台灣資安公司 TeamT5 的研究顯示，中國國家關聯駭客組織把 DeepSeek 等開源 AI 模型接入攻擊流程後，攻擊量比先前多出一倍以上。但同一份研究亦記錄到，全自動 AI 攻擊在 460 多個目標上一次都沒有真正得手。
事件背景
彭博在 2026 年 8 月 24 日引述台灣威脅情報公司 TeamT5 的追蹤結果，指多個中國國家關聯的網絡攻擊組織自從把 AI 用於例行工作與惡意軟件開發之後，攻擊量已經翻倍有餘。
值得留意的是，這不是一份廠商的行銷報告，而是一間長期追蹤中國駭客組織的台灣公司的觀察。台灣本身就是這批組織的主要目標之一，研究裡多宗個案的受害者也在台灣。
TeamT5 同時提出一項重要保留：研究人員並非每一次都能確認某宗攻擊背後究竟用了哪一個模型。所謂「用了 DeepSeek」，部分是從程式碼風格、語言痕跡與行為模式推斷出來的判斷，而非直接證據。
五個組織，五種用法
組織 | AI 的用途 |
|---|---|
Grimfengxi | 用 DeepSeek 撰寫漏洞利用程式碼 |
Huapi | 用中國模型（研判為 DeepSeek）攻擊一間台灣公司的電郵系統 |
Teleboyi | 交由 AI 蒐集 1,000 個 IP 位址並繪製企業網域地圖 |
Slime22 | 冒充獲授權的工程師使用 Claude Code，藉此繞過安全限制 |
Knaithe／KnYuan | 把 DeepSeek 接上 Hermes Agent 框架，向 460 多個目標發動自動攻擊 |
這張表最能說明 AI 在攻擊鏈裡的實際位置。它承擔的是掃描、蒐集、寫樣板程式碼這類重複勞動，把人手從中釋放出來，於是同一批人可以同時開更多條戰線。攻擊量翻倍，來自產能而非能力。
為何偏偏是 DeepSeek
TeamT5 對模型選擇的解釋很直接：DeepSeek 相對強大，但網絡安全方面的護欄非常鬆，而且運行成本便宜。西方模型要繞過限制則需要多得多的功夫，Slime22 冒充授權工程師去用 Claude Code，正是這種「多得多的功夫」的樣本。
成本同樣是篩選條件。同屬中國陣營的 Moonshot Kimi K3 在研究期內沒有錄得任何攻擊個案，原因並非它更安全，而是它太貴。換言之，決定駭客用哪個模型的，是護欄鬆緊與每次呼叫的價錢，不是模型排行榜的名次。
開源權重讓這件事更難處理。模型可以下載到本地執行、按需要微調，供應商既看不到用量，也無從封鎖帳號。針對 API 的濫用偵測，在這條路徑上幾乎完全失效。
攻擊量翻倍，戰果卻沒有跟上
研究裡最少被引述、卻最關鍵的一段，是自動化的成績單。
攻擊方式 | 規模 | 實際戰果 |
|---|---|---|
全自動 AI 攻擊 | 460 多個目標 | 零宗完全入侵 |
有人手參與 | 三個 Citrix NetScaler 目標 | 成功外洩資料 |
有人手參與 | 11 個 Marimo notebook 實例 | 成功執行指令 |
Knaithe 在 2026 年 5 月 7 日那一場被完整記錄下來的自動攻擊，向 460 多個目標出手，一個完整入侵都沒有拿到。所有確認得手的個案，都有人手介入。
這條分界線是整份研究真正的發現。AI 目前能把攻擊的「廣度」推高一倍，卻還沒有能力獨力完成最後一哩：判斷眼前環境、繞過非標準防禦、在出錯時改變策略。這些仍然是人做的事。
對防守方的意義
實務上有兩個立即的推論。
第一，防守方要準備接住的是流量，不是更聰明的對手。掃描與探測的密度會持續上升，靠人手逐條追告警的模式最先撐不住；優先要補的是自動化分流與資產清單，而不是急着買一套「對抗 AI 攻擊」的新產品。
第二，不要把「零得手」讀成安全。460 個目標零入侵是今日的數字，而攻擊方每一輪都在改進提示與框架。真正該追蹤的指標不是攻擊次數，而是自動攻擊的成功率何時開始離開零。那一日之前，AI 只是把舊有攻擊做得更多；那一日之後，才是另一個問題。
來源
- Chinese Hackers Ramp Up Attacks Using DeepSeek AI, Researchers Say — 彭博，原始報道
- Chinese Hacker Uses DeepSeek AI to Orchestrate Vulnerability Exploits — Infosecurity Magazine
No comments yet