攻擊門檻壓縮

AI 時代的駭客能力普及、借用式技術能力與犯罪成本分離

英文工作名： Attack-Threshold Compression: Democratized Offensive Capability, Borrowed Technical Power, and the Separation of Cybercrime Costs in the AI Era
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》第三篇
文件性質： 理論資安研究／犯罪經濟分析／AI 安全命題猜想
版本： v0.1
日期： 2026-08-10

摘要

流行文化長期將「駭客」描繪為高度稀缺的技術天才：必須深入理解作業系統、網路、密碼學、逆向工程、漏洞利用與程式設計，才能形成真正的網路攻擊能力。這種形象描述了部分頂級安全研究者與高階攻擊者，卻容易將攻擊能力的上限誤認為整個攻擊者族群的基本門檻。

本文提出「攻擊門檻壓縮」（Attack-Threshold Compression）概念，主張 AI、自動化、現成安全工具、公開漏洞情報與 Cybercrime-as-a-Service 的共同發展，正在降低取得「足以造成真實損害之攻擊能力」所需要的人類原生技術基底。

這不意味著高階駭客技術已商品化，更不意味著面對高度強化的大型企業、關鍵基礎設施與國家級防禦時技術門檻消失。本文區分至少五種不同門檻：

T_{\mathrm{launch}}, T_{\mathrm{compromise}}, T_{\mathrm{persistence}}, T_{\mathrm{hardened}}, T_{\mathrm{novel}}.

其中，AI 最快速壓縮的是「能夠開始操作」與「能夠對低至中等防護目標造成實際失陷」的門檻；長期隱蔽、對抗成熟防禦、發現未知漏洞與創造新型攻擊技術的門檻仍維持較高水平。

本文進一步區分「內生技術能力」與「借用式技術能力」。一個行動者即使無法自行創造某項技術，只要能透過 AI、工具與犯罪服務取得、調用並正確組合該能力，仍可能在外部表現出超過自身知識水平的實際攻擊效果。

因此：

\boxed{ \text{Effective Offensive Capability} \neq \text{Internal Human Expertise}. }

本文亦提出「技術成本—犯罪成本分離」模型：當技術取得成本下降後，法律風險、身份暴露、操作安全、變現、資金流、人際信任與刑事處罰等非技術因素將在更多情境中成為主要進入壁壘。

由此產生一項重要預測：

AI 時代具有造成網路犯罪之技術能力的人口，可能遠大於真正選擇從事網路犯罪的人口。

資安政策因此不應假設只有極少數技術天才能構成實質威脅，而必須按照「可取得攻擊能力人口的擴張」重新設計基礎安全與防禦自動化。

關鍵詞： AI 駭客、攻擊門檻、Cybercrime-as-a-Service、犯罪成本、技術民主化、借用式能力、攻擊自動化、AI 資安、網路犯罪、威脅模型

一、問題：駭客真的必須是電腦天才嗎？

「駭客」在大眾文化中的典型形象通常包含：

\text{Advanced Programming} + \text{Reverse Engineering} + \text{Networking} + \text{Operating Systems} + \text{Cryptography} + \text{Exploit Development}.

這些能力確實存在。

世界上也確實存在能獨立發現未知漏洞、分析底層系統、設計複雜 exploit chain 並與成熟安全團隊對抗的極高能力研究者與攻擊者。

問題在於：

這是否也是「能夠成功攻擊一個普通真實組織」所必須具備的最低能力？

答案並不相同。

因此本文首先區分：

\boxed{ \text{Maximum Hacker Capability} \neq \text{Minimum Effective Attack Capability}. }

前者描述能力上限。

後者描述：

要造成一次實際安全事件，最低需要多少能力？

兩者不能混為一談。

二、五種不同的攻擊門檻

本文定義五個不同門檻。

2.1 啟動門檻

T_{\mathrm{launch}}

表示：

能夠開始進行有意義的攻擊性操作所需的最低能力。

其要求可能只是：

理解基本目標；
操作現成工具；
判讀基本輸出；
選擇下一步。

2.2 實質失陷門檻

T_{\mathrm{compromise}}

表示：

能夠使某個真實、非刻意設計成脆弱的低至中等防護目標產生實質安全失陷的最低能力。

顯然：

T_{\mathrm{compromise}} > T_{\mathrm{launch}}.

但它未必高到需要：

\text{Expert-Level Vulnerability Research}.

2.3 持續控制門檻

T_{\mathrm{persistence}}

表示：

能夠在遭防禦、偵測與系統變動的環境中長期維持有效能力的最低要求。

這開始要求更強的：

狀態理解；
系統知識；
失敗恢復；
防偵測；
長期規劃。

因此：

T_{\mathrm{persistence}} > T_{\mathrm{compromise}}.

2.4 強化目標攻擊門檻

T_{\mathrm{hardened}}

表示：

面對成熟 SOC、EDR/XDR、IAM、AppSec、Red Team、漏洞管理與持續監控後仍能有效突破的能力門檻。

它可能遠高於普通企業環境。

2.5 新型能力創造門檻

最後：

T_{\mathrm{novel}}

代表：

發現未知漏洞、創造新利用技術、建立新攻擊方法或突破既有研究邊界所需要的能力。

通常：

\boxed{ T_{\mathrm{launch}} < T_{\mathrm{compromise}} < T_{\mathrm{persistence}} \lesssim T_{\mathrm{hardened}} < T_{\mathrm{novel}} }

實際排序依目標而異，但這種分層本身非常重要。

三、AI 壓低的是哪一個門檻？

2026 年 Microsoft Threat Intelligence 的公開觀察指出，目前威脅行為者主要仍然是「人類在迴路中」，而非完全自主 AI 大規模獨立發動攻擊；但 AI 已經被嵌入偵察、社交工程、程式撰寫、資料整理與入侵後工作流，使整個攻擊生命週期中的摩擦下降。

因此更合理的描述不是：

AI \Rightarrow T_{\mathrm{novel}}\rightarrow0.

而是：

\boxed{ AI \Rightarrow T_{\mathrm{launch}}\downarrow\downarrow }

以及：

\boxed{ AI \Rightarrow T_{\mathrm{compromise}}\downarrow. }

對：

T_{\mathrm{hardened}}

與：

T_{\mathrm{novel}},

壓縮幅度則小得多。

這就是本文所稱：

攻擊門檻壓縮

Attack-Threshold Compression

四、門檻壓縮不是能力消失

令：

K_H

代表人類本身持有的安全技術知識。

傳統模型容易假設：

C_{\mathrm{attack}} \approx f(K_H).

即：

人有多少知識，就大約能做多少事情。

AI 時代則更合理地變成：

C_{\mathrm{eff}} = F( K_H, A, T, S, V ).

其中：

$K_H$ ：Human Knowledge；
$A$ ：AI Assistance；
$T$ ：Available Tools；
$S$ ：External Services；
$V$ ：Verification Ability。

因此：

\boxed{ C_{\mathrm{eff}} > K_H }

在操作意義上完全可能成立。

不是因為這個人突然「懂了」全部技術，

而是他可以：

\text{Query} \rightarrow \text{Generate} \rightarrow \text{Execute} \rightarrow \text{Observe} \rightarrow \text{Correct}.

五、內生能力與借用式能力

本文因此區分：

內生技術能力

K_{\mathrm{intrinsic}}

表示行動者可以自行理解、推導、驗證與重建的能力。

借用式技術能力

K_{\mathrm{borrowed}}

表示透過：

AI；
自動化工具；
Framework；
SaaS；
Crime-as-a-Service；
他人提供的模組；

暫時取得的可操作能力。

所以：

\boxed{ K_{\mathrm{effective}} = K_{\mathrm{intrinsic}} + \alpha K_{\mathrm{borrowed}} }

其中：

0\leq\alpha\leq1

表示使用者實際能正確調用、理解與修正借用能力的比例。

六、為什麼 $\alpha$ 很重要？

如果：

K_{\mathrm{intrinsic}}

非常低，

則行動者可能無法判斷：

AI 是否幻覺；
工具是否失效；
結果是否誤報；
系統是否已經改變；
操作是否已經被偵測；
某一步是不是會破壞整個流程。

因此：

K_{\mathrm{borrowed}}\uparrow

並不保證：

K_{\mathrm{effective}}\uparrow

到同樣程度。

這正好延續《終端機的右側》原本的四層分類。

該文已區分：

高人類能力 × 高 AI 整合；
高人類能力 × 低 AI 整合；
低人類能力 × 高 AI 使用；
低人類能力 × 低 AI 使用。

並將低能力、高 AI 使用者的主要問題描述為「無法有效驗證 AI 輸出」。

因此本文不是推翻舊模型，而是進一步補上一個重要量：

\boxed{ \alpha = \text{Borrowed Capability Realization Rate}. }

七、AI 不需要讓新手變成高手

這裡有一個很容易被誤解的地方。

假設：

K_{\mathrm{novice}}=20

而真正的頂級研究者：

K_{\mathrm{expert}}=100.

AI 不需要做到：

20\rightarrow100.

如果某些普通目標的有效入侵門檻只有：

T_{\mathrm{compromise}}=35,

那只需要：

20\rightarrow40.

事情就已經改變了。

因此真正重要的判斷不是：

AI 能不能讓普通人成為世界級資安研究者？

而是：

\boxed{ K_{\mathrm{effective}} \geq T_{\mathrm{target}}? }

只要超過目標需要的最低能力，

攻擊就具有可行性。

八、目標難度是另一個變數

令：

D_T

表示目標防護強度。

則門檻其實應寫成：

T_{\mathrm{compromise}} = T(D_T).

因此：

低防護目標

T(D_L)

可能很低。

普通企業

T(D_M)

中等。

成熟大型企業

T(D_H)

很高。

國家級／關鍵基礎設施

T(D_X)

可能極高。

因此：

\boxed{ \text{AI lowers attacker threshold} }

不等於：

\boxed{ \text{all targets become easy}. }

這個限制必須明確保留。

九、Cybercrime-as-a-Service 使能力進一步模組化

AI 並不是唯一的門檻壓縮來源。

INTERPOL 已將 Cybercrime-as-a-Service 描述為降低犯罪進入門檻的重要因素：現成工具、商業化套件與攻擊服務可以讓技術水平較低的人取得原本需要更多專業知識的能力。

Europol 2026 IOCTA 同樣把：

\text{AI} + \text{Cybercrime Enablers}

列為當前犯罪生態的重要擴張因素。

於是：

\text{Attack Stack}

開始可以被拆成：

S_1+S_2+\cdots+S_n.

一個行動者不必自行建立全部能力。

十、從全棧駭客到犯罪組裝者

舊的想像：

H = \{ \text{Recon}, \text{Exploit}, \text{Persistence}, \text{Infrastructure}, \text{Monetization} \}.

全部由同一個人完成。

但產業化犯罪可以變成：

H_1 \rightarrow H_2 \rightarrow H_3 \rightarrow H_4.

不同角色分別處理：

access；
infrastructure；
credential theft；
monetization；
laundering；
hosting。

Microsoft 在 2026 年分析 Tycoon2FA 時便特別強調這種「模組化 cybercrime」：不同服務可以分別負責釣魚內容、基礎設施、散布與存取變現，使複雜能力透過訂閱式方式被更多攻擊者使用。

因此：

\boxed{ \text{Cybercrime} \rightarrow \text{Composable Capability Market}. }

十一、Tycoon2FA 的結構意義

Tycoon2FA 的重要性並不在於本文要研究其具體攻擊方法。

真正值得注意的是其產業結構。

Microsoft 2026 年報告指出，這類 Phishing-as-a-Service 平台使技術能力較低的攻擊者也能操作原本更複雜的身份攻擊能力，並以極大規模進行活動。

也就是：

\text{Complex Capability}

被轉換成：

\text{Consumable Service}.

這和：

AWS

將大型計算基礎設施轉化為：

\text{rentable compute}

在抽象結構上非常類似。

只是用途不同。

十二、技術能力正在從「擁有」轉變成「調用」

這導出本文的一個重要命題：

能力調用命題

在高度工具化的環境中，

行動者是否能完成某項任務，不再完全取決於：

\operatorname{Own}(K).

也可能取決於：

\operatorname{Access}(K).

所以：

\boxed{ \operatorname{Capability} = \operatorname{Owned} + \operatorname{Accessible}. }

AI 正是將大量：

\operatorname{Accessible}

能力放到自然語言介面後面。

十三、自然語言介面的特殊影響

傳統工具要求：

\text{Know Syntax} + \text{Know Tool} + \text{Know Procedure}.

AI 則把一部分介面轉換成：

\text{Describe Intent}.

因此：

C_{\mathrm{interface}} \downarrow.

這不代表：

C_{\mathrm{reasoning}}=0.

但會減少大量：

語法查找；
文件閱讀；
模板建立；
錯誤排查；
工具轉換。

Microsoft 2026 的威脅情報也觀察到，AI 已被用於加速研究、程式編寫、誘餌內容與遭竊資料分類等多個環節。

這種作用可以表示為：

C_{\mathrm{knowledge\ retrieval}}\downarrow,

C_{\mathrm{translation}}\downarrow,

C_{\mathrm{iteration}}\downarrow.

十四、AI 的真正作用之一：摩擦消除

所以本文更願意寫：

\boxed{ AI = \text{Attack Workflow Friction Reducer} }

而不只是：

AI = \text{Exploit Generator}.

定義總操作摩擦：

F_A = F_K + F_T + F_I + F_R + F_E,

其中：

$F_K$ ：知識搜尋摩擦；
$F_T$ ：工具使用摩擦；
$F_I$ ：整合摩擦；
$F_R$ ：重複作業摩擦；
$F_E$ ：錯誤修正摩擦。

AI 能同時降低其中多個項。

於是：

F_A\downarrow \Rightarrow T_{\mathrm{launch}}\downarrow.

十五、AI 並不是唯一原因

因此不能把所有門檻下降歸因於 AI。

完整模型更合理地寫成：

T_A(t) = F( A_{\mathrm{AI}}, A_{\mathrm{automation}}, A_{\mathrm{tools}}, A_{\mathrm{public\ knowledge}}, A_{\mathrm{CaaS}} ).

長期來看：

\frac{dT_A}{dt}<0

在大量普通攻擊類型上可能成立。

AI 只是使這個下降加速。

十六、技術門檻下降後，什麼成為真正門檻？

這裡開始進入本文第二個核心問題。

如果：

C_T

代表技術成本，

傳統可能：

C_T \gg C_O+C_L+C_M.

其中：

$C_O$ ：Operational Security Cost；
$C_L$ ：Legal/Enforcement Risk；
$C_M$ ：Monetization Cost。

當：

C_T\downarrow,

則相對上：

C_O, C_L, C_M

開始變得更加重要。

十七、犯罪總成本模型

本文提出：

\boxed{ C_{\mathrm{crime}} = C_T + C_O + C_M + C_N + C_L }

其中：

$C_T$ ：Technical Cost

取得並執行攻擊能力。

$C_O$ ：Operational Security Cost

避免身份、設備、資金與基礎設施被追查。

$C_M$ ：Monetization Cost

如何將非法取得的能力或資產轉換成可使用利益。

$C_N$ ：Network/Trust Cost

與地下服務、合作對象與犯罪供應鏈建立可信關係。

$C_L$ ：Expected Legal Cost

刑事調查、拘捕、起訴、判刑、資產沒收等風險。

十八、預期犯罪效用

令犯罪收益為：

V.

成功率：

p_s.

遭偵測／執法的機率：

p_d.

法律損失：

L.

則可以粗略表示：

U_C = p_sV - C_T - C_O - C_M - C_N - p_dL.

若：

U_C>0,

在純經濟模型下犯罪具有誘因。

當然，真實人類決策還受：

道德；
社會規範；
衝動；
風險偏好；
認知偏差；

影響。

因此這不是人類犯罪行為的完整心理模型，而只是結構模型。

十九、真正的門檻可能從技術轉移到犯罪選擇

如果 AI 與 CaaS 使：

C_T \rightarrow \text{low},

則：

p_dL

可能變成最大的剩餘項。

這就是本文所稱：

技術—犯罪門檻分離

Technical–Criminal Threshold Separation

即：

\boxed{ \text{Can do} \neq \text{Will do}. }

某個人技術上具有能力，

完全不表示他願意：

違法；
冒刑事風險；
傷害他人；
進入地下犯罪圈；
承擔被追查的後果。

二十、這其實和普通犯罪相似

很多現實犯罪的主要門檻並不是：

\text{Physical Impossibility}.

而是：

\boxed{ \text{Law} + \text{Norm} + \text{Expected Punishment}. }

會開車的人很多。

但：

\text{Can use a car in crime}

遠多於：

\text{Actually uses a car in crime}.

同樣地，未來可能出現：

\text{Can conduct meaningful cyber intrusion}

的人數，

遠大於：

\text{Actual cybercriminals}.

二十一、可犯罪技術人口擴張命題

令：

N(K\geq T)

表示技術能力超過某攻擊門檻的人口。

若：

T_{\mathrm{compromise}}\downarrow,

則在能力人口分布不變的情況下：

N(K\geq T_{\mathrm{compromise}}) \uparrow.

因此：

\boxed{ AI \Rightarrow \text{Potential Offensive Population}\uparrow. }

但：

\text{Potential Offensive Population} \neq \text{Criminal Population}.

這兩者之間存在：

\text{Legal / Ethical / Social Filter}.

二十二、因此「駭客人口」這個詞本身需要重新拆分

本文建議至少區分：

N_{\mathrm{capable}}

具有實質技術能力者；

N_{\mathrm{intent}}

具有惡意意圖者；

N_{\mathrm{active}}

實際展開活動者；

N_{\mathrm{professional}}

具有持續犯罪營運能力者；

N_{\mathrm{elite}}

具有高端研究／高強化目標能力者。

通常：

N_{\mathrm{elite}} \ll N_{\mathrm{professional}} < N_{\mathrm{active}} < N_{\mathrm{capable}}.

AI 最可能快速推高的是：

N_{\mathrm{capable}}.

不一定同比提高：

N_{\mathrm{elite}}.

二十三、大眾文化的「駭客天才偏差」

本文稱一個常見認知錯誤為：

Hacker Genius Bias

駭客天才偏差

即：

因為頂級駭客的能力極高，而將「頂級能力」錯誤當成「任何實際網路攻擊都需要的最低能力」。

這與：

因為 F1 車手技術極高，所以認為所有危險駕駛行為都只有 F1 車手才能完成。

具有同樣邏輯問題。

真正應問的是：

\boxed{ T_{\mathrm{required}}(\text{specific target}) }

而不是：

\boxed{ K_{\mathrm{best hacker}}. }

二十四、普通企業為什麼因此更加重要？

如果大量普通企業：

D_T

並不高，

那麼：

T_{\mathrm{compromise}}(D_T)

本身就可能不高。

以前即使如此，

仍然存在：

C_{\mathrm{search}} + C_{\mathrm{knowledge}} + C_{\mathrm{attention}}

等摩擦。

AI、自動化與犯罪服務化正在降低這些成本。

因此：

\boxed{ \text{Weak Target} + \text{Lower Attack Threshold} }

會產生乘數效應。

這也與本系列下一階段將討論的：

攻擊者注意力稀缺防線消失

直接相連。

二十五、但大型強化目標不能照此推論

本文明確拒絕以下推論：

\text{AI lowers barriers} \Rightarrow \text{anyone can hack Google}.

不成立。

當目標具有：

\text{Strong IAM} + \text{EDR/XDR} + \text{SOC} + \text{AppSec} + \text{Threat Intelligence} + \text{Red Team} + \text{Rapid Patching},

則：

T_{\mathrm{hardened}}

仍可能遠高於一般行動者能力。

因此：

\boxed{ \text{Threshold Compression} \neq \text{Threshold Elimination}. }

這是本文最重要的限制之一。

二十六、犯罪工業化會進一步降低個體門檻

Cybercrime-as-a-Service 真正帶來的是：

\text{Vertical Integration} \rightarrow \text{Horizontal Specialization}.

一個個體不再需要：

K_1+K_2+\cdots+K_n.

只需要：

K_i + \operatorname{Access}(K_{-i}).

也就是：

\boxed{ \text{Expertise Ownership} \rightarrow \text{Expertise Market Access}. }

Europol 與 INTERPOL 近年的評估均將 Crime-as-a-Service、生態系統化犯罪與 AI 擴張列為當代網路犯罪的重要結構變化。

二十七、犯罪市場與正常雲端市場具有結構同構

正常資訊產業：

\text{Own Server} \rightarrow \text{Cloud}.

不再需要每家公司自己蓋機房。

犯罪產業：

\text{Own Full Attack Stack} \rightarrow \text{CaaS}.

不再需要每個犯罪者自己建全部能力。

這並不是道德同構，

而只是：

\boxed{ \text{Economic Modularization}. }

能力模組化之後，

使用門檻自然下降。

二十八、AI 又進一步充當能力整合層

CaaS 解決的是：

\text{Capability Availability}.

AI 更進一步處理：

\text{Capability Integration}.

亦即：

我有很多工具，但不知道怎麼搭配。

AI 可以成為：

\boxed{ \text{Natural-Language Orchestration Layer}. }

於是：

\text{Tools} + \text{AI} + \text{Services}

可能共同形成：

\text{Pseudo-Expert Workflow}.

二十九、真正的高手仍然保有巨大優勢

這一模型不是在貶低高能力駭客或資安研究者。

恰恰相反。

當：

K_{\mathrm{intrinsic}} \uparrow,

通常：

\alpha\uparrow.

因為高能力者更能：

判斷 AI 是否錯誤；
修正工具；
建立新假設；
在工具失效時重新設計路徑；
創造新的能力。

因此：

\boxed{ \text{Expert} + AI > \text{Novice} + AI. }

而且差距未必縮小。

在某些場景甚至可能：

\Delta K_{\mathrm{effective}} \uparrow.

這就是《終端機的右側》原始 Layer 1 判斷仍然成立的理由。

三十、AI 造成的是底線上升與天花板上升同時發生

因此完整趨勢不是：

\text{Everyone becomes equal}.

而更像：

\boxed{ \text{Floor}\uparrow \quad\land\quad \text{Ceiling}\uparrow. }

普通使用者能力上升。

頂級使用者能力同樣上升。

因此：

\text{Capability Distribution}

整體向右移動，

但不一定變窄。

三十一、對防禦方的意義：不要再用攻擊者身份判斷風險

傳統防禦有時容易問：

這是不是 APT？

這是不是國家級？

這個人是不是高手？

但是：

\text{Actor Sophistication}

與：

\text{Current Effective Capability}

之間的關係正在被 AI 與 CaaS 弱化。

因此更重要的是：

\boxed{ \text{What capability is being exercised now?} }

而不是：

\boxed{ \text{Who traditionally had this capability?} }

三十二、基線安全的重要性會提高

當：

N_{\mathrm{capable}} \uparrow,

原本只有少數高手能利用的低成本錯誤，

可能逐漸變成大規模可利用問題。

因此最基本的：

patching；
phishing-resistant MFA；
least privilege；
secure defaults；
dependency management；
backups；
logging；
endpoint protection；

反而變得更加重要。

因為它們提高：

T_{\mathrm{compromise}}.

三十三、防禦的目標不是阻止天才，而是提高最低門檻

從本系列第二篇：

B_{\mathrm{sys}} = \min_{p\in\mathcal P} C(p).

可以進一步得到：

防守者首先不需要證明：

可以擊敗世界上最強攻擊者。

更實際的目標是：

\boxed{ T_{\mathrm{compromise}} \uparrow. }

把：

N_{\mathrm{capable}}

壓回足夠小。

也就是：

不要讓一個低技能＋現成 AI 的攻擊者就有機會成功。

三十四、刑法與執法因此反而變得更加重要

當：

C_T

降低，

法律威懾的重要性相對增加。

因為：

\boxed{ p_dL }

開始成為阻止：

N_{\mathrm{capable}} \rightarrow N_{\mathrm{active}}

的重要過濾器。

FBI 2026 年公布的 2025 Internet Crime Report 顯示，美國通報的 cyber-enabled crimes 損失已接近 210 億美元，反映網路犯罪已經是大規模現實經濟問題，而不是少數技術亞文化活動。

因此未來資安問題會更清楚地同時包含：

\text{Cybersecurity} + \text{Law Enforcement} + \text{Economic Regulation}.

三十五、但法律不能替代技術防禦

同樣必須避免另一個極端：

\text{Crime is illegal} \Rightarrow \text{System is secure}.

不成立。

因為：

p_d<1.

而且：

跨境；
匿名基礎設施；
犯罪市場；
不同司法管轄；

都會降低部分犯罪者的感知風險。

Europol 與 INTERPOL 2026 年的公開評估均持續強調跨國合作、私部門協作與犯罪基礎設施打擊的重要性。

所以：

\boxed{ \text{Technical Defense} + \text{Legal Deterrence} }

必須同時存在。

三十六、可證偽命題

本文提出以下可以被研究驗證的命題。

命題一：AI 對低技能群體的邊際增益更高

比較：

K_L

低技能組與：

K_H

高技能組。

給予相同 AI 工具。

測量：

\Delta P_{\mathrm{success}}.

預測：

\Delta P_L > \Delta P_H

在基礎任務上可能成立。

命題二：高階任務仍維持技能梯度

當任務要求：

未知系統；
新漏洞；
工具失效；
高度防禦；
長期對抗；

則：

P_{\mathrm{expert+AI}} \gg P_{\mathrm{novice+AI}}.

如果長期觀察完全不成立，則本文對：

T_{\mathrm{hardened}}, T_{\mathrm{novel}}

仍高的假設需要修正。

命題三：CaaS 與 AI 的組合比任一單獨因素更能降低操作門檻

測量：

人類 only；
人類 + AI；
人類 + tools/services；
人類 + AI + tools/services。

若：

\Delta C_4 > \Delta C_2+\Delta C_3

則存在整合乘數效應。

命題四：技術門檻降低不會同比提高犯罪人口

如果：

N_{\mathrm{capable}}\uparrow\uparrow

但：

N_{\mathrm{active}}

僅緩慢增加，

則支持：

\text{Technical–Criminal Threshold Separation}.

三十七、研究倫理與安全邊界

本文研究：

攻擊能力如何商品化；
AI 如何降低工作流摩擦；
犯罪經濟如何影響資安；
防禦應如何因應能力人口擴張。

本文不提供：

具體未授權入侵步驟；
惡意工具配置；
隱蔽方法；
漏洞利用程序；
逃避執法方法；
犯罪變現技術。

本文所研究的是：

\boxed{ \text{Threat Population Dynamics}. }

三十八、與《終端機的右側》的修正關係

《終端機的右側》將 AI 時代駭客分成四層，其中：

Layer 3 = 低技術能力 × 高 AI 使用。

本文現在對 Layer 3 進一步拆分。

原本：

\text{Layer 3} \approx \text{AI-era Script Kiddie}.

現在需要至少區分：

L_{3a} = \text{Blind Tool User},

L_{3b} = \text{AI-Assisted Functional Attacker},

以及：

L_{3c} = \text{Service-Orchestrating Attacker}.

因為：

低內生技術能力，不再必然等於低實際攻擊能力。

這是本文對既有 AI Hacker 模型最重要的修正。

三十九、從「物種分化」到「能力流動」

舊模型強調：

K_{\mathrm{human}} \times D_{\mathrm{AI}}.

本文增加：

K_{\mathrm{borrowed}}.

因此未來攻擊者能力變成：

\boxed{ \mathcal H = F( K_{\mathrm{intrinsic}}, K_{\mathrm{borrowed}}, D_{\mathrm{AI}}, Q_{\mathrm{integration}}, V_{\mathrm{verification}} ) }

這表示能力已不只是個體屬性。

能力可以：

\boxed{ \text{租用、調用、組合、暫時取得。} }

這可能是 AI 時代駭客生態真正最大的結構改變之一。

四十、結論：未來危險的不是人人變成天才駭客

本文的結論並不是：

未來每個人都會成為頂級 Hacker。

這既不必要，也很可能不正確。

真正值得注意的是另一件事：

\boxed{ \text{造成實質安全損害所需要的最低能力正在下降。} }

當：

T_{\mathrm{compromise}}\downarrow,

則：

N_{\mathrm{capable}}\uparrow.

而當：

K_{\mathrm{effective}} = K_{\mathrm{intrinsic}} + \alpha K_{\mathrm{borrowed}},

個體不再必須自行擁有整套技術。

他只需要能夠取得、組裝與使用足夠能力。

因此：

\boxed{ \text{AI does not need to create more geniuses.} }

它只需要：

\boxed{ \text{make ordinary capability sufficient more often.} }

這便足以改變威脅人口結構。

然而：

\text{Can Attack} \neq \text{Will Commit Crime}.

當技術門檻下降後，

真正剩餘的壁壘會更多地轉移到：

\boxed{ \text{Law} + \text{Ethics} + \text{OPSEC} + \text{Monetization} + \text{Criminal Network Risk}. }

因此，未來可能出現一個非常反直覺的社會：

\boxed{ N_{\mathrm{cyber-capable}} \gg N_{\mathrm{cybercriminal}}. }

這就像現代社會中：

有能力造成物理傷害的人很多，而真正實施犯罪的人仍然只是其中很小一部分。

所以 AI 時代真正需要改變的，不只是：

如何抓住幾個頂級 Hacker？

而是：

當實質攻擊能力逐漸成為普通人也可以取得的技術能力時，整個數位社會要如何讓基礎系統本身足以抵抗這個新的能力人口基線？

這將直接帶出本系列第四篇：

《安全能力覆蓋缺口》

為什麼「有資安人員」不等於「具有完整資安能力」

因為當攻擊能力逐漸模組化、自動化、AI 化時，下一個問題便不是只有：

攻擊者變多了嗎？

而是：

\boxed{ \text{防禦組織到底有沒有覆蓋完整的安全能力空間？} }

參考資料與前置節點

Microsoft Threat Intelligence, Threat actor abuse of AI accelerates from tool to cyberattack surface, April 2, 2026.
Microsoft Threat Intelligence, AI as tradecraft: How threat actors operationalize AI, March 6, 2026.
Microsoft Threat Intelligence, Inside Tycoon2FA: How a leading AiTM phishing kit operated at scale, March 4, 2026.
Europol, IOCTA 2026 – The evolving threat landscape: how encryption, proxies and AI are expanding cybercrime, April 28, 2026.
INTERPOL, Cybercrime. INTERPOL notes that off-the-shelf tools, commercial kits and hacking services lower barriers to complex cybercrime.
INTERPOL, Spotlight Cybercrime Focus, on Crime-as-a-Service and lowered barriers to entry.
FBI, 2025 Internet Crime Report summary, published April 6, 2026.
Neo.K，《終端機的右側：AI 時代駭客生態的四層分化與生物終局》。
Neo.K，《從終端機右側到物理世界：具身 AI 駭客、因果攻擊面與聯邦式威脅演化》。
Neo.K，《從算力攻擊者到認知攻擊主體：AI 駭客時代的密碼安全範式轉換》。
Neo.K，《不破解密碼：AI 對解密能力執行流與系統因果結構的重構攻擊》。

攻擊門檻壓縮

攻擊門檻壓縮

AI 時代的駭客能力普及、借用式技術能力與犯罪成本分離

摘要

一、問題：駭客真的必須是電腦天才嗎？

二、五種不同的攻擊門檻

2.1 啟動門檻

2.2 實質失陷門檻

2.3 持續控制門檻

2.4 強化目標攻擊門檻

2.5 新型能力創造門檻

三、AI 壓低的是哪一個門檻？

攻擊門檻壓縮

四、門檻壓縮不是能力消失

五、內生能力與借用式能力

內生技術能力

借用式技術能力

六、為什麼 α\alphaα 很重要？

七、AI 不需要讓新手變成高手

八、目標難度是另一個變數

低防護目標

普通企業

成熟大型企業

國家級／關鍵基礎設施

九、Cybercrime-as-a-Service 使能力進一步模組化

十、從全棧駭客到犯罪組裝者

十一、Tycoon2FA 的結構意義

十二、技術能力正在從「擁有」轉變成「調用」

能力調用命題

十三、自然語言介面的特殊影響

十四、AI 的真正作用之一：摩擦消除

十五、AI 並不是唯一原因

十六、技術門檻下降後，什麼成為真正門檻？

十七、犯罪總成本模型

CTC_TCT​ ：Technical Cost

COC_OCO​ ：Operational Security Cost

CMC_MCM​ ：Monetization Cost

CNC_NCN​ ：Network/Trust Cost

CLC_LCL​ ：Expected Legal Cost

十八、預期犯罪效用

十九、真正的門檻可能從技術轉移到犯罪選擇

技術—犯罪門檻分離

二十、這其實和普通犯罪相似

二十一、可犯罪技術人口擴張命題

二十二、因此「駭客人口」這個詞本身需要重新拆分

二十三、大眾文化的「駭客天才偏差」

Hacker Genius Bias

二十四、普通企業為什麼因此更加重要？

二十五、但大型強化目標不能照此推論

二十六、犯罪工業化會進一步降低個體門檻

二十七、犯罪市場與正常雲端市場具有結構同構

二十八、AI 又進一步充當能力整合層

二十九、真正的高手仍然保有巨大優勢

三十、AI 造成的是底線上升與天花板上升同時發生

三十一、對防禦方的意義：不要再用攻擊者身份判斷風險

三十二、基線安全的重要性會提高

三十三、防禦的目標不是阻止天才，而是提高最低門檻

三十四、刑法與執法因此反而變得更加重要

三十五、但法律不能替代技術防禦

三十六、可證偽命題

命題一：AI 對低技能群體的邊際增益更高

命題二：高階任務仍維持技能梯度

命題三：CaaS 與 AI 的組合比任一單獨因素更能降低操作門檻

命題四：技術門檻降低不會同比提高犯罪人口

三十七、研究倫理與安全邊界

三十八、與《終端機的右側》的修正關係

三十九、從「物種分化」到「能力流動」

四十、結論：未來危險的不是人人變成天才駭客

《安全能力覆蓋缺口》

為什麼「有資安人員」不等於「具有完整資安能力」

參考資料與前置節點

六、為什麼 $\alpha$ 很重要？

$C_T$ ：Technical Cost

$C_O$ ：Operational Security Cost

$C_M$ ：Monetization Cost

$C_N$ ：Network/Trust Cost

$C_L$ ：Expected Legal Cost