导语：
当AI Agent能够在27秒内完成从初始入侵到系统全面突破的整套攻击流程，任何依赖人工干预的安全流程都显得苍白无力。这则AI新闻背后，是一场关于企业网络安全的根本性速度革命。传统检测与预防机制在非确定性AI攻击面前节节败退，而“网络弹性”（Cyber Resilience）——一种在攻击发生前就已准备好恢复的主动防御哲学——正成为AI赛道下最受关注的安全新范式。
27秒的警报：AI驱动的攻击如何击穿传统安全防线
前沿AI模型正在将攻击速度推向难以想象的水平。根据Rubrik公司AI业务总经理Dev Rishi的观察，基于AI的自主攻击工具现在可以在短短27秒内完成从初始访问到系统完全突破的全过程。这意味着，攻击者可以利用AI Agent同时扫描多个漏洞、自动选择最优路径，并在人类安全分析师意识到问题之前就已经完成数据窃取或系统破坏。
传统安全体系依赖的“检测-告警-人工响应”流程，平均需要数分钟甚至数小时才能完成。即便最优秀的SOC（安全运营中心）团队，从发现异常到阻断攻击也至少需要几分钟。27秒的攻击窗口，完全打破了人类参与的可能性。
“一切依赖流程或人工干预的安全措施，都无法再跟上攻击的速度，”Rishi如此强调。他认为，企业必须接受一个残酷的现实：在AI驱动的攻击面前，预防已经不可能做到100%有效，唯一的出路是让恢复速度也达到同样的毫秒级。
这一趋势与当前的数字化转型浪潮密切相关，企业越依赖数字化系统，攻击面就越广。不少安全专家开始呼吁，将AI工具导航中的自动化恢复方案纳入企业基础架构，而不是将其视为事后补救措施。
从检测到弹性：安全思维的根本性转变
传统网络安全的核心假设是：攻击可以被检测并阻止。但AI Agent的非确定性本质彻底颠覆了这一假设。与传统的确定性软件不同，AI Agent可以通过多种路径达成同一目标，当一个路径被阻断时，它能立即找到替代方案。这种灵活性使得基于静态规则和签名检测的传统防线形同虚设。
更深层的问题在于，传统安全逻辑只检查单一访问是否被授权，却无法评估一系列看似独立的授权操作，跨越多个应用后是否构成数据泄露或破坏性攻击。例如，一个AI Agent可能先正常读取一个文件，然后调用另一个应用的API，最后将数据发送到外部服务器——每一步都可能在权限范围内，但组合起来就是一次完整的攻击。
“你需要一个能够理解上下文语境的安全系统，”Rishi表示，“你需要用AI来观察AI在做什么，并判断‘你正在做的事情是否有泄露敏感数据的风险’。”
这种思维转变催生了“网络弹性”这一新概念。它不再追求100%的预防，而是假设攻击不可避免，重点在于快速识别安全状态、持续映射关键数据和身份依赖关系，并自动化恢复流程，使业务能在数小时内恢复，而不是数天。
在AI赛道中，这种理念正在催生新的产品方向。例如，一些AI画图工具在设计时也开始考虑数据安全隔离，但更重要的还是企业级安全架构的彻底重构。
AI Agent模糊内外威胁界限，企业面临新挑战
企业安全长期以来存在一个清晰的区分：外部威胁来自黑客、恶意软件等，速度快、途径多；内部威胁则通常由单个员工的行为引起，速度和规模有限。但AI Agent的出现彻底打破了这个界限。
当AI Agent被部署在企业内部环境中，它能同时访问多个系统，并以人类无法匹敌的速度执行操作。一旦Agent出现幻觉、误解指令或无意中触发数据转移，其造成的后果在操作层面与恶意内部攻击几乎没有区别。更可怕的是，当外部攻击者成功攻陷一个内部Agent，就相当于获得了该Agent在所有关联应用中的完整访问权限。
“无论Agent是因为疏忽导致内部威胁，还是被恶意利用，你都需要一套运行时护栏，能够一致地执行企业的安全策略，”Rishi指出。他建议部署一个“AI原生守护层”，该层能够语义化地监控Agent行为，理解跨动作的意图，并在机器速度下阻断或终止异常Agent，同时立即触发恢复流程。
这种守护层必须足够轻量，不能拖慢业务运行。抠图和背景去除等工具虽然看似无关，但其背后高效的小模型推理技术，恰恰为实时安全监控提供了技术参考。企业也可以考虑使用AI工具箱中的轻量级安全代理来构建第一道防线。
小语言模型崛起：实时防御的经济解
真正的网络弹性是一枚硬币的两面：既需要实时智能拦截来阻止进行中的威胁，又需要自动恢复来立即恢复运营。然而，将前沿大模型用于实时监控每一个Agent动作，会带来巨大的延迟和计算成本。一个安全系统如果让业务变慢或成本翻倍，根本不可能被广泛采用。
“它必须是一个快速、小巧、便宜的人工智能模型，”Rishi强调。这正是小语言模型（SLM）的关键价值所在。Rubrik通过收购Predibase，构建了基于小模型的实时防御层。与沉重的前沿模型不同，SLM可以在机器速度下语义化评估Agent行为，成本仅为大模型的零头。
SLM充当实时检查点，当系统观察到Agent执行破坏性操作——如删除数据库、损坏关键文件或外泄敏感数据——小模型立即检测并触发恢复。这种超高效的执行层，使得恢复与防御之间的连接更加紧密和无缝。
从AI投资的角度看，小模型正在成为AI赛道中的新宠。相比动辄数亿美元训练的大模型，SLM的训练和部署成本极低，但足够胜任特定场景下的实时推理任务。安全领域不过是其应用场景之一，文生图、AI诗词等创意工具同样受益于小模型的轻量化特性。
投资新方向：AI赛道与AI投资向弹性倾斜
前沿AI模型已经能够自主发现并利用零日漏洞，攻击的经济性正在发生根本性变化。这意味着，企业必须基于两个新假设来运营：攻击是必然的，而非例外；对弹性和快速恢复的投资，必须与对预防的投资同等重要。
这种转变将恢复从“事后活动”重新定义为一种经过精心设计、测试和持续验证的能力。Rishi将此比喻为“保险单”——组织必须将恢复能力视为一等公民，而非可有可无的附加项。
在AI投资领域，这一趋势已经显现。越来越多的风投机构开始关注安全弹性领域的初创公司，尤其是那些专注于小模型实时监控和自动化恢复的团队。AI赛道变得更加细分，从大模型训练到小模型部署，从攻击检测到弹性恢复，每一个环节都涌现出新的机会。
对于企业决策者而言，这意味着需要重新评估预算分配。过去，90%的安全预算花在预防上，现在可能需要将至少30%转移到弹性能力建设上。这包括部署SLM守护层、建立自动化恢复剧本、以及定期进行弹性演练。
值得注意的是，艺术签名和昵称生成等看似无关的消费级AI应用，其背后的模型优化技术（如蒸馏、量化）同样适用于小模型安全部署。跨领域的技术迁移正在加速。
未来已来：构建“攻击前即开始”的弹性体系
当攻击速度达到27秒级别，企业已经无法等待攻击发生后再响应。Rishi提出的“攻击前即开始恢复”理念，意味着企业需要持续监测系统状态，预先确定“干净状态”，并确保在任何时刻都能快速回滚到该状态。
这要求企业做到三点：第一，持续备份并验证恢复点的有效性；第二，建立关键数据和身份依赖的实时映射；第三，将恢复流程完全自动化，并纳入日常运营。
Rubrik的实践表明，通过小模型驱动的实时监控，可以在攻击发生的同时就启动恢复流程，将平均恢复时间从数天缩短到数小时甚至数分钟。这种能力在勒索软件攻击、数据泄露、系统故障等场景中至关重要。
对于中小企业而言，可能没有足够的预算部署全套方案。此时，借助AI工具导航寻找开源或低成本的弹性工具是一个务实选择。例如，一些云平台已提供自动快照和回滚功能，可以结合AI图片生成等工具所需的敏感数据隔离策略，逐步构建弹性体系。
最终，网络弹性不是一次性的项目，而是一种持续演进的能力。随着AI Agent在企业中的普及，安全与业务将不再是对立关系，而是深度融合。那些率先拥抱弹性思维的企业，将在AI驱动的安全新世界中占据先机。