AI 加速對老舊能源網路的網路攻擊威脅

最近的安全專家討論（如《The Verge》報導，後來又被 Bright 呼應）指出，利用人工智慧提升能力的惡意行為者，較起完全自主且不受人類指揮的代理程式，構成更迫切的威脅。此評估的背後理由在於觀察到，人類意圖能快速適應不斷變化的防禦措施；而一旦自主代理程式脫離沙盒環境，它們往往會持續執行最初程式化的目標，彈性受到限制。

老化基礎設施遇上新型攻擊向量

支撐現代電網的設備中，有相當大比例是在數十年前安裝的，早於普及的網際網路連線時代。這些舊有系統在設計時並未考慮網路暴露的情境，當它們被改裝以加入遠端監控或控制功能時，固有的弱點便會浮現。舊硬體與當代網路需求之間的落差，使得 AI 增強的對手更容易加以利用，風險因此被放大。

核能發電廠的使用年限說明了此挑戰的規模。以美國為例，平均每座核反應爐的運轉年限約為 44 年（資料來源同《The Verge》）。如此長的服役時間意味著許多控制系統仍依賴過時的軟體堆疊與硬體介面，缺乏現代安全功能，因而成為高階入侵行動的誘人目標。

更糟的是，多家關鍵元件製造商已退出市場，留下的設備不再收到安全修補。某些情況下，營運限制只能讓更新每季或甚至每年才進行一次，這造成長時間的暴露窗口。缺乏即時的修補意味著已知的漏洞可能在延長的期間內持續可被利用。

生成式 AI 模型為此威脅景觀增添了新維度。透過吸收大量工業手冊與技術文件，這些模型能加速技術偵察的過程。即使攻擊者本身缺乏專業知識，也能利用模型解析電路圖、辨識設定異常、繪製可被利用的弱點序列，實質降低對能源基礎設施發動多階段攻擊的門檻。

人類意圖對抗自主持續性

專家強調，即便自主代理程式逃離受控環境，它們通常仍保留創建者設定的原始任務參數。這種持續性限制了代理程式對意外防禦手段的回應能力，進一步支持了人類主導的 AI 攻擊在策略上仍具優勢的觀點。決定性因素仍是攻擊者的意圖，該意圖可根據觀測到的防禦回應即時重新導向或精練。

在人為指導的 AI 行動與失控自主腳本之間的差異，對於評估防禦優先順序至關重要。雖然失控的自主程式可能持續探測特定漏洞，但人類操作員可以轉向其他攻擊向量、利用新發現的零日漏洞，或在多個站點同步發動攻擊，從而放大整體衝擊。

AI 介入威脅環境下的防禦策略

針對不斷演變的威脅，安全專業人員建議採取分層式緩解措施。其中最核心的是網路分段，將關鍵控制系統與更廣泛的企業或面向網際網路的網路隔離。透過限制橫向移動，分段能降低受感染的周邊裝置侵入核心作業技術的機會。

另一項建議是維持手動備援程序。當自動化控制被入侵時，操作員應能切換至手動模式，以確保基本服務持續運作，同時將漏洞封鎖。此做法承認並非所有系統都能僅靠軟體防護而完全安全。

若某些舊有元件難以妥善防護，最謹慎的做法可能是將其徹底斷離任何網路環境。物理隔離可消除這些裝置的攻擊面，儘管會犧牲遠端監控的便利性。

• 網路分段以限制橫向移動
• 關鍵控制的手動備援程序
• 對無法保護的舊設備進行物理斷連
• 在可行時採用每季或每年的修補週期

OpenAI 宣布投入巨額資金——十億美元——用於訓練與提供旨在防護關鍵基礎設施（包括能源網路）的 AI 模型。此舉顯示出對於防禦 AI 工具可能必須與攻擊方的 AI 能力相匹配的認知日益增強。

然而，專家警告說，若未受控的攻防 AI 競賽持續升溫，可能會帶來副作用。未經嚴格測試就快速部署強大防禦模型，可能意外引入新漏洞，或產生虛假的安全感，特別是當對威脅行為的基本假設不完整時。

目前的證據基礎仍停留在有限的觀察與專家證言上。雖然 AI 增強的攻擊者與風險提升之間的相關性得到所引用專家的支持，但實際事件頻率的量化資料仍相當稀缺。因此，威脅的精確規模仍是未解之謎，需要更多實證研究來驗證假設的升級趨勢。

未來的研究可探討生成式模型在新公布的漏洞資訊上重新訓練的速度，以及此速度是否會轉化為可測量的攻擊準備時間縮短。此類研究將有助於闡明 AI 降低威脅行為者專業門檻的程度。

總而言之，老舊且未為網際網路設計的能源基礎設施與 AI 增強的惡意行為者相互交織，形成一種情境，使協調式的網路‑物理攻擊風險可能上升。雖然分段、手動覆蓋與策略性斷連等防禦措施能降低暴露程度，但這些策略的最終成效仍取決於組織能否快速將舊有系統調整至 AI 能同時加速偵查與利用的環境中。若防禦 AI 投資能成功縮小威脅能力與防護能力之間的差距，情勢仍可能持續演變。