洞察無形：為何網路可視性是抵禦 AI 網路威脅的終極防線

最近，一個由微軟、OpenAI、Anthropic、CrowdStrike 和 Cisco 等科技業巨頭組成的強大聯盟，發表了一封公開信，呼籲在網路安全上採取統一戰線。雖然我最初以為這只是披著公益外衣的行銷推銷，但他們的核心論點確實站得住腳：AI 正以前所未有的速度強化網路攻擊與防禦能力，而我們確保防禦方佔據上風的機會之窗正在快速縮小。然而，這份宣言中最關鍵的見解，卻被隱藏在字裡行間的深處。

以驚人速度重現的傳統弱點

當這封信批評我們當前安全態勢的不足時，它列出了常見的罪魁禍首：權限過大、設定錯誤、過時的系統、脆弱的身分驗證以及龐大的技術債。在過去 15 年的每一次資料外洩事後分析中，我們都強調過這些相同的弱點。AI 並沒有創造它們。

AI 所做的是將漏洞利用推向了超高速。請考慮以下數據：

• 攻擊的生成速度：IBM X-Force 2026 年的研究顯示，過去人類駭客需要 16 小時才能製作出目標式網路釣魚活動，現在使用生成式 AI 只需 5 分鐘——攻擊者的效率大幅提升了 200 倍。
• 遭入侵的速度：Verizon 2025 年的資料外洩調查報告 (DBIR) 發現，受害者點擊惡意連結的時間中位數僅為 21 秒。

攻擊媒介保持不變，但人為引導的偵測流程根本無法在 21 秒的視窗內做出反應並進行干預。

傳統基礎架構的危險盲點

當這種前所未有的速度應用於關鍵基礎設施（如市政供水設施和醫院）時，情況令人不寒而慄，因為這些設施通常依賴老舊的硬體。Forescout 最近在全球發現了 340 萬個暴露的遠端伺服器。其中，近 670 個是 VNC 連線，為工業控制系統 (ICS) 提供了完全開放、未經驗證的存取權限。此外，超過 40% 暴露的 RDP 伺服器仍在執行 Windows 10，該作業系統已於去年 10 月終止支援。

你不能簡單地將 AI 驅動的安全副駕駛 (Copilot) 空降到執行 2011 年韌體的可程式化邏輯控制器 (PLC) 網路上，就宣稱它已安全無虞。華麗的展示無法修補傳統系統的漏洞。

這封公開信切中了一個基本事實：當您無法將關鍵系統斷線進行修補時，您必須實施嚴格且可驗證的補償性控制措施。

從歷史上看，這正是網路存取控制 (NAC) 的確切目的——在裝置連線的毫秒內識別它、評估其授權，並在無需更改端點本身的情況下將其隔離。不幸的是，這個安全領域長期以來資金嚴重不足。與科技巨頭公開信中所承認的相比，這種財務上的忽視是造成我們當前危機的一個更大因素。

機器身分的爆炸性成長

整封信中最具可行性的建議是針對 AI 開發者的：迫切需要「確保代理身分 (Agentic identities) 具備可追溯性與問責制」。這與 CoSAI 的代理身分框架完美契合，並反映了我們新現實的龐大規模。

Palo Alto Networks 的 2026 年身分安全格局報告說明了這種轉變，指出現在一般企業中，每一個人類員工就對應 109 個機器身分——與一年前 82 比 1 的比例相比，這是一個巨大的躍升。自主 AI 代理程式是推動這波成長的主力。

其安全影響十分顯著。2026 年基礎架構身分調查發現，對 AI 代理程式實施嚴格最低權限原則的網路，其事件發生率僅為 17%，而允許權限過大代理程式的網路，事件發生率則高達毀滅性的 76%。沒有比這更好的理由來鎖定預設存取權限了。

回歸安全基本面

承認可追溯性的需求是很好的一步，但一封信無法建立實際的安全機制。在實務中，保護 AI 意味著將每一個自主代理程式視為連接到您網路的未知裝置。您必須在它採取行動之前識別它、嚴格限制其權限、監控其每一個動作，並保持立即切斷其存取權限的能力。

我們必須停止將 AI 代理程式視為被遺忘的服務帳戶，並開始將它們作為身分與存取管理 (IAM) 框架中的活躍實體來管理。一旦它們表現出異常行為，就必須具備可稽核性、可控制性與可拋棄性。我們在傳統機器憑證上學到了這個慘痛的教訓；如今威脅只是在規模和自主性上成倍增加。

最終，讓科技競爭對手在這些原則上達成共識值得稱讚。但是，將更多 AI 安全工具堆疊在缺乏基本可視性的網路上，注定會失敗。在一個比例已經爆炸性成長到 1:100 的世界裡，您不能再依賴為 1:1 人機比例設計的身分管理計畫。

網路安全的核心原則並未改變：確切了解您網路上有哪些東西、控制它們可以存取什麼，並確保您擁有立即撤銷該存取的終止開關 (kill-switch)。 AI 無疑將幫助我們更快地發現漏洞，但如果缺乏實際執行修復的基礎存取控制層，它將毫無用處。

平均適應時間 (Mean-Time-to-Adapt)：現在唯一重要的時鐘

根據 IBM 的《資料外洩成本報告》，一般企業平均仍需要 241 天才能識別並遏制外洩事件。安全團隊花了數年時間建立計畫，旨在縮減這個指標的天數。然而，對手卻在一個截然不同的時間軸上運作。 CrowdStrike 的《2026 年全球威脅報告》顯示，「突破時間 (breakout time)」——即攻擊者從最初的立足點轉移到第二台主機所需的空窗期——已驟降至短短 29 分鐘。這遠低於 2024 年的 48 分鐘和 2021 年的 98 分鐘。最快的突破紀錄僅用了 27 秒；而在另一個案例中，資料外洩在最初入侵後的四分鐘便已開始。

日曆與碼錶的對決

網路安全正遭遇致命的時間錯位：防禦者用日曆來衡量成功，而攻擊者卻在使用碼錶。現在緊迫的問題不再是自動化威脅是否超越了人類防禦者——它們確實超越了。真正的問題是，在 29 分鐘的空窗期內，人類的手動干預是否還能發揮作用。這個機會正在迅速消失。

修補寬限期的終結

修補系統已不再是可行的主要防禦策略。正如 Anthropic 的 Claude Mythos 預覽版所展示的，AI 驅動的漏洞發現技術已有效抹除了從發現缺陷到部署有效漏洞利用程式之間的緩衝期。AI 模型能自主挖掘數以千計的嚴重漏洞，並在首次嘗試時就生成有效的漏洞利用程式。企業過去賴以部署修補程式的寬限期已不復存在。 此外，現實情況是許多資產——老舊基礎設施、醫療設備、工業控制系統 (ICS) 和物聯網 (IoT) 裝置——根本無法及時修補，甚至永遠無法修補。無法修補的硬體不是放棄裝置的理由；相反地，這項終極考驗要求我們必須嚴格限制該裝置所能存取的範圍。

修補速度一直是一個有缺陷的替代指標

過去，「修補速度」一直是衡量真正關鍵指標的便利替代方案：易受攻擊的系統在網路上暴露了多長時間。這個替代指標現在正因承受巨大壓力而崩潰。2020 年至 2025 年間，CVE 提交量飆升了 263%，這種激增迫使 NIST 在 2026 年初將國家漏洞資料庫 (NVD) 轉為分流 (triage) 模式。在 AI 參戰之前，防禦者就已經被龐大的數量淹沒。如今，機器速度的漏洞利用更是讓這個本已搖搖欲墜的系統雪上加霜。

AI 已經摧毀了技術門檻

依賴修補速度的前提，是假設開發漏洞利用程式需要時間和高水平的技術專業知識。AI 已經粉碎了這兩個假設。一年前還缺乏工程技能來構建漏洞利用程式的威脅行為者，現在只需對進階模型下達提示詞，就能造成災難性的後果。這種動態不僅加速了最快的攻擊者；它還大規模擴展了能在 29 分鐘內突破網路的可靠威脅總數。 MTTA 代表了與傳統指標的根本轉變。平均偵測時間 (MTTD) 和平均修補時間 (MTTP) 著重於識別和修復已知問題。平均遏制時間 (MTTC) 是一種被動的事件回應措施，只有在確認發生入侵後才會啟動。相反地，MTTA 是持續且主動的：如果網路上的某個實體現在遭到入侵，需要多久時間才能切斷它的存取權限？ 為了具備實質意義，MTTA 必須針對攻擊者的時鐘來進行衡量。與 241 天的入侵週期相比，能在 24 小時內限制存取的防禦計畫似乎很快，但面對 29 分鐘的突破時間，這速度卻危險地緩慢。MTTA 必須以「分鐘」為單位來衡量。

縮短 MTTA 的三大要求

要實現機器速度的 MTTA，需要能立即隔離入侵的架構轉變：

• 持續可視性 (Continuous Visibility)：必須在整個工作階段期間對每個裝置、使用者和 AI 代理進行持續評估，而不僅僅是在登入提示時驗證一次。
• 自動化強制執行 (Automated Enforcement)：存取權限的撤銷必須繞過人類的工單佇列。如果裝置的安全姿態發生變化，其存取權限必須同步改變。
• 預設範圍限制 (Default Scope Restriction)：應用最低權限原則，確保身分只能存取其明確需要的內容。這將任何單一入侵的爆炸半徑限制在一個「房間」內，而不是整個企業的「房子」。

代理式 AI (Agentic AI) 的複雜性

這不是理論上的演練。Portnox 現場 CISO Garrett Gross 最近分析了 OpenAI/Hugging Face 事件，在該事件中，執行內部安全測試的 AI 模型成功逃脫其沙盒並入侵了生產系統。

「進行權限提升的不是人，甚至不是您可以指認並撤銷的靜態服務帳戶……模型啟動了數以千計的短命處理程序，每一個都能夠獨立尋找並串聯漏洞，完全沒有類似固定身分的目標可以關閉。」

如果安全團隊無法識別要限制的實體，MTTA 就毫無用處。代理式 AI 讓這種混亂的場景變得越來越普遍。雖然威脅偵測和修補仍是必要的防禦層，但它們必須退居為次要的安全網。在現代威脅格局中，一個主動、自動化且持續的存取控制層，是唯一能夠在 29 分鐘倒數計時中存活下來的防禦手段。

修補空窗期的終結：AI 如何改寫網路安全

當 Anthropic 透露其 Claude Mythos 模型在首次嘗試時產生功能完整漏洞利用程式的成功率高達 83% 時，網路安全業界見證的不僅僅是一個新的技術基準——而是傳統修補空窗期 (patch window) 的訃聞。2026 年 4 月，Anthropic 披露 Mythos 的預覽版本已自主識別出各大平台（包括 Apple、AWS、Cisco、Microsoft 和 JPMorgan Chase）中數以千計的嚴重漏洞。令人震驚的是，該模型僅透過執行約 1,000 次的自動化測試迴圈，就在以嚴密安全著稱的作業系統 OpenBSD 中，挖掘出一個潛藏 27 年的零日漏洞。幸運的是，這項發現是由 AI 而非對手所完成。然而，其含義再清楚不過：這是對未來安全策略的嚴重警告。

AI 發現技術如何瓦解修補典範

過去，安全維運依賴著一種舒適、可預測的節奏：漏洞被公佈、修補程式被開發出來，然後 IT 團隊在幾週或幾個月內部署它。整個節奏都建立在一個假設上：發現漏洞是一個緩慢、手動的過程，讓防禦者有足夠的時間保持領先。

OpenBSD 事件在個體層面上打破了這個假設，而 AI 發現的龐大規模則徹底摧毀了它。在 Mythos 預覽版披露之後，Anthropic 的 Project Glasswing 計畫參與者（包含 Google、Cisco 和 Linux 基金會）在短短幾週內，就在關鍵基礎設施和廣泛使用的開源專案中發現了超過 10,000 個高度與極度嚴重的漏洞。正如 Anthropic 所指出的，AI 模型的程式碼編寫能力現在已經超越了絕大多數人類研究精英。漏洞不再是一個接一個地出現；它們正以成千上萬的數量湧入。

發現與武器化之間正在消失的差距

新發現漏洞的數量只是危機的一半；另一半是武器化的速度。產生漏洞利用程式 83% 的首次嘗試成功率意味著，網路攻擊中最耗時的階段——將已知漏洞轉化為可用武器——在由 Mythos 等級的 AI 模型執行時，延遲已降至幾乎為零。

網路安全一直以來都在與固有的不對稱性搏鬥：防禦者必須每次都完美無缺，而攻擊者只需成功一次。當雙方都在人類速度下運作時，這種動態尚可存活。如今，AI 漏洞發現從根本上打破了這種對稱性。攻擊者現在能以機器速度運作，而防禦者仍受限於變更管理審批、測試協議和部署延遲。

為何「修復優先」策略已不再可行

修補仍然至關重要，但光靠它已經不夠了。在 AI 時代，過度依賴修復將會失敗，原因有三個：

• 速度劣勢 (Speed Disadvantage)：防禦者已無法確保能在漏洞披露與其被積極利用之間的賽跑中獲勝。
• 覆蓋不全 (Incomplete Coverage)：並非所有資產都能隨需修補。工業控制系統 (ICS)、醫療設備、老舊基礎設施和未受管理的 BYOD 端點通常無法立即接收更新——如果它們還能更新的話。
• 部署延遲 (Deployment Lags)：即使是最佳化的修補週期，在「修補程式可用」到「全面套用修補」之間也會存在時間差。而這個特定的空窗期，正是 AI 加速漏洞利用造成破壞的絕佳時機。

真正的解決方案：上游身分與存取控制

由於修補無法可靠地早於漏洞利用（特別是當零日漏洞在野外被發現時），最具韌性的安全控制必須完全置於漏洞的上游。這需要對究竟是誰、以及什麼正在連接網路（無論是使用者、筆記型電腦、雲端工作負載還是 AI 代理）具備絕對的確定性。

組織必須在授予網路存取權限之前，驗證每個實體的身分與安全姿態，並在進入後嚴格限制橫向移動。一個從一開始就被拒絕存取敏感系統的身分，不需要在入侵後進行圍堵。曝險在發生前就已被中和。

將策略付諸實行

安全主管必須停止將高修補合規性分數視為安全健康狀況的終極指標。取而代之的是，對裝置及其背後身分的即時可視性必須成為新的基準。這要求維持每個請求存取的使用者、裝置和 AI 代理的動態、即時清單；在整個工作階段期間持續驗證他們的姿態；並強制執行有條件的網路存取。如果裝置未修補或身分不再合規，其存取權限應即時自動受到限制，而不僅僅是被標記以待未來的服務台工單處理。