大模型正在血洗安全圈，行业分水岭来了，一张图说明白！

最近安全圈，都被A社的Mythos和Fable这两个怪兽刷屏了吧？

有人说，大模型正在“血洗”安全圈，也有人说，没那么夸张。

但有一点很明显，以大模型为代表的新一代AI产品已经进入安全行业，围绕AI与安全，行业关注的其实是两类问题——

第一类：怎么用AI做安全

比如告警分析、风险识别、威胁狩猎、事件研判、自动处置……我们把它称作“人工智能赋能安全”（A面），即AI for Security。

第二类：AI自身怎么保证安全

比如模型投毒、提示注入、训练数据泄露、模型滥用……我们把它称作“人工智能的安全”（B面），即Security of AI。

A面和B面同等重要，本文先讨论第一类，也就是AI for Security。

AI赋能安全远不是“部署一个大模型，安全能力就自动升级”那么简单。

它涉及业务问题的精准识别、高质量数据的构建、多层算法的协同设计、成熟度的持续评估、与现有安全流程的工程集成，以及长期的运营迭代。

所以，AI for Security更像一项持续建设的系统工程，而不是一次性上线一个产品。

很多安全团队现在遇到的困难，往往是不知道先做什么，不知道做到什么程度算成功，也不知道项目为什么会跑偏。

这些不知道正是最大的障碍，任何新事物的落地，都要经历“认知→方法→工具→实践”的层层递进。

第一步，永远是认知的达成。

在此背景下，中国信息协会信息安全专业委员会PCSA安全研究院/联盟，联合成员单位、行业用户和产业各方，开展了《数字时代：AI for Security 系统工程认知罗盘图》的研究工作，历时一年有余。

这是一张帮助团队对齐认知、看清全貌、找到路径的研究成果，旨在为数安产业、行业用户和从业者提供一个AI赋能安全工作的参考指引。

先认知，再共识，后工程，这张罗盘图，可能就是我们拥抱AI的起点。

PART 01、为什么安全行业需要AI

早期的网络安全本质上是人与人的对抗，但现在攻击侧已经开始大量使用 AI。

钓鱼邮件可以批量生成，恶意代码可以自动变形，漏洞挖掘可以更高频，攻击者也可以借助 AI 绕过检测规则。

相比之下，很多防守系统仍然依赖规则、告警和人工研判。攻击效率在提高，防守效率却很难同步跟上，这让安全团队的压力越来越大。

安全业界逐渐认识到，单纯增加安全产品堆砌无法弥补这一悬殊差距。必须转向以AI对抗AI的新范式，将人工智能全面嵌入防御体系，实现分析、识别、预警、狩猎、调查、防御的智能化升级。

PART 02、AI赋能安全七大挑战

AI能不能发挥作用，涉及业务问题定义、数据治理、算法协同、系统集成、运营成熟度等多个复杂维度，是一个不折不扣的系统工程，主要面临七大挑战。

挑战一，攻防起点严重不对等。

攻击者已经开始用AI扩大攻击规模（自动生成免杀木马、智能钓鱼话术、动态绕过WAF规则、批量漏洞挖掘与利用），防守侧很多系统还停留在规则匹配和人工分析阶段。

防守侧的响应速度、覆盖广度、分析深度都被拉开。

核心难点：缺少量化评估模型来度量“落后多少”；也缺少明确路径从“人防”跨越到“以AI对抗AI”。

挑战二，安全业务问题识别不清。

安全团队的痛点很多，包括告警太多、误报太多、未知威胁发现慢、处置依赖人工、APT和离地攻击难识别。

核心难点：企业往往不知道应从哪一类痛点优先切入，导致需求发散、技术选型失败。

挑战三，工程化思维缺失。

很多组织习惯买设备、堆平台，EDR、NDR、防火墙、SOAR 都有了，再加一个 AI 模块。

AI 要起作用，需要数据、算法、算力、集成、运营五大子系统协同。

核心难点：缺乏系统工程方法论，不会拆解能力域、不会定义接口、不会设计回环迭代，最终形成新的“AI烟囱”。

挑战四，数据底座不牢靠。

企业拥有PB级日志、流量、告警数据，但AI需要的是场景驱动、高质量、带标签、可迭代的数据集。

现实是：数据分散（多云/本地/不同格式）、严重脏污（缺失字段、时间戳错乱）、缺乏威胁真相标注（哪些是真的攻击？）。

核心难点：不知道如何构建用于AI的安全数据集，抽样策略、标签来源、正负样本平衡、持续更新机制均缺失。

挑战五，模型与工程脱节。

模型在测试集上准确率很高，不代表上线后好用。生产环境还要考虑延迟、成本、误报、漏报、解释性和稳定性。

核心难点：三个关键点（模型设计→ 评估验证 → 工程化落地）无法形成闭环，项目极易烂尾。

挑战六，运营配套缺失。

很多 AI 安全项目上线后就进入无人维护状态，告警没人复核，误报没人回标，新攻击样本没有进入训练数据，模型漂移也没人处理。

流程配套、人员配套、迭代机制全部跟不上。

核心难点：从“建成系统”到“持续运转”之间的软性成本被严重低估，导致投入产出极低。

挑战七，团队共识无法拉齐。

管理层可能认为买个平台就能解决问题，业务部门担心数据外泄，不愿开放样本，安全团队觉得模型不准，开发团队觉得需求一直变。

核心难点：缺少一个共享的认知框架，从目标、路径、成功标准到风险预期都不统一，导致资源无法聚焦、协同失败。

PART 03、研究成果-认知罗盘解读

《数字时代：AI for Security 系统工程认知罗盘图》核心思想可总结为“1+6+N+10+5”，即：

1个目标定方向，6个象限建能力，N个要素拆细节，10大场景落价值，5步演进看路径。

这个框架的重点，是帮助团队建立共同语言。

管理层、安全团队、数据团队、开发团队和业务部门，都可以用同一张图讨论：现在的问题是什么，优先做哪个场景，需要哪些数据，模型如何验证，怎么进入流程，效果如何评估，后续谁来维护。

一、1个总体目标：提效、提智、可控、可量

AI for Security 总体目标：提效、提智、可控、可量。

提效：突破“人力不及”。

面对日均数百万安全威胁与告警，安全事件堰塞湖与安全分析师严重不足的矛盾长期存在。通过应用AI能力实现自动化降噪、告警聚类、自动封禁与取证，将MTTD/MTTR从小时级压缩至分钟甚至秒级。

提智：突破“智力瓶颈”。

未知行为、威胁、APT、多阶段攻击链、跨源关联分析等场景，传统规则和人工专家难以覆盖。通过应用AI能力以深度学习挖掘隐蔽特征、大模型理解攻击意图、图神经网络识别异常行为，突破人类认知天花板。

可控：确保风险可控。

确保AI运行过程可控，识别并防范AI可能带来的误判、黑盒不可解释、被对抗攻击欺骗等风险。通过可解释性机制（如SHAP值、注意力热图）、人机协同兜底、模型鲁棒性测试、审计日志全记录，让AI安全可靠。

可量：实现价值可量。

AI安全投入普遍较大，若无法证明ROI则不可持续。建立从成本到成效的全链路度量体系，涵盖模型推理成本/次、数据标注成本/有效样本、安全成效提升幅度。

二、6个关键象限：能力建设全生命周期

六个象限是一条从业务到价值的工程路径：象限1把“提效、提智”转化为具体场景和量化目标，象限2为场景准备高质量数据，象限3打造多层协同的智力引擎，象限4持续体检确保可控与可量，象限5让模型融入生产流程产生提效价值，象限6驱动数据飞轮并用度量证明ROI。

业务定义不清则数据错位，数据质量差则模型无用，模型未验证就落地则可控可量皆为空谈，落地后不运营则前期投入全部浪费。

关于 6个象限的详细解读参见原文：七年七图 ‖ 《数字时代：AI for Security 系统工程认知罗盘图》

三、N个核心要素：认知为舵，工程为桨

每个象限都包含两类要素。

“认知视角”回答“信什么”：帮助我们看清本质、避免盲从；

“工程视角”回答“做什么”：指导我们落地执行、少走弯路。

六个象限双维度要素总览↓

注：上表为通用核心要素，实际应用中，可根据行业特性、组织规模、业务复杂度动态增加要素。

比如业务识别阶段，认知上要承认人力不足、效率受限、能力有边界，工程上要形成场景清单、痛点分析和量化指标。

数据建设阶段，认知上要坚持质量优先，工程上要完成数据采集、清洗、标注和版本管理。

本节解读参见原文：七年七图 ‖ 《数字时代：AI for Security 系统工程认知罗盘图》

四、10大安全业务场景：赋能战场

核心共识：这十大场景覆盖安全业务关键环节，每个场景都具有基础数据量大、工作难度高、人力不可及、能力瓶颈、智力不足、需要持续运营六大共性特征。

安全专家一致认为：做好这些主要场景，提升效能，就可以事半功倍。

专家共识：这十大场景不是孤立的，而是相互关联、相互增强的。

例如：

分析识别（场景1）的资产清单是风险治理（场景2）的输入；
监测预警（场景3）的告警需要综合研判（场景4）来定性；
研判结果驱动事件处置（场景5）；
处置反馈又回到持续运营（场景10）的数据飞轮中。

十大场景详细解读，参见原文：七年七图 ‖ 《数字时代：AI for Security 系统工程认知罗盘图》

五、5个演进阶段：看见洞见预见

L1是辅助感知级，重点在先看见。
L2是智能驱动级，重点在让AI开始出手。
L3是体系融合级，重点在让AI贯穿流程。
L4是业务免疫级，重点在开始预见。
L5是原生智能级，重点在预见成为常态。

从实践角度看，大多数组织并不需要一步跳到L5，更现实的路径往往是先把L1做扎实，再推动L2、L3落地，逐步积累数据飞轮、工程集成和运营能力，在此基础上向L4迈进。

这份《数字时代：AI for Security 系统工程认知罗盘图》，它试图“如何把AI真正变成安全体系的一部分”。

当安全能力进入AI驱动阶段，变化发生在组织认知、流程结构与评价体系的重构上。

认知先行，体系跟上，工程闭环，能力才会稳定生长，这也是这张罗盘图希望留下的核心方法论。