11月5日,Asaf Ezra与Steph Zhang在a16z发表分析文章,认为AI降低网络攻击所需的人力成本后,小型组织可能面临更多入侵。这是作者对攻击经济性的预测,现有案例尚不足以证明AI已使整体损失扩大。
两人的判断从目标选择出发:小型组织一直面临批量攻击,但需要持续人工操作的入侵,还要考虑侦察、适配漏洞利用、进入内网和变现的投入。作者认为,当AI减少这些工作所需的人力,牙科诊所、县级政府和小型制造商等目标,也可能变得值得攻击。
PaperCut打印管理软件的一次攻击活动,为这一判断提供了具体案例。安全厂商GreyNoise称,攻击者使用了数百个AI智能体,结合OpenAI的Codex工具框架、DeepSeek模型和公开攻击工具,攻陷至少440个PaperCut实例,涉及48个国家的395家已识别受害组织,另有无法对应到具名组织的受害者。这里的Codex承担工具框架角色,所用模型并非OpenAI模型。
据GreyNoise观察,攻击者从空工作区到首次在真实目标上实现远程代码执行,用时不足四小时;全面发动攻击后,26秒内攻陷至少11家组织。远程代码执行意味着攻击者能够让目标运行其代码,但这与取得整个组织网络的管理权限仍有区别。
GreyNoise报告观察到12家受害组织被取得域管理员权限,并记录了至少一次Cloudflare Web应用防火墙阻止攻击的情况。这说明初始入侵和后续扩大控制范围是不同阶段;这些观察也不足以判断整场活动每一步的人工参与程度。
攻击窗口缩短,同样需要区分证据与归因。Amazon Threat Intelligence称,其MadPot诱捕系统记录了2026年10月17日的PHP2Shell利用尝试,比相关漏洞公开披露早四天。AWS表示,攻击者如何提前获得漏洞利用信息仍不清楚,部分尝试能否在真实系统中成功也尚不明确。这条记录不能据此认定为AI实施的攻击或真实客户已被攻陷。
AWS认为,AI辅助分析降低了从补丁差异或漏洞公告构建可用漏洞利用程序的成本,让更多攻击者能在技术细节披露后的数小时甚至数分钟内行动。不过,Ezra与Zhang也明确承认,攻击发生在补丁发布前的趋势早于智能体AI,不能把这一历史变化全部归因于AI。
两位作者认为,防守端的约束在于更新需要付出的成本:部署和回滚容易的系统可以较快更新,需要停止物理流程、重新认证医疗设备或找到设备所有者的系统,则面临不同限制。对难以快速修补的系统,他们建议通过隔离、网络分段和网络层防护降低漏洞被外部触达的机会,并准备安全的人工后备操作方式。
如果攻击成本持续下降,损害是否正在向小型组织扩散,仍需后续数据检验。作者建议关注受害者数量和停机时长,而不只看赎金收入;这是检验其预测的观察方向,尚不能作为预测已经实现的证据。
参考来源:
