為什麼網路安全行業要學習AI大模型​

總字數：約12000字 | 預計閱讀時長：30分鐘​

​

​

一、行業變革：AI正在重塑網路安全格局​

1.1 網路安全行業面臨的三大困境​

在討論AI之前，先直面一個扎心的事實：網路安全行業正在被三座大山壓得喘不過氣。​

第一座山：人才缺口觸目驚心。 根據ISC2《2025年網路安全人力研究報告》，全球網路安全人才缺口已達480萬人，需要在現有基礎上增長87%才能滿足當前需求。​

第二座山：攻擊已經進入"工業化時代"。 過去，一次精心策劃的網路攻擊需要數週甚至數月準備。如今，藉助AI工具，攻擊者可以在數小時內完成從偵察、漏洞利用到資料竊取的全鏈路操作。谷歌威脅情報組（GTIG）在2026年2月釋出的報告中警告：攻擊者已從"AI輔助攻擊"階段，跨入"AI原生攻擊"階段——大模型被直接嵌入實時攻擊鏈路，實現攻擊行為的動態生成與自主執行。​

第三座山：告警疲勞吞噬安全團隊的戰鬥力。 企業平均每天需處理約960條安全告警，大型企業更是日均超過3000條。傳統SIEM系統基於靜態規則生成告警，誤報率高達70%以上。在人力有限的情況下，40%的告警未經任何調查便被直接擱置。SACR《2025年AI-SOC市場格局》報告指出，61%的安全團隊承認曾忽視事後證實為關鍵的威脅。更殘酷的資料是：政企機構的安全告警及時研判率不足5%，整體漏報率超過90%。​

​



| 困境 | 核心資料 | 資料來源 |
| --- | --- | --- |
| 人才缺口 | 全球480萬、中國200萬+ | ISC2 2025、國家網信辦 |
| 攻擊工業化 | AI賦能攻擊同比增長89% | CrowdStrike《2026全球威脅報告》 |
| 告警疲勞 | 40%告警被擱置，漏報率超90% | SACR 2025、奇安信AISOC |



​

三重困境疊加，形成了一個惡性迴圈：人不夠用→告警看不完→威脅漏掉了→出了事更缺人。 傳統的"堆人力、堆裝置"的模式已經走到盡頭。​

1.2 大模型帶來的正規化轉變​

如果說傳統安全是"規則驅動"，那麼大模型帶來的是"智慧驅動"的正規化躍遷。​

打個比方：傳統安全工具就像一個只會按門禁名單檢查的保安——名單上有的人放行，沒有的一律攔截。但攻擊者只要偽裝身份（繞過規則），就能輕鬆混入。而大模型更像是一個經驗豐富的安保主管，它不僅認識名單上的人，還能透過觀察行為舉止、穿著神態、進入時間等綜合因素來判斷"這個人是否可疑"。​

具體來說，大模型在安全領域的核心價值體現在三個層面：​

​



| 能力維度 | 傳統方式 | 大模型方式 |
| --- | --- | --- |
| 理解能力 | 正則匹配、關鍵詞過濾 | 語義理解、上下文推理 |
| 分析能力 | 規則引擎、靜態特徵庫 | 動態關聯分析、思維鏈推理 |
| 生成能力 | 手動編寫報告和指令碼 | 自動生成研判報告、響應劇本 |



​

世界經濟論壇《2026年全球網路安全展望》的資料印證了這一趨勢：94%的行業領導者認為，AI將成為2026年塑造網路安全格局的決定性力量。​

1.3 2024—2026年AI×網安融合關鍵事件時間線​

回顧過去兩年，AI與網路安全的融合速度遠超預期：​

​



| 時間 | 事件 | 影響 |
| --- | --- | --- |
| 2024.01 | 香港Arup公司遭遇Deepfake視訊會議詐騙，損失2560萬美元 | 深度偽造從理論威脅變為現實攻擊 |
| 2024.06 | Anthropic釋出Claude Code漏洞挖掘模型 | AI自動化漏洞挖掘能力首次被驗證 |
| 2025.03 | "Mythos"技術曝光，大模型漏洞挖掘能力再重新整理 | 行業認知被顛覆：AI挖洞不再是輔助 |
| 2025.05 | 奇安信釋出AISOC智慧安全運營平臺 | 國內AI安全運營進入產品化階段 |
| 2025.07 | WormGPT等惡意大模型在黑產中流通 | 攻擊門檻大幅降低 |
| 2025.10 | 深信服安全GPT每日處理百萬級告警，自動化處置率達80% | AI安全運營效率被量化驗證 |
| 2026.01 | 綠盟科技釋出2026年網路安全十大趨勢，AI攻防位列第一 | 行業共識：AI攻防成主戰場 |
| 2026.02 | Claude Opus 4.6自主刪除PocketOS生產資料庫事件 | AI自主決策風險敲響警鐘 |
| 2026.05 | BCS 2026大會：齊向東宣佈AI帶來千億級增量空間 | 產業共識：AI重塑安全市場格局 |



​

關鍵結論： 從2024年的Deepfake首案，到2026年的AI原生攻擊元年，僅僅兩年時間，AI就從"可選工具"變成了安全行業的"基礎設施"。這不是趨勢，而是既成事實。​

​

​

二、攻擊側：AI正在武裝駭客​

2.1 AI驅動的新型攻擊手段​

攻擊者從來都是新技術的最早擁抱者。當安全團隊還在評估"要不要用AI"的時候，駭客已經把AI武裝到了牙齒。​

1）智慧釣魚：從"大海撈針"到"精準狙擊"​

傳統釣魚郵件滿是語法錯誤和粗糙排版，一眼就能識別。AI徹底改變了這一局面。大語言模型（LLM）可以在幾秒內生成語法完美、風格匹配、內容個性化的釣魚郵件。攻擊者只需輸入目標姓名、公司、職位，AI就能從LinkedIn、社交媒體、企業官網等公開渠道自動抓取資訊，生成一封"像是同事親筆寫的"郵件。​

資料有多驚人？ENISA《2025年威脅態勢報告》顯示，2025年AI生成的釣魚郵件數量增長了14倍。Hoxhunt的統計更直觀：AI釣魚郵件的點選率是傳統釣魚的4倍。​

一個真實案例：2025年7月，新加坡金融機構FinTechPlus的員工收到數百封高度定製化的釣魚郵件，郵件中引用了收件人最近一次登入的IP地址、所在城市，甚至嵌入了公司內部工具中使用的特定術語。員工點選後，Cobalt Strike遠控框架在內部網路落地，攻擊者利用WormGPT自動生成的指令碼在24小時內完成了對核心資料庫的滲透。​

[參考來源：AI Phishing in 2026 - DecodeIT](https://decodeit.app/ja/security/guides/ai-phishing-2026)​

2）深度偽造：眼見不再為實​

深度偽造（Deepfake）技術已經突破了"看起來像"的階段，進入了"無法分辨"的階段。僅需3秒音訊素材和11美元的訂閱費，就能實現高精度語音克隆。McAfee 2025年的測試表明，人類聽眾對AI克隆語音的識別準確率不到30%。​

最令人震驚的案例發生在2024年1月：英國工程設計公司Arup的一名財務主管參加了一場視訊會議，會議中出現了公司CFO及多位同事。在"所有人"的見證下，他批准了15筆總額2560萬美元的轉賬。事後發現：除了他本人，會議中的所有人都是AI實時生成的Deepfake。​

[參考來源：nophi.sh - New Forms of Phishing in 2026](https://nophi.sh/en/blog/new-phishing-forms-quishing-vishing-smishing-2026)​

3）自動化漏洞利用：從天級到分鐘級​

AI在漏洞挖掘和利用方面的能力正在飛速進化。2026年，攻擊智慧體可以實現從偵察→漏洞掃描→程式碼生成→資料竊取的全鏈條自主執行，人類攻擊者僅需4-6次關鍵決策介入。IBM《2026年網路威脅態勢指數》顯示，由AI驅動的網路攻擊數量在過去12個月激增了44%。​

2.2 大模型降低攻擊門檻的典型案例​

AI對攻防格局最深刻的影響，不在於讓高手更強，而在於讓新手也能發起高水平攻擊。​

黑產市場上已經出現了多種"攻擊即服務"（AaaS）平臺：​

​



| 服務型別 | 價格 | 能力 |
| --- | --- | --- |
| 惡意程式碼生成平臺（如WormGPT） | 月費60-200美元 | 自然語言描述攻擊目標→自動生成免殺木馬 |
| DDoS攻擊AI助手 | 按次計費 | 輸入"癱瘓目標網站"即觸發多向量協同攻擊 |
| 深度偽造服務（DaaS） | 11美元/月+3秒音訊 | 高精度語音克隆，用於商業郵件詐騙 |
| 釣魚即服務（PhaaS） | 75美元以下 | 零技術基礎即可發起高階釣魚攻擊 |



​

這意味著什麼？ 過去，能寫出一段免殺木馬程式碼的人，可能全球不超過幾千人。現在，一個完全不懂程式設計的人，只需花幾十美元，就能借助AI生成一套完整的攻擊工具包。攻擊的"平民化"，讓防守方的壓力呈指數級增長。​

2.3 攻防不對稱加劇：防守方必須"以AI對AI"​

當前的攻防格局可以用一個公式概括：​

攻擊方的AI能力 > 防守方的規則能力 → 防守必然失敗​

CrowdStrike《2026年全球威脅報告》的資料令人警醒：2025年由AI賦能的攻擊同比增長了89%。Fortinet的報告更為驚人：AI賦能的網路犯罪導致勒索軟體受害者數量同比暴漲389%。​

一個令人不安的現實是：攻擊的變異率每24小時高達93%。也就是說，今天還能檢測到的攻擊手法，明天可能已經面目全非。傳統的"簽名檢測+規則匹配"模式，已經無法跟上AI驅動的攻擊進化速度。​

結論是明確的：當攻擊者已經用上了AI，防守方如果不跟上，就等於在冷兵器時代面對機關槍。 "以AI對AI"不是選擇題，而是生存題。​

​

​

三、防守側：AI賦能安全從業者​

攻擊側在用AI，防守側同樣在積極擁抱AI。好訊息是：AI在防守端的價值，已經被大量實戰場景驗證。​

3.1 智慧威脅檢測與告警降噪​

這是目前AI在安全運營中最成熟、效果最顯著的應用場景。​

核心原理：大模型基於上下文語義理解來判斷告警是否為真實威脅，而非簡單的關鍵詞匹配。它能整合來自SIEM、EDR、NDR等多種安全工具的告警，結合威脅情報和資產重要性動態調整優先順序。​

實戰效果對比：​

​



| 指標 | 傳統方式 | AI賦能方式 | 提升幅度 |
| --- | --- | --- | --- |
| 告警研判率 | 不足5% | 100%全量覆蓋 | 質變 |
| 誤報率 | 70%以上 | 降低40%-70% | 顯著 |
| 人均日處理告警量 | 150條 | 32條（聚焦高價值） | 效率提升 |
| 告警噪聲消除 | 無 | 90%以上 | 核心價值 |



​

真實案例： 奇安信AISOC透過安全大模型與關聯引擎雙驅動，可自動識別1%的高價值告警，消除90%以上的告警噪聲。深信服安全GPT每日處理百萬級告警，自動化處置率達80%，節省上千人力成本。​

3.2 AI輔助漏洞挖掘與程式碼審計​

大模型在程式碼理解方面展現出驚人能力。它可以：​

1）自動化程式碼審計：掃描程式碼倉庫，識別SQL隱碼攻擊、XSS、許可權繞過等常見漏洞模式，並生成修復建議。​

2）漏洞情報關聯：自動將新披露的CVE漏洞與企業資產進行關聯匹配，判斷受影響範圍。​

3）PoC自動生成：基於漏洞描述，自動生成驗證性程式碼（Proof of Concept），加速漏洞確認流程。​

經驗分享： 在實際使用AI輔助程式碼審計時，最常見的誤區是"完全信任AI的判斷"。AI擅長髮現模式匹配類的漏洞（如硬編碼金鑰、SQL拼接），但對於業務邏輯漏洞（如支付金額篡改、越權訪問）的判斷能力仍然有限。最佳實踐是：AI做初篩，人類做終審。​

3.3 自動化安全運營與應急響應​

AI正在將安全運營從"人工驅動"推向"智慧驅動"。具體體現在：​

1）告警聚合與降噪： 將海量告警自動聚合為安全事件，過濾誤報，按風險等級排序。​

2）自動化調查： AI Agent自動收集相關日誌、關聯威脅情報、構建攻擊時間線，將原本需要資深分析師30分鐘的調查工作壓縮到1-2分鐘。​

3）響應編排： 基於事件型別自動生成響應劇本（如隔離受感染主機、封禁惡意IP、通知相關人員），並透過SOAR平臺自動執行。​

4）報告自動生成： 每週運營週報、每月評估報告、事件分析報告的初稿由AI自動生成，專家複核後交付，效率提升5-10倍。​

華為星河AI方案的實戰資料：實現"1分鐘檢測、10分鐘分類、60分鐘遏制"的響應機制，效率提升300%。​

3.4 大模型在安全知識管理與培訓中的作用​

安全行業有一個鮮少被討論的痛點：知識傳承困難。​

老員工離職後，大量實戰經驗隨之流失。新人入職後需要數月甚至數年才能獨立上手。大模型可以作為"永不離職的安全專家"：​

​



| 應用場景 | 傳統方式 | AI賦能方式 |
| --- | --- | --- |
| 新人培訓 | 老員工帶教，週期長 | AI模擬攻防場景，互動式學習 |
| 知識查詢 | 翻文件、問同事 | 自然語言提問，秒級回答 |
| 經驗沉澱 | 散落在個人筆記中 | 自動歸納、結構化儲存、可檢索 |
| 攻防演練 | 人工設計靶場 | AI自動生成攻防場景 |



​

​

​

四、職業發展：安全從業者的AI能力矩陣​

4.1 不同安全崗位需要掌握的AI技能層級​

並非所有安全崗位都需要成為AI專家。根據崗位特點，AI技能可以分為三個層級：​

​



| 技能層級 | 適用崗位 | 需要掌握的能力 | 學習投入 |
| --- | --- | --- | --- |
| L1：AI使用者 | SOC分析師、安全運維、滲透測試 | 會用AI工具輔助日常工作（告警分析、報告生成、指令碼編寫） | 1-2周 |
| L2：AI整合者 | 安全工程師、安全架構師 | 能呼叫大模型API開發安全工具，理解RAG、Agent等概念 | 1-3個月 |
| L3：AI開發者 | AI安全研究員、安全產品經理 | 能訓練微調模型、設計AI安全系統架構、評估模型安全風險 | 3-6個月 |



​

關鍵認知： 大多數安全從業者只需達到L1-L2級別。你不需要從零訓練一個大模型，但你需要知道如何正確地使用和整合AI能力。就像你不需要會造汽車，但你需要會開車。​

4.2 AI時代安全人才的核心競爭力重構​

在AI時代，安全人才的競爭力公式正在發生變化：​

舊公式： 競爭力 = 技術深度 × 實戰經驗​

新公式： 競爭力 = 技術深度 × 實戰經驗 × AI槓桿率​

"AI槓桿率"指的是你利用AI放大自身能力的效率。同樣一個安全工程師，會用AI的人可以10倍效率完成程式碼審計、告警分析、報告撰寫等工作。不會用AI的人，效率停留在原地。​

ISC2 2025年的調研資料佐證了這一趨勢：90%的安全團隊存在技能缺口，其中AI/ML安全方向的缺口最為嚴重，薪資溢價達30%-40%。​

4.3 從"安全工程師"到"AI安全工程師"的轉型路徑​

對於有安全基礎的從業者，推薦以下轉型路徑：​

​

Unable to print

![Feishu Docs - Image](images/img_1.png)

​

​

經驗心得： 轉型過程中最大的坑是"貪多求全"。很多人一開始就去啃機器學習的數學公式，結果學了兩個月還沒用上。正確的方式是"用中學"——先用AI解決一個實際的安全問題，再圍繞這個問題去補理論知識。 本知識庫的設計正是遵循這一原則：先動手，再理解。​

​

​

五、學習路線：本知識庫的整體結構與學習建議​

5.1 知識庫四大模組總覽​

本知識庫圍繞"安全+AI"的交叉領域，構建了從基礎到實戰的完整學習體系：​

​

Code block​

Plain Text

┌─────────────────────────────────────────────────────┐​

│ 安全+AI 知識庫整體架構 │​

├─────────────────────────────────────────────────────┤​

│ │​

│ 模組一：AI基礎（1.x） │​

​

模組一為你打下AI基礎，讓你理解大模型的核心概念和工作原理；模組二帶你動手部署和呼叫模型；模組三聚焦應用開發，教你如何用LangChain、Agent、RAG等技術構建安全工具；模組四掌握AI賦能傳統網路安全能力，模組五深入安全攻防，分析AI系統自身的安全風險。​

5.2 不同基礎讀者的推薦學習路徑​

路徑A：安全老手，AI零基礎（推薦大多數人）​

​

Code block​

Plain Text

1.1 → 1.2 → 1.3 → 2.3 → 3.1 → 3.3 → 3.5 → 5.x​

（跳過1.4-1.6，直接從API整合入手，快速上手）​

​

路徑B：有程式設計基礎，安全和AI都是新手​

​

Code block​

Plain Text

1.1 → 1.2 → 1.3 → 1.4 → 1.5 → 2.1 → 2.3 → 3.1 → 3.5​

（按順序學習，打好基礎）​

​

路徑C：已有AI基礎，想專攻安全方向​

​

Code block​

Plain Text

快速瀏覽1.x → 2.2 → 3.3 → 3.5 → 3.6 → 3.7 → 5.x​

（重點在模組三和模組四，聚焦AI系統的安全攻防）​

​

5.3 學習方法與常見誤區​

誤區一："我數學不好，學不了AI"。 現階段使用大模型不需要懂數學公式。你需要理解的是概念和應用，而非底層演算法推導。就像開車不需要懂發動機原理。​

誤區二："學AI就得從機器學習開始"。 對於安全從業者，最高效的學習路徑是從提示詞工程和API呼叫開始。先會用，再理解為什麼。​

誤區三："AI會取代安全工程師"。 恰恰相反，AI會讓安全工程師更值錢。就像電子表格沒有取代會計師，而是讓會計師能處理更復雜的財務工作。AI取代的是重複勞動，放大的是專業判斷力。​

最佳實踐：​

1）每學一個概念，立刻用安全場景驗證。 比如學完RAG，嘗試構建一個安全知識問答系統。​

2）加入社群，關注前沿。 AI×安全領域變化極快，保持資訊敏感度比囤積知識更重要。​

3）建立自己的"AI安全工具箱"。 把學習過程中積累的指令碼、Prompt模板、API呼叫程式碼整理成個人工具庫。​

4）不要追求完美，追求可用。 一個能跑起來的80分工具，遠比一個永遠在設計中的100分方案有價值。​

​

​

總結​

回顧全文，我們從三個維度回答了"為什麼網路安全行業要學習AI大模型"：​

從攻擊側看，AI正在武裝駭客。深度偽造、智慧釣魚、自動化漏洞利用已從理論變為現實，攻擊門檻被降至歷史最低。IBM資料顯示AI驅動攻擊激增44%，CrowdStrike報告AI賦能攻擊同比增長89%。不學AI，你連攻擊者的武器都看不懂。​

從防守側看，AI正在賦能安全從業者。智慧告警降噪可消除90%以上噪聲，自動化響應將處置時間從天級壓縮到分鐘級。AI不是取代安全工程師，而是讓一個人發揮十個人的戰鬥力。​

從職業發展看，AI能力正在成為安全人才的"新標配"。ISC2資料顯示90%的安全團隊存在AI技能缺口，AI安全方向薪資溢價30%-40%。掌握AI不是錦上添花，而是職業生存的必要條件。​

2026年，網路安全行業的"iPhone時刻"已經到來。正如奇安信齊向東所言：AI革命對網安產業是重大利好，面前擺著的是千億級增量空間。問題是：你準備好了嗎？​

本知識庫將從AI基礎概念出發，帶你一步步掌握模型部署、應用開發、安全攻防的全鏈路能力。接下來，讓我們從第一章《人工智慧發展歷程與社會影響》開始，踏上這段學習之旅。​

​

​

作者：無涯​

​