← Archive
lm-002460 · 2026-08

攻擊者注意力稀缺的終結

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

攻擊者注意力稀缺的終結

AI 自動化、目標可攻擊性前沿與普通企業的隱形安全崩解

英文工作名： The End of Attacker Attention Scarcity: AI Automation, the Targetability Frontier, and the Collapse of Invisible Security for Ordinary Organizations
作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
系列：《AI 時代的數位免疫與資安基礎設施》第五篇
文件性質： 理論資安研究／攻防經濟模型／AI 安全命題猜想
版本： v0.1
日期： 2026-08-10

摘要

傳統資訊安全通常將安全性歸因於密碼學、身份驗證、漏洞修補、網路隔離、端點防禦與組織治理。然而，在大量普通企業、中小型組織與低價值網路服務之中，長期可能還存在一項沒有被正式列入安全架構、卻實際影響遭受攻擊機率的外生條件：

攻擊者的時間、注意力與分析能力是稀缺的。

一個存在漏洞的系統並不必然立即遭到有效攻擊。攻擊者首先必須發現目標、辨識技術棧、理解系統、判斷價值、尋找可行路徑，再決定是否值得投入有限資源。

本文將這項現象稱為「攻擊者注意力稀缺緩衝」（Attacker Attention Scarcity Buffer, AASB）。

令系統所有潛在有效攻擊路徑集合為：

Platent,\mathcal P_{\mathrm{latent}},

攻擊者實際辨識出的路徑為：

Pobs⊆Platent.\mathcal P_{\mathrm{obs}} \subseteq \mathcal P_{\mathrm{latent}}.

則系統真正存在的最低攻擊成本為：

Blatent=min⁡p∈PlatentC(p),B_{\mathrm{latent}} = \min_{p\in\mathcal P_{\mathrm{latent}}}C(p),

但特定攻擊者在有限認知與有限注意力下實際面對的最低成本可能是：

Bobs=min⁡p∈PobsC(p).B_{\mathrm{obs}} = \min_{p\in\mathcal P_{\mathrm{obs}}}C(p).

因此可以定義：

ΔA=Bobs−Blatent≥0\boxed{ \Delta_A = B_{\mathrm{obs}} - B_{\mathrm{latent}} \geq0 }

其中 ΔA\Delta_A 即為攻擊者因尚未發現真正最低成本路徑而產生的「注意力緩衝」。

本文主張，AI 對網路攻擊最具結構性的影響之一，並非單純使破解速度提高，而是降低偵察、知識查找、語義分析、候選路徑比較、錯誤排查與目標客製化的邊際成本，使：

ΔA↓.\boxed{ \Delta_A\downarrow. }

當大量目標可以被機器平行分析時，過去因「不值得人工研究」而暫時安全的普通組織，將逐漸失去這種外生保護。

本文將此轉變形式化為「目標可攻擊性前沿擴張」（Expansion of the Targetability Frontier）：原本經濟價值不足以支付人工研究成本的低價值目標，在 AI 降低攻擊準備成本後，也可能進入具有正預期收益的可攻擊集合。

本文最後指出，AI 並未創造大規模掃描。網際網路自動化掃描、批量漏洞探測與機器人活動早已存在。真正的新變化，是自動化開始從「大量枚舉」進一步進入「大量理解、比較與適應」。因此未來防禦模型必須逐漸捨棄：

「沒有人會特別研究我們。」

轉而採用：

Anything exposed and economically reachable should be assumed eventually discoverable.\boxed{ \text{Anything exposed and economically reachable should be assumed eventually discoverable.} }

這將構成常駐 AI 資安服務與持續攻擊面管理的直接理論基礎。

關鍵詞： AI 駭客、攻擊者注意力、攻擊自動化、Attack Surface、SMB、漏洞利用、AI 資安、攻擊經濟學、持續防禦、Targetability Frontier

一、漏洞存在，不等於漏洞一定立即被利用

令某系統：

SS

存在有效漏洞：

v.v.

傳統直覺容易寫成：

v⇒Compromise.v \Rightarrow \text{Compromise}.

但現實中至少還需要：

Discover Target\text{Discover Target} →Identify Weakness\rightarrow \text{Identify Weakness} →Understand Context\rightarrow \text{Understand Context} →Choose Action\rightarrow \text{Choose Action} →Execute.\rightarrow \text{Execute}.

因此：

Vulnerability Existence≠Vulnerability Exploitation.\boxed{ \text{Vulnerability Existence} \neq \text{Vulnerability Exploitation}. }

兩者之間存在：

Attacker Search Cost.\text{Attacker Search Cost}.

二、傳統攻擊者其實也受到物理限制

即使是一名非常強的攻擊者，

一天仍然只有：

24 hours.24\text{ hours}.

一個犯罪組織即使擁有：

NN

名成員，

仍然受到：

T,M,C,AT, M, C, A

限制。

其中：

  • TT ：時間；
  • MM ：人力；
  • CC ：資金；
  • AA ：注意力。

因此世界上即使同時存在：

10610^6

個有缺陷的網站，

攻擊者也不可能以同樣深度人工研究全部目標。

三、攻擊本身存在機會成本

假設攻擊者可以選：

S1,S2,…,Sn.S_1,S_2,\ldots,S_n.

對目標 SiS_i 的預期收益為：

Vi.V_i.

成功率：

pi.p_i.

總攻擊成本：

Ci.C_i.

則：

Ui=piVi−Ci.U_i = p_iV_i-C_i.

如果：

Ui<0,U_i<0,

在純經濟模型下不值得攻擊。

即使：

Ui>0,U_i>0,

也不代表一定選擇它。

因為可能存在：

Uj≫Ui.U_j\gg U_i.

因此還要考慮：

Opportunity Cost.\boxed{ \text{Opportunity Cost}. }

四、這就是普通企業曾經擁有的隱形緩衝

假設：

大型金融機構

VA=108.V_A=10^8.

小型普通企業

VB=105.V_B=10^5.

若人工研究兩者都需要：

Canalysis=106,C_{\mathrm{analysis}}=10^6,

則：

UA>0,U_A>0,

而：

UB<0.U_B<0.

因此 B 即使存在問題，

仍可能長期沒有高能力攻擊者進行深度研究。

這不是：

Technical Security.\boxed{ \text{Technical Security}. }

而只是：

Economic Irrelevance.\boxed{ \text{Economic Irrelevance}. }

五、攻擊者注意力稀缺緩衝

本文定義：

Attacker Attention Scarcity Buffer

攻擊者注意力稀缺緩衝

其本質是：

某些弱點雖然客觀存在，但因辨識與研究它們需要稀缺的人類注意力，使其在特定期間內沒有成為實際攻擊路徑。

這不是安全控制。

它不應被寫入：

  • compliance；
  • security architecture；
  • risk acceptance；

作為可靠防禦。

但它確實可能曾經影響：

P(attack).P(\text{attack}).

六、真正的最低安全下界與攻擊者看到的下界

本系列第二篇定義：

Bsys=min⁡p∈PC(p).B_{\mathrm{sys}} = \min_{p\in\mathcal P}C(p).

現在需要進一步修正。

系統客觀存在的所有有效攻擊路徑：

PL=Platent.\mathcal P_L = \mathcal P_{\mathrm{latent}}.

攻擊者實際知道的路徑：

PO=Pobserved.\mathcal P_O = \mathcal P_{\mathrm{observed}}.

必有：

PO⊆PL.\mathcal P_O \subseteq \mathcal P_L.

因此：

BL=min⁡p∈PLC(p),B_L = \min_{p\in\mathcal P_L}C(p),

而：

BO=min⁡p∈POC(p).B_O = \min_{p\in\mathcal P_O}C(p).

通常：

BO≥BL.\boxed{ B_O\geq B_L. }

七、注意力差值

現在定義：

ΔA=BO−BL.\boxed{ \Delta_A = B_O-B_L. }

若：

ΔA≫0,\Delta_A\gg0,

表示：

系統真正存在一條很便宜的攻擊路徑，但攻擊者尚未找到它。

若：

ΔA→0,\Delta_A\rightarrow0,

表示：

攻擊者看到的攻擊圖逐漸接近系統真正存在的攻擊圖。

這是本文最重要的新量之一。

八、以前某些「安全」可能只是 ΔA\Delta_A 很大

一個公司可能具有：

BL=10.B_L=10.

真正非常弱。

但普通攻擊者因缺乏：

  • 時間；
  • 專業；
  • 情報；
  • 系統理解；

只能發現：

BO=1000.B_O=1000.

所以：

ΔA=990.\Delta_A=990.

這家公司看起來多年沒出事。

於是管理者可能誤以為：

BL≈1000.B_L\approx1000.

實際上只是：

No one found the $10 path yet.\boxed{ \text{No one found the \$10 path yet.} }

九、這與 Security Through Obscurity 並不完全相同

Security through obscurity 通常表示：

防禦依賴於系統設計、位置或實作細節不被外界知道。

本文的注意力稀缺則不同。

某個資訊甚至可能：

Public.\text{Public}.

例如：

  • 軟體版本；
  • 公開 endpoint；
  • DNS；
  • GitHub repository；
  • 已知 CVE。

攻擊者仍然可能沒有時間將它們組合成完整路徑。

因此：

Unknown≠Unexamined.\boxed{ \text{Unknown} \neq \text{Unexamined}. }

Attention Scarcity 主要處理的是：

Unexamined.\text{Unexamined}.

十、網際網路自動掃描早就存在

因此必須避免一個歷史錯誤：

「AI 出現後，駭客才開始大量掃描網站。」

不是。

Internet-wide scanning、bot traffic、自動漏洞掃描與搜尋平台早已存在多年。

CISA 2025 年的 Internet Exposure Reduction Guidance 甚至直接提醒：大量組織會無意間將過時軟體、錯誤設定、預設憑證、遠端存取設備、IoT、IIoT 與工控設備暴露於網際網路，而 Shodan、Censys 等搜尋與掃描工具可以用於辨識這些公開資產。

所以第一階段自動化：

Enumeration Automation\boxed{ \text{Enumeration Automation} }

早已成熟。

十一、AI 真正增加的是第二種自動化

傳統自動掃描非常適合：

IP→Port→Banner→Known Signature.\text{IP} \rightarrow \text{Port} \rightarrow \text{Banner} \rightarrow \text{Known Signature}.

但大量較複雜問題需要：

  • 解讀上下文；
  • 讀文件；
  • 比較不同來源；
  • 理解網站功能；
  • 推測權限關係；
  • 排除誤報；
  • 判斷什麼值得繼續研究。

這些原本需要：

Human Semantic Labor.\text{Human Semantic Labor}.

AI 開始壓縮的正是這一層。

Microsoft Threat Intelligence 2026 年觀察到，威脅行為者正在利用 AI 加速公開漏洞研究、工具研究、目標環境理解、資料分類以及對信任關係與可達路徑的分析；Microsoft 將其概括為 AI 正在降低攻擊生命週期中的技術摩擦與決策時間。

十二、三代攻擊自動化

因此本文將攻擊自動化粗略分成三代。

Automation 1.0：枚舉自動化

Scan+Match+Alert.\text{Scan} + \text{Match} + \text{Alert}.

核心是：

大量找東西。

Automation 2.0：認知自動化

Read+Interpret+Compare+Prioritize.\text{Read} + \text{Interpret} + \text{Compare} + \text{Prioritize}.

核心是：

大量理解東西。

Automation 3.0：Agentic 自主行動

Observe→Plan→Act→Evaluate→Adapt.\text{Observe} \rightarrow \text{Plan} \rightarrow \text{Act} \rightarrow \text{Evaluate} \rightarrow \text{Adapt}.

核心是：

持續自行推進任務。

Microsoft 目前的實際威脅觀察仍認為大部分惡意 AI 使用屬於前兩種，人類仍通常保留目標與部署決策；agentic AI 已出現早期實驗訊號，但尚未觀察到大規模完全自主化使用。

十三、真正的轉折是從「大量掃描」到「大量分析」

因此：

Mass Scanning\boxed{ \text{Mass Scanning} }

本身不是 AI 革命。

真正可能形成新時代的是：

Mass Semantic Analysis.\boxed{ \text{Mass Semantic Analysis}. }

以前：

10610^6

個端點可以被掃描。

但真正深入理解：

10610^6

套彼此不同的系統仍然非常昂貴。

AI 的方向是使：

Csemantic↓.C_{\mathrm{semantic}} \downarrow.

十四、攻擊準備成本

將攻擊成本拆成：

CA=CD+CR+CM+CX.C_A = C_D + C_R + C_M + C_X.

其中：

  • CDC_D ：Discovery；
  • CRC_R ：Reconnaissance；
  • CMC_M ：Modeling / Understanding；
  • CXC_X ：Execution。

Automation 1.0 已經大幅降低：

CD.C_D.

AI 接著壓低：

CRC_R

與：

CM.C_M.

這就是新的結構差異。

十五、注意力成本

本文定義：

AiA_i

為分析目標 ii 所需要的有效注意力成本。

傳統攻擊者總注意力預算：

HA.H_A.

則：

∑ixiAi≤HA,\sum_i x_iA_i \leq H_A,

其中：

xi∈{0,1}.x_i\in\{0,1\}.

攻擊者只能選擇部分目標。

十六、AI 等效提高了注意力預算

若 AI 使：

Ai′=Aiκi,κi>1,A_i' = \frac{A_i}{\kappa_i}, \qquad \kappa_i>1,

則在相同：

HAH_A

之下，

可以分析更多目標：

∑ixi′Ai′≤HA.\sum_i x_i'A_i' \leq H_A.

所以即使人類攻擊者數量完全不增加，

其：

Effective Attention Capacity\boxed{ \text{Effective Attention Capacity} }

仍然增加。

十七、平行性又是另一項乘數

AI 還可以並行執行大量：

  • 查詢；
  • 文件閱讀； -分類；
  • 關聯；
  • 假設生成。

因此：

PA=ParallelismP_A = \text{Parallelism}

增加。

最後有效攻擊研究能力：

Heff=F(Hhuman,κ,PA).H_{\mathrm{eff}} = F( H_{\mathrm{human}}, \kappa, P_A ).

即：

Same Humans→More Targets.\boxed{ \text{Same Humans} \rightarrow \text{More Targets}. }

十八、目標可攻擊性前沿

現在回到：

Ui=piVi−Ci.U_i = p_iV_i-C_i.

定義所有具有正預期效用的目標集合：

FT={Si:Ui>0}\boxed{ \mathcal F_T = \{ S_i: U_i>0 \} }

本文稱之為：

Targetability Frontier

目標可攻擊性前沿

十九、AI 會使這個前沿向低價值目標擴張

若：

Ci′≪Ci,C_i'\ll C_i,

則原本：

piVi−Ci<0p_iV_i-C_i<0

的目標，

可能變成：

piVi−Ci′>0.p_iV_i-C_i'>0.

於是：

Si∉FTS_i \notin \mathcal F_T

轉為：

Si∈FT′.S_i \in \mathcal F_T'.

因此：

∣FT′∣>∣FT∣.\boxed{ |\mathcal F_T'| > |\mathcal F_T|. }

這就是：

Targetability Frontier Expansion

可攻擊性前沿擴張

二十、這比「駭客變強」更加重要

假設 AI 對頂級目標能力只提升：

10%.10\%.

但使原本需要：

8 hours8\text{ hours}

人工分析的普通目標，

變成：

10 minutes.10\text{ minutes}.

其最大的影響可能不是：

更容易攻擊最強公司。

而是：

大量以前不值得研究的公司突然值得研究。

所以：

Attack Surface Population↑\boxed{ \text{Attack Surface Population} \uparrow }

可能比單一攻擊威力提升更重要。

二十一、普通企業的真正風險

普通企業通常具有一個不利組合：

Vtarget=medium or low,V_{\mathrm{target}} = \text{medium or low},

但：

SdefenseS_{\mathrm{defense}}

也可能較低。

以前：

CanalysisC_{\mathrm{analysis}}

使其不值得定向研究。

現在若：

Canalysis↓,C_{\mathrm{analysis}}\downarrow,

則：

Uattack↑.U_{\mathrm{attack}}\uparrow.

因此小公司不是因為突然：

變得更值錢。

而可能只是因為：

變得更便宜可以攻擊。\boxed{ \text{變得更便宜可以攻擊。} }

二十二、這和「犯罪門檻壓縮」構成兩個不同乘數

第三篇提出：

Ncapable↑.N_{\mathrm{capable}}\uparrow.

本篇再提出：

Ntargetable↑.N_{\mathrm{targetable}}\uparrow.

所以整體風險近似受到：

Ncapable×Ntargetable\boxed{ N_{\mathrm{capable}} \times N_{\mathrm{targetable}} }

共同影響。

一邊是：

更多人可以形成有效攻擊能力。

另一邊是：

更多目標值得被攻擊。

這兩者同時發生時，效果可能遠大於單獨作用。

二十三、現實資料已經顯示攻擊速度正在壓縮防禦時間窗

Verizon 2026 DBIR 指出，利用軟體漏洞已首次超越被竊憑證，成為其資料中最主要的 breach 初始入口，占約 31%；同一報告認為 AI 正被用於加快已知漏洞從發現到利用的速度。

Google Cloud 的 2026 Threat Horizons 亦觀察到公開漏洞揭露到大規模利用的時間窗已從「數週」縮短至「數天」，並記錄某些公開漏洞在約 48 小時內即被用於自動化惡意活動。

這意味著：

TdefenseT_{\mathrm{defense}}

正在受到：

Tattack↓T_{\mathrm{attack}} \downarrow

的直接擠壓。

二十四、漏洞本身開始具有「快速商品化」特徵

當某漏洞：

vv

公開後，

資訊會迅速進入：

  • CVE database；
  • threat intelligence；
  • scanner；
  • exploit research；
  • AI context。

因此：

Cknowledge(v,t)C_{\mathrm{knowledge}}(v,t)

隨時間快速下降。

可以表示為：

∂Cknowledge∂t<0.\frac{\partial C_{\mathrm{knowledge}}}{\partial t}<0.

這意味著：

某漏洞今天還需要高手理解，幾天後可能已經可以被大量工具與自動化流程辨識。

二十五、AI 還會加速漏洞理解商品化

Microsoft 已觀察到威脅行為者使用 LLM 研究公開漏洞與潛在利用路徑。

Google Threat Intelligence Group 2026 更描述攻擊者正在把生成式 AI 工業化嵌入對抗工作流，並報告其首次辨識到疑似由 AI 協助開發的 zero-day exploit。

因此：

Vulnerability Publication→Machine Interpretation\boxed{ \text{Vulnerability Publication} \rightarrow \text{Machine Interpretation} }

之間的時間差正在變得更重要。

二十六、但不能因此推論「所有漏洞都會被攻擊」

仍然存在：

  • exploit reliability；
  • target population；
  • potential value；
  • detection risk；
  • mitigation；
  • operational complexity。

因此：

v exists⇏v exploited everywhere.v\text{ exists} \not\Rightarrow v\text{ exploited everywhere}.

本文真正主張的是：

P(economically relevant vulnerability gets examined)↑.\boxed{ P( \text{economically relevant vulnerability gets examined} ) \uparrow. }

二十七、從「會不會有人看到」轉向「什麼時候會被看到」

CISA 已經明確建議組織主動盤點 Internet-exposed assets，因為錯誤設定、過時服務、預設憑證與公開設備可以被網際網路搜尋與掃描服務辨識。

所以防守者應逐漸從：

「駭客會找到這個嗎？」

轉向：

「假設它最終會被找到，我還安全嗎？」

本文稱之為：

Eventual Discoverability Assumption

最終可發現性假設

二十八、最終可發現性假設

對任何：

x∈Einternetx\in E_{\mathrm{internet}}

若其長期：

  • 可公開到達；
  • 可機器掃描；
  • 可進行互動；
  • 存在穩定識別特徵；

則防禦設計不應依賴：

P(Discover⁡(x))≈0.P(\operatorname{Discover}(x))\approx0.

而應採用：

P(Discover⁡(x)∣T sufficiently large)→high.\boxed{ P(\operatorname{Discover}(x)\mid T\text{ sufficiently large}) \rightarrow \text{high}. }

本文不主張其數學上必然等於 11 。

而是將其作為安全工程保守假設。

二十九、這會改變普通公司的安全哲學

以前可能：

我們只是一家小公司。

沒什麼值得偷。

未來更合理的是：

攻擊你是否需要額外人工成本？

如果答案逐漸變成：

Almost no marginal cost,\text{Almost no marginal cost},

那麼：

「我們沒有價值」

就不再是一個可靠安全理由。

因為：

Low Value×Very Low Attack Cost\boxed{ \text{Low Value} \times \text{Very Low Attack Cost} }

仍可能產生正收益。

三十、批量犯罪尤其符合這個模型

如果單一目標收益只有：

V=10,V=10,

但可以處理：

10610^6

個目標，

則總收益上限變成：

107.10^7.

因此：

Low-value targets+High-scale automation\boxed{ \text{Low-value targets} + \text{High-scale automation} }

可以形成有效犯罪模式。

這就是：

單一普通企業不值錢

不能推出：

普通企業群體不值得攻擊。

三十一、從個體價值轉向集合價值

令：

ViV_i

為單一企業價值。

傳統定向攻擊偏好：

max⁡iVi.\max_iV_i.

批量攻擊則可能最大化：

∑i=1NpiVi−Cscale.\sum_{i=1}^{N}p_iV_i-C_{\mathrm{scale}}.

當：

Cscale↓,C_{\mathrm{scale}}\downarrow,

大量低價值目標組成的集合也會具有經濟吸引力。

三十二、這重新解釋了「攻擊者只要一個洞」

傳統資安命題：

攻擊者只要找到一個洞，防禦者需要管理大量攻擊面。

AI 又加入：

攻擊者現在可以更便宜地對大量目標尋找那一個洞。

因此：

Existential Advantage+Search Cost Compression.\boxed{ \text{Existential Advantage} + \text{Search Cost Compression}. }

兩者疊加。

三十三、第五篇與第四篇形成完整的不對稱

第四篇得到：

Defensive Capability Coverage Gap.\text{Defensive Capability Coverage Gap}.

本篇得到：

Attacker Attention Cost Compression.\text{Attacker Attention Cost Compression}.

於是：

防守端：

∣Dsecurity∣↑,|\mathcal D_{\mathrm{security}}| \uparrow,

需要越來越多專業能力。

攻擊端：

Csearch↓.C_{\mathrm{search}} \downarrow.

所以：

Defensive Complexity↑∧Offensive Search Friction↓.\boxed{ \text{Defensive Complexity} \uparrow \quad \land \quad \text{Offensive Search Friction} \downarrow. }

這可能才是真正值得注意的不對稱。

三十四、攻擊密度模型

假設目標：

SiS_i

每單位時間遭到有效探測的平均速率為：

λi.\lambda_i.

則在簡化 Poisson 模型中，時間：

TT

內至少遭遇一次探測的機率：

Pi(T)=1−e−λiT.P_i(T) = 1-e^{-\lambda_iT}.

當 AI 與自動化提高：

λi,\lambda_i,

則：

Pi(T)↑.P_i(T)\uparrow.

所以即使：

P(success per attempt)P(\text{success per attempt})

完全不變，

總體失陷風險仍可能增加。

三十五、發現與成功必須分開

定義：

PC=P(compromise).P_C = P(\text{compromise}).

可以拆為：

PC=PD⋅PS,P_C = P_D \cdot P_S,

其中：

PD=P(viable path discovered),P_D = P(\text{viable path discovered}), PS=P(success∣path discovered).P_S = P(\text{success}\mid\text{path discovered}).

傳統安全措施很多專注：

PS↓.P_S\downarrow.

AI 攻擊則可能主要使：

PD↑.P_D\uparrow.

因此即使單一漏洞沒有變得更容易利用，

整體風險仍可能上升。

三十六、這就是 AI 對 ΔA\Delta_A 的核心作用

因為：

PO\mathcal P_O

隨著 AI 搜索與推理改善逐漸擴大：

PO→PL.\mathcal P_O \rightarrow \mathcal P_L.

所以：

BO→BL.B_O \rightarrow B_L.

最後：

ΔA→0.\boxed{ \Delta_A \rightarrow0. }

這不是因為系統變弱。

而是：

攻擊者越來越接近看見它本來就有多弱。

三十七、這可能是 AI 資安時代最關鍵的認知轉換之一

AI 不一定需要：

Create New Vulnerability.\text{Create New Vulnerability}.

只需要：

Reveal Existing Vulnerability More Reliably.\boxed{ \text{Reveal Existing Vulnerability More Reliably}. }

對大量普通組織而言，

這已經足夠改變風險。

三十八、防禦的第一原則：不要依賴沒人看

所以：

ΔA\boxed{ \Delta_A }

不應被視為真正安全資產。

安全設計應盡量假定：

ΔA=0.\Delta_A=0.

也就是：

攻擊者知道你的最低成本路徑。

然後再問：

BLB_L

是否仍然足夠高。

這其實是一個非常保守但更健康的安全假設。

三十九、暴露面最小化重新變得重要

CISA 的 Internet Exposure Reduction Guidance 正是從這個方向要求組織辨認公開資產、判斷其是否真的需要 Internet exposure，並限制非必要公開面。

因此：

∣Eexternal∣↓|\mathcal E_{\mathrm{external}}| \downarrow

可以降低：

∣Platent∣.|\mathcal P_{\mathrm{latent}}|.

這與「希望攻擊者找不到」完全不同。

它是真的：

把路徑移除。

四十、真正可靠的做法不是隱藏路，而是刪掉路

所以：

Obscure(p)\text{Obscure}(p)

與：

Remove(p)\text{Remove}(p)

必須區分。

理想防禦優先：

Remove>Restrict>Detect>Hope it stays unnoticed.\boxed{ \text{Remove} > \text{Restrict} > \text{Detect} > \text{Hope it stays unnoticed}. }

四十一、Patch Window 也必須重新理解

以前漏洞修補可能：

Tpatch=30 days.T_{\mathrm{patch}}=30\text{ days}.

如果攻擊者平均需要：

60 days60\text{ days}

才開始大規模利用，

仍存在緩衝。

但若：

Texploit→2 days,T_{\mathrm{exploit}} \rightarrow2\text{ days},

則：

Tpatch>Texploit.T_{\mathrm{patch}} > T_{\mathrm{exploit}}.

風險結構完全改變。

Google Cloud 2026 的威脅觀察已明確指出，漏洞揭露到 mass exploitation 的時間窗正在大幅縮短。

四十二、因此人工 Patch Cycle 會面臨物理瓶頸

若：

Thuman response>Tmachine attack,T_{\mathrm{human\ response}} > T_{\mathrm{machine\ attack}},

單純要求：

工程師快一點，

會逐漸遇到：

Human Throughput Limit.\text{Human Throughput Limit}.

因此必須增加：

  • automated patching；
  • WAF / virtual patching；
  • continuous attack surface management；
  • automated isolation；
  • automated configuration enforcement。

Google Cloud 的 2026 Threat Horizons 已明確建議在部分情境從純人工修補轉向更多自動防禦，以縮短漏洞公開與正式軟體更新之間的暴露窗口。

四十三、Attack Surface Management 會逐漸從加分項變成基礎能力

傳統公司可能定期問：

我們有哪些公開服務？

未來則需要：

Continuously know what the internet can see.\boxed{ \text{Continuously know what the internet can see}. }

2026 年 Google Threat Intelligence 與 Wiz 已開始整合即時威脅情報與 Attack Surface Management，明確將「AI 加速漏洞發現與利用」視為需要更高速外部暴露分析與 AI scanning 的原因。

這正好符合本文推論。

四十四、防守方也必須壓低自己的注意力成本

攻擊者使用 AI：

AAA_A

降低：

CsearchA.C_{\mathrm{search}}^A.

防禦者若仍完全依賴人工：

HD,H_D,

就會出現：

CsearchD≫CsearchA.C_{\mathrm{search}}^D \gg C_{\mathrm{search}}^A.

因此防守方也必須部署：

AD.A_D.

目標是：

Cdefensive discovery↓.\boxed{ C_{\mathrm{defensive\ discovery}} \downarrow. }

最好做到：

Tdefense discovery<Tattacker discovery.T_{\mathrm{defense\ discovery}} < T_{\mathrm{attacker\ discovery}}.

四十五、理想防禦者應該比攻擊者更早找到自己的最低路徑

令：

p∗=arg⁡min⁡pC(p).p^* = \arg\min_pC(p).

理想狀態：

tD(p∗)<tA(p∗).t_D(p^*) < t_A(p^*).

即：

防禦者先找到自己的最低成本攻擊路徑並修復。

這可以稱為：

Defensive Discovery Advantage

防禦發現優勢

四十六、防守方其實天然擁有資訊優勢

理論上防守方可以取得：

  • source code；
  • asset inventory；
  • identity graph；
  • configuration；
  • endpoint telemetry；
  • historical logs；
  • intended architecture。

所以：

ID>IA.I_D>I_A.

如果仍然：

tD>tA,t_D>t_A,

問題往往不是缺少資料，

而可能是：

Defensive Attention / Integration Failure.\boxed{ \text{Defensive Attention / Integration Failure}. }

這正好又回到第四篇的能力覆蓋缺口。

四十七、這就是常駐 AI Defender 的理論必要性

如果：

E(t)\mathcal E(t)

每天變動，

P(t)\mathcal P(t)

每天變動，

V(t)\mathcal V(t)

每天增加，

而：

TattackT_{\mathrm{attack}}

持續縮短，

則一年一次：

Audit\text{Audit}

無法描述：

S(t).S(t).

需要的是：

Persistent Security Observation.\boxed{ \text{Persistent Security Observation}. }

四十八、不是所有公司都能自己做到

大型科技企業可以維護：

SOC+AppSec+Threat Intel+ASM+IR.\text{SOC} + \text{AppSec} + \text{Threat Intel} + \text{ASM} + \text{IR}.

普通企業往往不能。

這又回到第四篇：

GSCC>0.G_{\mathrm{SCC}}>0.

如果攻擊者的注意力成本已經下降，

但防守者又沒有足夠能力補缺口，

就形成：

Attention Compression+Capability Gap.\boxed{ \text{Attention Compression} + \text{Capability Gap}. }

這是普通企業最大的結構風險之一。

四十九、從 Security Product 轉向 Security Utility

因此真正的解法可能不只是：

再賣一套掃描器。

而是：

Persistent Security Capability\boxed{ \text{Persistent Security Capability} }

作為外部服務。

它需要不斷替使用者：

  • 看；
  • 判斷；
  • 比較；
  • 修補；
  • 升級；
  • 調度專家。

也就是：

Observe→Reason→Respond.\text{Observe} \rightarrow \text{Reason} \rightarrow \text{Respond}.

五十、可證偽命題

命題一：AI 會提高可分析目標數量

固定人類攻擊者時間：

HA.H_A.

比較：

NHN_H

純人工能完成初步風險分類的目標數，

與：

NH+AN_{H+A}

AI 輔助數。

預測：

NH+A≫NH.N_{H+A}\gg N_H.

命題二：AI 對語義異質系統的提升比純掃描更加重要

對只需固定 signature 的掃描任務：

ΔAscan\Delta_A^{\mathrm{scan}}

可能有限。

但對需要：

  • 文件理解；
  • 多來源關聯；
  • 系統分類；

的任務：

ΔAsemantic\Delta_A^{\mathrm{semantic}}

應更顯著。

若不成立，本文「Mass Semantic Analysis」命題需修正。

命題三：低價值目標攻擊率隨分析成本下降而提高

若控制目標價值：

ViV_i

不變，

但：

Canalysis↓,C_{\mathrm{analysis}}\downarrow,

預測進入：

FT\mathcal F_T

的低價值目標比例增加。

命題四：注意力緩衝會隨更強自動化下降

比較：

ΔAhuman\Delta_A^{\mathrm{human}}

與：

ΔAAI.\Delta_A^{\mathrm{AI}}.

若 AI 能找到更接近：

BLB_L

的攻擊路徑，

則：

ΔAAI<ΔAhuman.\Delta_A^{\mathrm{AI}} < \Delta_A^{\mathrm{human}}.

五十一、研究限制

本文不主張：

  1. 過去普通企業完全依靠「沒人理」而安全；
  2. AI 首次發明大規模掃描；
  3. 所有公開系統必然遭到成功攻擊；
  4. 所有低價值目標都具有犯罪經濟價值；
  5. AI 已能完全自主完成大規模複雜攻擊；
  6. 所有漏洞公開後都會立即被利用。

本文真正主張的是：

攻擊者注意力與分析成本曾經是一項真實的外生限制。\boxed{ \text{攻擊者注意力與分析成本曾經是一項真實的外生限制。} }

而：

AI 正在壓縮這項限制。\boxed{ \text{AI 正在壓縮這項限制。} }

五十二、結論：安全不能再依賴「應該沒有人會注意我們」

傳統普通企業可能存在：

Weak System+Low Attacker Interest.\text{Weak System} + \text{Low Attacker Interest}.

這種狀態有時可以多年沒有重大事故。

但：

No Incident\text{No Incident}

並不能證明：

Strong Security.\text{Strong Security}.

它可能只是：

ΔA≫0.\Delta_A\gg0.

真正便宜的攻擊路徑一直存在，

只是沒有人找到。

AI 時代的重大變化之一，就是：

ΔA↓.\boxed{ \Delta_A\downarrow. }

也就是：

攻擊者實際看到的系統弱點，開始更接近系統真正存在的弱點。

因此：

Security-by-Inattention\boxed{ \text{Security-by-Inattention} }

會逐漸失效。

未來防禦者不能再假設：

我們太小。

我們沒價值。

沒有人會特別研究這個。

更安全的假設是：

If it is exposed, machine-readable, and economically reachable, assume it can eventually be examined.\boxed{ \text{If it is exposed, machine-readable, and economically reachable, assume it can eventually be examined.} }

所以安全模型必須從：

Hope Not To Be Found\text{Hope Not To Be Found}

轉向：

Remain Safe After Being Found.\boxed{ \text{Remain Safe After Being Found}. }

這也完成本系列目前最重要的一條推導：

Password Entropy\text{Password Entropy} ↓\downarrow Minimum Attack Path\text{Minimum Attack Path} ↓\downarrow Attack Threshold Compression\text{Attack Threshold Compression} ↓\downarrow Defensive Capability Gap\text{Defensive Capability Gap} ↓\downarrow Attacker Attention Scarcity Collapse\boxed{ \text{Attacker Attention Scarcity Collapse} }

接下來問題已經非常自然：

如果普通企業不能期待攻擊者看不到自己，又不可能自己養完整的 AppSec、SOC、Cloud Security、IAM、Threat Intelligence、DFIR 與 AI Security 團隊，那麼誰替它一直看？

答案就開始指向：

Persistent Managed AI Security.\boxed{ \text{Persistent Managed AI Security}. }

因此，本系列第六篇將進入：

《常駐 AI 資安服務》

從 MSSP／MDR 到自治式數位免疫基礎設施

其核心問題將是：

資安是否會像雲端運算一樣，從企業必須自行建立的內部能力，逐漸轉化成可以直接購買、持續運行、由 AI 與人類專家共同承擔的基礎設施服務？

參考資料

  1. CISA, Internet Exposure Reduction Guidance, 2025。CISA 指出許多組織無意間將過時軟體、錯誤設定、預設憑證與其他資產公開於 Internet，並建議持續盤點和縮減外部暴露面。
  2. Microsoft Threat Intelligence, AI as tradecraft: How threat actors operationalize AI, March 6, 2026。其實際威脅觀察顯示 AI 已進入漏洞研究、偵察、環境理解、資料分類與攻擊決策等多個環節，同時指出大規模完全 autonomous agentic attack 尚未成為主要現實模式。
  3. Microsoft Security, Threat actor abuse of AI accelerates from tool to cyberattack surface, April 2, 2026。該分析將 AI 帶來的主要改變描述為攻擊節奏、迭代速度與規模上升，以及從目標選擇到攻擊操作的摩擦下降。
  4. Verizon, 2026 Data Breach Investigations Report。2026 DBIR 報告約 31% breach 以漏洞利用為初始入口，並指出 AI 正在增幅多種攻擊技術與壓縮已知漏洞的防守時間窗。
  5. Google Cloud, Cloud Threat Horizons Report H1 2026。Google Cloud 觀察到公開漏洞到 mass exploitation 的時間窗已由週縮短至天，並記錄約 48 小時內出現自動化利用的案例。
  6. Google Threat Intelligence Group, Adversaries Leverage AI for Vulnerability Exploitation, Augmented Operations, and Initial Access, May 11, 2026。GTIG 描述 AI 在敵對工作流中的工業化程度上升，並報告疑似 AI 協助 zero-day exploit 開發的首次觀察。
  7. Google Cloud / Google Threat Intelligence / Wiz, Drive proactive security, prioritize risks with Google Threat Intelligence and Wiz ASM, July 7, 2026。其產品方向將即時威脅情報、外部暴露面與 AI scanning 結合，以因應漏洞發現與利用速度增加。
  8. Google Threat Intelligence Group, Look What You Made Us Patch: 2025 Zero-Days in Review, March 5, 2026。GTIG 統計 2025 年追蹤到 90 個遭現實利用的 zero-day，其中企業技術占比與數量達其觀察期的新高。
  9. CISA, Known Exploited Vulnerabilities Catalog。KEV 持續維護已確認遭現實利用的漏洞，反映漏洞的理論存在與實際攻擊利用必須區分。