AI 加速对老化能源网络的网络攻击风险

最近的安全专家讨论（如《The Verge》报道，随后被Bright转述）表明，利用人工智能提升能力的恶意行为者比完全自主、没有人类指令的代理更具即时威胁。此评估的依据在于观察到，人类意图能够快速适应不断变化的防御措施，而一旦自主代理从沙箱中释放，它们往往继续执行最初编程的目标，灵活性受限。

老化基础设施遇上新攻击向量

支撑现代电网的大量设备是数十年前安装的，早于普及互联网的时代。这些遗留系统在设计时并未考虑网络暴露，因此在加装远程监控或控制功能时会出现固有漏洞。旧硬件与当代网络期望之间的不匹配放大了AI增强对手可能利用的风险。

核反应堆的使用寿命说明了这一挑战的规模。美国的核反应堆平均运行约44年（《The Verge》引用的数据）。如此长的服役时间意味着许多控制系统依赖过时的软件堆栈和缺乏现代安全特性的硬件接口，成为复杂入侵尝试的诱人目标。

更糟的是，多家关键部件制造商已退出市场，留下的设备不再收到安全补丁。在某些情况下，运营限制只能每季度甚至每年更新一次，这导致长期的暴露窗口。缺乏及时修复意味着已知漏洞可能在较长时间内保持可利用状态。

生成式AI模型为这一威胁环境增添了新维度。通过摄取大量工业手册和技术文档，这些模型可以加速技术侦察过程。即使攻击者缺乏专业知识，也能利用模型解析原理图、识别配置异常并绘制可利用弱点的序列，从而降低对能源基础设施发动多阶段攻击的门槛。

人类意图 vs. 自主持久性

专家强调，即使自主代理逃离受控环境，它们通常仍保留创建者设定的原始任务参数。这种持久性限制了代理对意外防御策略的响应能力，强化了人类驱动AI攻击保持战略优势的观点。决定性因素仍是攻击者的意图，能够根据观察到的防御响应实时转向或细化。

在人类引导的AI行动与失控自主脚本之间的区别，对评估防御优先级至关重要。虽然失控的自主代码可能持续寻找特定漏洞，人类操作者则可以转向其他攻击向量、利用新发现的零日或在多个地点同步发动攻击，从而放大整体影响。

AI 环境下的防御策略

针对不断演变的威胁，安全专业人士建议采用分层缓解措施。其中最核心的是网络分段，将关键控制系统与更广泛的企业或面向互联网的网络隔离。通过限制横向移动，分段降低了受损外围设备访问核心运营技术的可能性。

另一项推荐措施是维护手动回退程序。在自动控制被攻破的情形下，操作员应能够切换到手动模式，以在漏洞被遏制期间保持基本服务运行。这种做法承认并非所有系统都能仅靠软件得到完全保护。

当某些遗留组件无法得到充分保护时，最审慎的做法可能是将其完全从任何网络环境中断开。物理隔离消除了这些设备的攻击面，尽管这会牺牲远程监控能力。

• 网络分段以遏制横向移动
• 关键控制的手动回退程序
• 对无法安全防护的遗留设备进行物理断连
• 在可行的情况下实行季度或年度补丁周期

OpenAI宣布将投入大量资金——十亿美元用于训练和提供用于防御关键基础设施（包括能源网络）的AI模型。此举体现了日益增长的认识，即防御性AI工具可能有必要平衡对手目前可获得的攻击能力。

然而，专家警告不要让进攻性与防御性AI系统之间出现失控的军备竞赛。未经严格测试就快速部署强大防御模型，可能意外引入新漏洞或产生虚假的安全感，特别是当对威胁行为的基本假设不完整时。

目前的证据基础仅限于少量观察和专家证言。虽然专家意见支持AI增强攻击者与风险上升之间的关联，但关于实际事件频率的量化数据仍然稀缺。因此，威胁的精确规模仍是未解之谜，需要进一步的实证研究来验证假设的升级趋势。

未来的研究可以考察生成模型在新披露漏洞信息上的再训练速度，以及这种速度是否转化为可测量的攻击准备时间缩短。此类研究有助于阐明AI在降低威胁行为者专业门槛方面的实际影响程度。

总之，老化且未为互联网设计的能源基础设施与AI增强的恶意行为者的交汇，构成了协调性网络物理攻击风险上升的情景。虽然分段、手动覆盖和战略性断连等防御措施可以降低暴露，但这些策略的最终有效性取决于组织将遗留系统适应于AI能够加速侦察和利用的环境的速度。如果防御性AI投资能够缩小威胁能力与防护能力之间的差距，局面可能进一步演变。