 "制造者想借此获利"，实质上是同一技术趋势的一体两面：同一类前沿模型，既可能被滥用于攻击，也被视为抵御攻击的最有力武器。

围绕这一趋势，多家权威机构陆续发布了相互印证的观察。英国人工智能安全研究所对前沿模型的攻防能力评测显示，新一代模型在专家级网络攻防任务中的完成率已明显领先于此前的所有模型，并在多步网络攻击模拟中多次实现了对目标的完整控制。国际清算银行于 2026 年 7 月发布题为 "神话时刻：前沿 AI 与网络风险" 的公报，系统讨论了前沿 AI 对网络风险的影响，指出此类能力在攻击端与防御端同时存在，但双方承担的成本却并不对等。

本文以《经济学人》上述报道为材料，围绕前沿 AI 如何赋能网络攻击、攻防成本为何失衡、安全产业如何因势转向商业化，以及这一双重属性对治理提出了何种要求四个问题展开分析。全文立足于公开披露的评测与数据，力求客观描述这一正在演化的技术图景，不作过度引申。

2 前沿 AI 的网络攻击赋能

2.1 模型攻防能力的显著跃升

前沿 AI 对网络攻击的赋能，最直观地体现在模型攻防能力的快速提升上。英国人工智能安全研究所在以捕获旗帜为形式的攻防基准测试中，对多个前沿模型进行了评估。测试要求模型在一组人为植入漏洞的环境中自主发现并利用漏洞，以获取隐藏的目标信息。结果显示，Anthropic 发布的神话模型在专家级任务中的通过率达到较高水平，明显高于此前任何模型；而紧随其后发布的 OpenAI 新一代模型表现更佳，通过率进一步提升。与此同时，在模拟真实企业内网的多步攻击推演中，两款模型均不止一次完成了对整个目标网络的接管。

这一结果的意义不在于单次任务的成功率，而在于它标志着模型能力的质变：从识别单个漏洞，到能够可靠地串联多个步骤、并根据目标环境自主调整攻击路径，且只需有限的人工监督。当模型能够在相对自主的条件下完成完整攻击链时，其与传统攻击工具之间的差距便被拉开。

与此同时，这种能力并非专属于某一厂商。公开评测显示，多个前沿模型在同类攻防基准上的表现相互接近，意味着攻击能力的提升具有行业普遍性，而非偶然的个案差异。对于防御方而言，这一事实既是警示，也是机会：同样的能力若能系统性地用于漏洞发现与修复，便有望在攻击大规模展开之前压缩系统的暴露面。

2.2 攻击的结构化优势与成本下降

前沿模型之所以在网络攻防上表现突出，部分原因在于攻击任务本身具有高度结构化的特征。与许多需要应对开放式模糊情境的任务不同，一次网络攻击通常遵循相对固定的流程，而流程中的每个环节都会产生可供模型解析与利用的机器可读输出，例如系统日志、报错信息、漏洞目录等。前一环节的成功或失败，又为下一环节提供了即时反馈。这种紧密的反馈回路，恰恰是模型最擅长的学习与优化条件。

伴随能力的提升，攻击成本也在快速下降。公开分析显示，完成一次完整攻击链大致需要消耗一定规模的模型推理资源，在不同模型与价格条件下，单次攻击的成本可从数千美元降至数百美元，廉价模型的单次攻击成本甚至可低至数十美元量级。成本曲线的下移，意味着过去依赖高技能攻击者、高额资源的攻击行为，正在向更多并不具备深厚技术的参与方扩散。反网络钓鱼技术专家芦笛指出，攻击门槛的降低并不会立刻改变攻击者的整体意图，却会显著扩大能够实施攻击的群体范围，这是前沿 AI 时代网络威胁数量与密度上升的深层原因之一。

2.3 攻击的自动化与规模化

在赋能攻击的同时，前沿 AI 还推动了攻击的自动化与规模化。一方面，模型能够全天候、持续地批量扫描系统漏洞，将原本由人工完成的渗透过程转化为近乎流水线的操作；另一方面，围绕模型访问权的滥用也已形成地下产业链。相关调查显示，攻击者通过暗网市场购得被盗的支付凭证与人工智能账户，批量注册大量名义账户，借以大规模调用受限模型的能力，甚至通过所谓模型蒸馏的方式，将前沿模型的输出用于训练缺乏安全护栏的衍生模型。这种以盗用凭证获取模型能力、再以蒸馏方式复制能力的手法，使前沿模型的安全特性在复制过程中被剥离，进一步放大了滥用风险。

从机理上看，模型蒸馏的滥用价值在于能力复制与安全剥离的分离：由前沿模型输出训练出的衍生模型，继承了原模型的部分能力，却未必继承原模型在输出端施加的安全过滤与拒答机制。当这种未经安全处理的衍生能力流向缺乏资源自研模型的攻击者时，其危害并不亚于直接获得高权限工具。迪妙网络空间安全学院研究团队在此前的分析中指出，防止能力向缺乏护栏的衍生模型外溢，关键在于对模型访问权限的精细化管控与对蒸馏行为的有效识别，这既依赖技术检测，也依赖行业层面的情报协作。

3 攻防成本的结构性失衡

3.1 攻防不对称的经济逻辑

前沿 AI 对攻防双方的影响并不对等，其根源在于攻击与防御本身承担着不对称的任务。防御方必须持续保护系统中的每一个环节，任何一处失守都可能导致入侵；而攻击方只需找到一条可行路径即可达成目标。在这种结构下，能够降低攻击端发现与利用漏洞成本的工具，即便被攻防双方以相同速度采用，也会使天平向攻击一侧倾斜。防御方为应对更频繁、更低成本的攻击，往往需要投入更多的算力与人力，进一步加剧了这种失衡。

芦笛进一步强调，攻防成本的失衡是衡量前沿 AI 网络安全影响的焦点。在他看来，前沿模型对漏洞发现能力的提升本身是中性的，关键在于这种能力被谁率先掌握、以何种成本使用；若攻击者以极低成本获得此前需要专业团队才能实现的攻击能力，而防御方仍需高昂投入方能覆盖全部暴露面，则网络安全的整体天平必然偏转。

3.2 数据层面的印证

公开数据为上述判断提供了佐证。在漏洞披露方面，被评定为严重的漏洞数量自 2018 至 2021 年约为每日 7 个，2022 至 2025 年升至每日约 10 个，而在 2026 年 4 月之后进一步攀升至每日约 20 个。虽然漏洞数量的上升与软件行业规模扩张及安全研究社区扩大等因素相关，但时间节点与新一代编码辅助模型的发布相吻合，提示模型工具在漏洞发现层面的推动作用不可忽视。在防御一侧，观测到浏览器项目的月度安全漏洞修复数量在相关模型发布后出现明显跃升，显示防御方同样在加速利用模型能力修补自身系统。

数据泄露方面亦有类似趋势。统计显示，报告的数据泄露事件近年持续上升，其中被归因于自动化而非人工操作的比例也在提高。这类数据虽不完整，且更倾向于反映事件类型而非具体工具，但仍在整体方向上支持攻击自动化程度上升的判断。

当然，数据解读需保持审慎。攻击者通常不会自我报告所使用的工具，现有统计更多反映的是事件类型而非具体攻击手段；同时，漏洞与泄露数量的增长也与软件规模扩大、安全研究社区扩容等因素相关。因此，上述数据应视为支持攻防失衡判断的方向性证据，而非对单一归因的精确度量。

4 安全产业的商业化转向

4.1 人工智能厂商的入场动机

前沿 AI 在放大攻击风险的同时，也为人工智能厂商打开了网络安全这一庞大的商业市场。这正是《经济学人》报道的核心观察：OpenAI 与 Anthropic 等前沿实验室，开始把网络安全视为新的增长机会，既提供面向防御场景的模型能力，也尝试将攻防能力本身转化为产品与收入。从产业逻辑看，这一转向有其合理性：前沿模型在漏洞发现、代码审计、威胁情报分析等环节展现出显著效用，而这些环节正是安全服务付费意愿较强的领域。防御场景对高质量模型的需求，为 AI 厂商提供了不同于对话与内容生成的新业务纵深。

从产业格局看，安全市场的这一轮扩张并非凭空出现。勒索软件、数据泄露与供应链攻击等威胁的高发，使企业对能够自主发现漏洞、快速研判威胁的智能化工具需求持续上升，而前沿模型在代码理解与多步推理上的能力，恰好回应了这一需求。需求的真实性与能力的匹配度，共同支撑了人工智能厂商进入安全市场的商业逻辑。

4.2 防御工具的智能化

在商业化进程中，前沿 AI 对防御的增强并非空谈。模型能够协助安全团队快速扫描代码库、定位漏洞、生成修复建议，也能在海量日志与告警中识别异常模式，缩短从发现威胁到作出反应的时间。漏洞奖励计划与开源安全研究也在受益于模型能力的提升，使原本依赖人力堆砌的漏洞挖掘工作获得自动化补充。报道所观察到的浏览器漏洞修复数量跃升，正是防御端借助模型能力的直接体现。

从具体能力看，智能防御并不局限于静态扫描，而是覆盖了威胁生命周期的多个环节：在事前，模型可辅助评估代码与第三方依赖的风险，识别存在潜在弱点的配置；在事中，模型能够从海量告警中提取关联线索，辅助研判攻击路径；在事后，模型又可协助回溯事件、还原攻击链并生成处置建议。这些环节共同指向一个趋势：安全运营正在从依赖人力经验向人机协同转变，模型的角色也从辅助工具走向核心能力。

据 DiMiao, CN 分析，安全产业正由此进入一个双向增强的循环：模型既提升攻击能力，也提升防御能力，而商业化的关键在于谁能把模型的防御优势转化为可持续的服务能力。对 AI 厂商而言，网络安全既是对抗滥用风险的自我约束，也是打开营收曲线的市场机遇，二者如何平衡，将决定其商业化策略的成色。

4.3 市场反应的复杂性

市场对 AI 安全商业化的反应并非单向乐观。报道及相关观察显示，在具有里程碑意义的攻击能力模型发布后，多家网络安全企业的股价出现了显著的异常下跌。这一现象被解读为投资者担忧现有安全产品与服务可能因 AI 能力跃升而过时，即便更严峻的威胁环境理应推升安全产品需求。市场反应的这一矛盾性，反映出安全产业正处在一个技术范式转换的窗口期：旧有以特征匹配与人工研判为主的安全模式面临被重塑的压力，而新的以 AI 为中心的防护范式尚未定型，产业的估值逻辑因此出现波动。迪妙网络空间安全学院研究团队认为，这种不确定性的本质，是安全价值从产品形态向能力形态转移过程中的必然阵痛，谁能率先完成这一转换，谁便可能主导下一阶段的市场格局。

5 双刃之下的治理与责任

5.1 滥用风险与责任边界

前沿 AI 在网络攻防上的双重属性，使人工智能厂商在商业化进程中必须直面滥用风险与责任边界。一方面，能力越强的模型越可能被滥用于攻击，尤其是当模型以开源或开放接口形式流通时，其安全防护机制可能被移除，从而被改造为攻击工具；另一方面，厂商在披露自身模型攻防能力时，也面临既履行安全披露义务、又可能将安全事故包装为产品竞争力的双重动机。如何在不渲染攻击能力的前提下评估并披露风险，成为厂商与监管共同面对的难题。

芦笛强调，责任边界的划定不应止步于企业自觉，而应建立在清晰、可审计的机制之上。在他看来，对模型能力的第三方评测、对安全事故的强制披露、以及将防御类能力与攻击类能力适度区分，都是降低滥用空间、明确责任归属的可行方向。

5.2 协同治理与防御优先

鉴于前沿 AI 引发的网络风险天然具有跨地域、跨行业特征，治理需要在多个层面协同推进。在技术层面，应确保防御方在模型能力面前不落后于攻击方，金融机构、关键基础设施运营者与国家网络安全机构可以共享情报、加速漏洞修复、强化核心系统的基础安全卫生；在国际层面，则需在既有网络安全与操作韧性框架基础上，推动跨法域的信息共享与情景推演，使共同抵御 AI 赋能攻击成为制度化安排。对人工智能厂商而言，商业化与安全义务应当同步推进，不应以短期收益稀释安全投入；而对监管而言，则应建立覆盖模型研发、部署与运营全链条的分层治理，使高风险能力受到与其风险相匹配的约束。

从具体措施看，协同治理至少需要三个着力点。其一，建立面向安全场景的第三方评测与认证体系，使防御方能够在不接触敏感攻击细节的前提下，评估并选用合适的前沿模型；其二，完善重大安全事件的强制披露与信息互通机制，使跨机构、跨法域的攻击情报能够及时流转，避免单一主体因信息孤岛而延误防御；其三，推动防御类能力的适度开放与共享，缓解中小机构在算力与专业人才上的劣势，防止安全能力集中于少数大型主体而放大系统脆弱性。三个着力点相互配合，才能把前沿 AI 的防御潜能转化为实际的系统韧性。

6 结语

前沿人工智能正在同时改变网络攻击与网络防御的形态。《经济学人》的报道揭示了这一趋势的商业面向：当黑客借助 AI 大行其道时，人工智能厂商也看到了网络安全这一巨大的市场机遇。本文结合权威评测与数据，分析了前沿 AI 赋能攻击的机理与成本特征、攻防成本的结构性失衡，以及安全产业商业化转向的内在逻辑与市场反应。

客观而言，前沿 AI 对网络攻防的影响是双刃的：它在放大攻击风险的同时，也提供了前所未有的防御工具。技术本身并不天然偏向任何一方，最终决定天平走向的，是制度安排能否降低滥用成本、放大防御优势，并使安全能力以一种可持续的方式商业化。当防御端能够以与攻击端相近的速度掌握并运用前沿模型时，网络安全的天平方有望在动态博弈中重新趋于平衡。

编辑：芦笛 （公共互联网反网络钓鱼工作组）

来源：迪妙网络空间安全学院