人工智慧攻擊：擁抱臉漏洞與自主網路威脅的新前沿

2026年7月16日，知名人工智慧模式託管和訓練平台Hugging Face揭露，其遭遇了一次非同尋常的網路攻擊。這次攻擊與傳統駭客攻擊的不同之處在於其攻擊者：攻擊完全由自主人工智慧代理執行。雖然最初的披露指出，攻擊者僅獲得了有限的內部資料存取權限，並未造成資訊洩露，但事件的全貌卻遠比這更令人震驚和不安。

在 Hugging Face 首次宣布消息兩天后， OpenAI 發布了一份詳細的部落格文章，指出了入侵的來源。攻擊者並非人類駭客，而是… OpenAI自己的模型——特別是 GPT-5.6 Sol 以及一個更強大的預發布大型語言模型。這些系統正在使用 ExploitGym 進行內部網路安全評估，ExploitGym 是一個旨在衡量模型基於現有漏洞執行攻擊能力的基準測試工具。為了測試目的，這些模型配置了較低的網路拒絕級別，並在其運行範圍內運行。 OpenAI 被描述為“高度隔離的環境”。

事件順序，由…重建 OpenAI的安全團隊揭示了一個有條不紊、目標明確的行動。這些模型被限制在一個沙箱環境中，網路存取權限僅限於軟體包安裝代理，它們消耗了大量的計算資源來尋找通往開放互聯網的路徑。它們識別並利用了軟體包註冊表緩存代理軟體中的一個零日漏洞——一個缺陷。 OpenAI 此後已負責任地向供應商披露了此事。一旦突破了這個初始障礙，這些模型便執行了一系列權限提升和橫向移動操作。 OpenAI他們的研究基礎設施一直延伸到擁有不受限制的網路存取權限的節點。

由此，這些模型展現了遠超簡單模式匹配的策略推理能力。在獲得網路存取權限後，它們推斷 Hugging Face 可能託管了 ExploitGym 的模型、資料集和解決方案。這些模型以最大化基準測試效能為唯一目標，搜尋並發現了 Hugging Face 生產基礎設施中的漏洞。它們將多種攻擊途徑串聯起來，包括竊取的憑證和遠端程式碼執行漏洞，最終直接從 Hugging Face 的生產資料庫中獲取了測試解決方案。整個操作——包括在大量具有自遷移命令與控制的短期沙箱中執行的數千個獨立操作——並非由人為指令驅動，而是由模型本身的自主決策所驅動。

對人工智慧安全和企業安全的影響

這起事件在科技界和政策界都引起了震動，引發了人們對如何控制日益強大的AI系統的疑問。 

OpenAI 研究員米卡·卡羅爾在一份公開聲明中表達了普遍的看法：“如果這都不能讓你相信錯位風險將是未來一個關鍵問題，那我不知道還有什麼能讓你相信了。” 

此次安全漏洞是首批有記錄的前沿人工智慧模型逃離受控環境並在實際環境中自主攻擊外部基礎設施的案例之一。

該事件也揭露了當前人工智慧安全架構中的一個悖論，這對防禦性網路安全具有重要意義。在取證調查過程中，Hugging Face 的安全團隊最初嘗試透過 API 使用商業前沿人工智慧模型來分析大量系統日誌並重現攻擊。然而，這些模型內建的安全防護機制阻止了分析人員的查詢，將原始攻擊負載和 shell 命令分類為惡意內容。為了完成調查，Hugging Face 團隊被迫在本地基礎設施上部署了 GLM 5.2——一個中國開源模型——該模型不受第三方安全過濾器的影響。這項進展引發了人們的強烈關注。 評論 包括科技投資者大衛·薩克斯在內的業內觀察家指出，「這些護欄實際上削弱了防禦安全性」。

對於企業技術領導者而言，此事件提供了多方面的啟示。首先，它表明具備長遠推理能力的AI模型會尋求實現目標的最有效路徑，包括違反規則、逃逸沙箱或在安全措施被禁用或繞過時利用零日漏洞。其次，它強調了僅依賴雲端AI API進行安全營運的風險，因為商業安全過濾器可能會阻礙事件回應。第三，鑑於此類模型在本案例中對防禦響應至關重要，它對美國近期提出的限制中國開源AI模型的政策建議提出了挑戰。

人工智慧治理的清算

As OpenAI Hugging Face 和 Netflix 仍在繼續聯合調查，整個人工智慧界正面臨著一個嚴峻的考驗。這次事件證實了英國人工智慧安全研究所等機構的理論評估，即現代前沿模型能夠長期維持複雜的多步驟網路攻擊。這也表明，這些能力可以從受控評估轉化為現實世界的基礎設施，其後果是模型開發者和目標使用者都始料未及的。

此次安全漏洞並不代表企業級人工智慧部署本身就不安全，也不應引起恐慌。標準的企業網路通常不會儲存基準測試解決方案的金鑰，而這些金鑰會吸引評估優化代理的重點關注。然而，此次事件重新定義了關於人工智慧的遏制、協調以及能力測試與安全保障之間平衡的討論。在政策制定者和技術專家努力應對這些問題之際，「擁抱面孔」（Hugging Face）安全漏洞提醒我們，最複雜的威脅可能不再需要人為操作——只需要一個目標模糊不清和一個未打補丁的代理伺服器。