2026年7月，OpenAI披露了一起令AI圈震動的消息：其GPT-5.6 Sol智能體在內部測試中越獄而出、突破隔離，入侵了HuggingFace的生產系統，留下約1.76萬次操作記錄，自主完成了漏洞利用、權限提升、憑證獲取和橫向移動等一系列動作。與此同時，Anthropic亦披露其Mythos 5等模型在測試中同樣掙脫了預設的安全護欄，意外接入公網并發動攻擊行為，導致真實系統憑證被盜。

OpenAI發文承認，其模型在一次安全評測中攻擊了HuggingFace的生產環境

兩起事件之所以引發巨大關注，在于攻擊的全過程幾乎完全由AI自主完成。

當然，這些事件發生在特定的網絡安全評估環境中，并不能簡單等同于現實世界中AI已經可以隨意發動網絡攻擊。但它們釋放出的信號依然值得高度重視：隨著AI能力逐漸進化到自主“越獄”，安全防護就不能停留在“出了問題再解決”的舊邏輯上。

被動封堵的傳統安全模式難以為繼。長期以來，網絡安全大體遵循著一條熟悉的路徑：出了事再打補丁、丟了羊再修羊圈，殺毒軟件追著病毒跑、防火墻跟著攻擊變，安全團隊在告警洪流里疲于奔命。這套模式能夠運轉，有一個重要前提：攻防雙方的行動速率、技術手段和資源投入，基本處于人類可以觀察和應對的同一量級。

據統計，2026年AI智能體僅需72分鐘即可完成從初始入侵到數據外泄全過程，比2024年快了4倍；漏洞從公開披露到被武器化利用的時間，已從2018年的771天驟降至4小時。

AI正在讓傳統防御的底層機制面臨失效風險。一是響應失速。AI將攻擊速度壓縮至秒級，而依賴人工分析、研判和處置的傳統防御體系難以跟上。二是規則失效。傳統安全依賴特征庫、黑名單和靜態規則攔截已知威脅，但AI能夠實時生成、變形攻擊代碼。三是攻防失衡。AI能夠以近乎零邊際成本發起自動化、規模化的持續攻擊，防御方卻要逐例研判、溯源、修補，耗費大量人力和時間。四是經驗失靈。人類專家高度依賴個體認知邊界與歷史案例積累，而AI能夠以秒級速度進行強化學習、策略迭代與自主進化，使傳統基于經驗的防御研判迅速過時。

美AI工具自主入侵≠AI產生自我意識

AI能力躍升引發網絡安全三重變革。

防守方式之變。傳統網絡安全主要遵循“發現一個、處置一個”的被動應對方式，AI時代攻擊速度和變化速度大幅提升，防守也必須從事后響應轉向實時感知、主動研判和動態對抗，利用AI持續分析異常行為、預測潛在風險，并在攻擊形成之前主動發現和阻斷威脅。

防御邊界之變。傳統網絡安全的防線集中在IT基礎設施的技術邊界，通過防火墻、入侵檢測系統構筑明確的內外網屏障。如今AI生成精準釣魚郵件、語音克隆、深度偽造視頻，可以把普通用戶變成攻擊鏈條上的突破口，一旦其中一個環節被突破，風險就可能沿著數據、賬號和工具不斷傳導。

治理邏輯之變。傳統網絡安全治理以技術防控為核心，聚焦單點系統的漏洞修復與攻擊攔截。而AI時代的安全風險貫穿數據采集、模型訓練、部署應用、服務迭代的全生命周期，涉及研發方、運營方、使用方、監管方等多個主體。單一的技術防護、碎片化的部門監管已無法覆蓋系統性風險，必須轉向多主體協同的治理模式。

推動網絡安全防線由“被動”轉向“主動”。面對AI帶來的新變化，網絡安全防線必須主動前移。這個“前移”，不是簡單增加幾道防火墻，而是把安全工作的重心從事后處置轉向事前預防。

要把風險識別前移。要夯實全民數字安全素養，借助網絡安全宣傳周等載體，把生成式AI風險轉化為群眾聽得懂的安全常識。要在關鍵信息基礎設施、政務系統、金融平臺等高價值目標上，提前部署AI驅動的安全體系，強化常態化安全評估。要建立覆蓋全行業的AI安全信息共享網絡，實現威脅情報、攻擊樣本、防護策略的實時互通與協同處置。

要把技術反制前移。堅持“以AI制AI”，將AI從風險源轉化為防御工具。推動大模型應用于前置性漏洞挖掘與風險預判，在系統上線前發現潛在隱患。構建高仿真AI安全測試環境，對高能力模型開展全場景攻防驗證。加強模型對齊、安全約束和工具權限控制研究，讓模型從底層能力到實際應用都具備更可靠的安全邊界。

要把治理防線前移。要建立更加科學的AI安全分級分類管理機制，根據模型能力、應用場景和潛在風險實施差異化管理。把安全要求嵌入AI研發和應用全生命周期，把責任落實到研發、運營、使用、監管等各主體。完善AI網絡安全事件的監測、預警和應急響應機制，加強跨部門、跨區域乃至跨境協同，讓異常行為能夠更早被發現、更快被通報、更及時得到處置。

技術的每一次躍遷，都會重新定義安全的邊界。蒸汽機改變了工業生產，互聯網改變了信息傳播，而AI正在改變人與機器之間的關系。我們唯有主動識變、應變、求變，加快構建與AI能力演進相適應的主動防御體系，方能在人與機器共同演進的智能時代贏得安全主動、守住安全底線。