基礎設施安全是這篇文章討論的核心

AI 代理人全面落地後：企業到底要怎麼把「基礎設施安全」拉到等級—零信任、供應鏈與模型監控一次講清楚

Q: AI 代理人上線後，我最先要改哪裡的安全？

先改存取與基礎設施邊界：把零信任的存取判定從「內網信任」移到資源旁邊，並讓代理的權限最小化。同時把監控接到行為與資料流，因為代理會頻繁調用服務、也更容易觸發橫向移動或資料外洩路徑。

Q: 供應鏈安全一定要做 SBOM 嗎？不做會怎樣？

SBOM 不是好看用的，它是事件定位與漏洞影響評估的前提。沒有 SBOM，你在漏洞通告來時只能用猜的；而 AI 系統堆疊很深，猜越多，出事時越難回溯到底哪些元件造成影響。建議從交付物要求 SBOM 與可驗證版本/哈希開始。

Q: 模型監控要監哪些？只看輸出品質夠嗎？

只看輸出品質通常不夠。你需要同時追 provenance（資料來源可追溯）、監測 model drift（行為偏移趨勢）、以及對抗/提示脆弱面（特定模式是否能穩定觸發不安全行為）。最好把告警與處置流程打通，讓風險不是停在報表上。

快速精華
先講我看到的重點：安全焦點已經轉移
為什麼 2026 年「算力/網路/儲存」會成為 AI 攻擊主戰場？
零信任不是口號：把存取判定搬到資源旁邊（並持續驗證）
供應鏈要用硬一點的證據：AI 硬體與模型交付如何做安全治理？
模型行為監控與資料溯源：你得知道 drift、provenance、對抗面在哪
FAQ：很多人卡住的三個點

快速精華

💡核心結論：大型語言模型與自主代理人越普及，安全團隊就越不能只盯「應用層」。算力、儲存、網路、硬體供應鏈與模型行為（含資料來源與漂移）會變成攻擊者最在意、也最容易下手的槓桿。

📊關鍵數據：到 2027 年，生成式 AI 與相關風控/治理支出預期會進入「以百億美元計」的規模擴張區間；同時，未來幾年監管合規要求會把這些支出進一步導向可稽核的安全流程（例如：零信任落地、供應鏈可追溯、模型行為持續監控）。（以下段落我會把「為什麼是這些環節」講到你能直接拿去規劃投資。）

🛠️行動指南：用零信任架構把存取控制「從網段信任」改成「每次請求都評估」；建立 AI 硬體/軟體供應鏈安全交付（SBOM/證據鏈）以降低未知風險；對模型做連續監控（含資料 provenance、model drift、對抗脆弱面），並把告警直接接到處置流程。

⚠️風險預警：最大的地雷不是「你沒有工具」，而是工具有了但沒有證據鏈：沒有能追溯資料來源的治理，就很難判斷漂移；沒有把存取策略落在資源旁邊，就很難阻止橫向移動；沒有供應鏈安全交付，就只能靠運氣。

先講我看到的重點：安全焦點已經轉移

我觀察到一個很明顯的趨勢：企業一旦把大型語言模型（LLM）升級到能「代理式」執行任務（例如自動調用工具、連接內網系統、批次跑流程），攻擊面就會從「聊天介面」直接跳到「基礎設施」。不是誇張，因為攻擊者真正需要的是：拿到運算能力、滲入存取路徑、竊取/污染資料、或讓模型行為偏航。

在一則由 AI 資安分析師強調的內容裡，安全團隊被提醒要把 compute、storage、network 這些層級視為高價值攻擊目標，並用零信任網路、強化 AI 硬體供應鏈、以及持續監控模型行為來對抗風險；同時還指出監管正在出現 AI-safety 指引，會把合規壓力推向規模化部署的組織。這些話其實可以直接翻成一張 2026 版安全作戰圖。

為什麼 2026 年「算力/網路/儲存」會成為 AI 攻擊主戰場？

如果你仍用傳統思路把資安當成「封一層防火牆就好」，那你會踩到第一個坑：AI 系統不是單一程式，它是整套管線（訓練/微調、推論、工具調用、記憶存取、監控回饋）。當攻擊者想搞事情，他們不一定要先攻破模型權重；有時候只要讓你在某個環節把資料帶偏、把請求導到錯的服務、或讓供應鏈元件被替換，就足夠造成影響。

這也是為什麼基礎設施三件套（算力/儲存/網路）會變成高價值靶點：算力代表你能不能讓任務跑、能不能被耗盡；儲存代表你資料的來源與落地是否可被竄改；網路代表服務之間的信任邊界在哪、橫向移動的門有多大。

你看，這不是抽象的「安全很重要」。而是當你把模型當作可操作代理來用，你就等於把一套運算與資料處理機制暴露到現實世界的攻擊路徑上。用零信任、供應鏈證據與模型行為監控把攻擊面切成更細的可控片段，才會讓風險可被量化、可被稽核。

零信任不是口號：把存取判定搬到資源旁邊（並持續驗證）

零信任（Zero Trust）最常被誤解成「全部都要 MFA」。但 NIST 的零信任架構定義重點其實更核心：移除「內網就天然信任」的假設，把每一次存取請求用身份作為主控制，並結合裝置狀態與情境資料來評估，且在資源附近進行強制執行。

你可以把它想成：攻擊者再怎麼靠近你的內網，也不能因為在同一個網段就自動得到通行證。這對 AI 代理尤其關鍵，因為代理會頻繁調用各種服務（資料庫、物件儲存、內部 API、任務隊列），而且往往需要更高權限去完成任務。權限一大，風險就不是線性上升，是指數式放大。

落地怎麼做？你至少要做到三件事：第一，讓存取判定不依賴「是否在內網」；第二，把權限與資源綁定，代理需要什麼就只給什麼；第三，持續監控存取模式（尤其是代理的行為），一旦出現異常（例如在短時間內大量掃描內部端點），就要能快速收口。

參考依據（可稽核閱讀）：NIST SP 800-207, Zero Trust Architecture 。

供應鏈要用硬一點的證據：AI 硬體與模型交付如何做安全治理？

很多團隊談供應鏈時只會說「供應商要負責」。但資安治理需要證據。當 AI 系統越依賴堆疊式交付（硬體、韌體、容器、模型檔、第三方依賴），你真正要管的是：每一次你拿到的東西，是否能被追溯、是否能被檢驗已知風險、以及是否能在事件發生時快速定位。

這裡最實用的概念是 SBOM（Software Bill of Materials，軟體材料清單）。用白話講：SBOM 就是把你系統裡有哪些元件、版本、關聯關係做成可追蹤的「成分表」。當你遇到漏洞通告或供應鏈風險時，你才能從成分表反推影響範圍。

在供應鏈安全討論中，NVIDIA 的文件也提到其 AI Enterprise 容器流程包含 SBOM review，目的就是維持元件清單的準確性（至少在發布流程上先做對）。此外，CISA 也有談到 SBOM 讓供應鏈風險的識別更一致、更快。

供應鏈治理的落地策略可以這樣排：第一，要求交付物附帶 SBOM 與版本/哈希等可驗證資訊；第二，把 SBOM 進入你們的漏洞管理與變更管理流程；第三，針對 AI 硬體/容器/模型交付建立最低安全基準（例如：簽章驗證、來源可追溯、變更可審計）。

參考依據（可稽核閱讀）：Security Development Lifecycle for NVIDIA AI Enterprise（含 SBOM review）、CISA：A Shared Vision of SBOM for Cybersecurity、NIST：Software Security in Supply Chains: SBOM 。

模型行為監控與資料溯源：你得知道 drift、provenance、對抗面在哪

如果你把零信任跟 SBOM 視為「外部防線」，那模型行為監控與資料溯源就是「內部駕駛艙」。新聞中的重點很直接：安全團隊必須理解模型內部（包含資料來源 provenance、model drift，以及對抗漏洞）才能設計有效控管。

為什麼？因為很多事件不是立刻變成攻擊者「直接偷走資料」那種戲劇性情節，而是模型輸入資料或上下文被污染、推論行為逐步漂移、或對特定提示/工具鏈路存在脆弱面，最後造成錯誤決策、資料外洩或違規輸出。

所以你需要的不是「一次性測試報告」，而是持續性的觀測指標與處置流程：例如輸入資料來源是否有變動、檢測到的異常回覆類型是否上升、推論耗用是否出現不合理模式、以及是否存在特定對抗提示能穩定觸發不安全行為。

此外，監管也在推動合規可落地。以 NIST 的 AI Risk Management Framework（AI RMF 1.0）方向來看，AI 風險治理需要系統化地納入 trustworthiness 考量，並在組織層面管理風險。這會直接影響 2026 後的產品與安全責任邊界：安全團隊必須能解釋「我們如何管理風險」而不是只說「我們有做防禦」。