根據國際刑警組織（INTERPOL）發布的《2026年非洲網路威脅評估報告》，人工智慧（AI）正在助長非洲全境 55% 的通報網路犯罪，使得攻擊速度更快、規模更易擴張，自 2024 年以來相關損失從 1.92 億美元暴增至 4.84 億美元，主要是由 AI 輔助的詐騙、憑證竊取（credential harvesting）以及自動化社交工程攻擊所驅動。

AI 已經被證明可以大幅加強攻擊者的能力，但更讓人擔心的是在 AI 開發的浪潮下，軟體漏洞也在以前所未有的速度出現。甚至攻擊者在 Hugging Face 等平台上傳含惡意程式碼的模型（利用傳統 .pickle 格式的序列化漏洞），開發者載入模型即遭入侵

以我的開發經驗，AI 在開發軟體單一功能時會注意基本的安全性，但如果是開發複雜跨多模組的功能，或是在已有的 code base 上進行更新，就常常會漏掉安全考量

因此我認為對電腦科學的理解變得比之前重要太多，當越理解伺服器 => 網路 => 瀏覽器 => 作業系統 => 組合語言 => Binary Code => 電腦硬體每一層的架構與需要注意的地方，那麼就越能在撰寫規格與 code review 時防堵可能的攻擊

也許我們正在經歷資安領域的範式轉移，過去的防護靠工程師寫好 Code，資安團隊在外面「蓋圍牆」（防火牆、WAF）。而未來在承認「AI 產生的 Code 隨時可能包含漏洞」的前提下，防線將下沈到作業系統（OS）、CPU 硬體、語意沙盒以及動態 Kernel 攔截(註)，並結合開發者對資安底層（CS Fundamentals）的嚴格 Code Review 與規格定義

對於我們工程師來說，現在真的是最壞也最好的時代啊 🥹

註：

Kernel 層級的即時監控（eBPF 技術）

eBPF 在不修改應用程式碼的前提下，於 kernel 層觀測 syscall、網路與程序行為。當 AI 產出的程式碼存在漏洞而遭利用時，攻擊者的後續動作（異常提權、非預期外連、可疑程序啟動）會被即時偵測；搭配 BPF LSM 可在部分情境下直接阻斷。這是縱深防禦的最後一層，不取代 SAST、依賴掃描與 code review