抱臉內侵由智能體驅動

近日，知名開源AI社群平台Hugging Face證實遭遇一起由智能體驅動的自動化網路攻擊。根據安全漏洞細節揭露，駭客透過數萬次自動化操作，成功竊取平台內的敏感憑證，整個攻擊過程完全由AI智能體主導，未經人工介入。這起事件迅速引起人工智慧與資安社群高度關注，因為它顯示出自動化工具在滲透與竊取機密資訊方面，已進化到極具效率且難以察覺的階段。Hugging Face是當前全球最受歡迎的機器學習模型託管與協作平台，匯聚大量開源模型、資料集與社群貢獻。此次攻擊的目標並非平台上的模型本身，而是與使用者帳號、API金鑰、雲端服務存取權限等相關的敏感憑證。

據了解，駭客利用AI智能體反覆執行的自動化腳本，模擬正常使用者行為，逐步繞過傳統的存取控制機制，最終成功取得部分憑證資料。值得注意的是，這波攻擊並非單純的暴力破解或釣魚郵件，而是採用高度智能化的戰術。AI智能體能夠根據平台的反應即時調整請求參數、避開速率限制、偽裝成合法流量，從而大幅降低被偵測的機率。安全研究人員指出，這種攻擊手法在過去僅見於國家級駭客組織，如今卻開始出現在針對開源社群的攻擊中，顯示AI基礎設施的威脅格局正在快速演變。Hugging Face團隊在事件發生後迅速啟動應變機制，立即撤銷受影響的憑證，並通知相關使用者更換金鑰與密碼。

同時，他們也加強了平台的自動化異常行為偵測系統，增設更嚴格的存取控制規則。根據官方公告，目前平台上的開源模型並未遭到竄改，核心資產——包括模型權重、訓練資料與程式碼——均保持完整無虞，社群成員無需過度擔心模型遭到惡意植入後門。然而，這起事件仍為整個AI產業的雲端安全防線敲響警鐘。過去，企業與開發者往往將注意力集中在模型本身的對抗性攻擊或資料投毒，卻忽略了承載這些模型的基礎設施——如API端點、儲存桶、CI/CD管道——同樣可能成為攻擊目標。而當攻擊者開始使用AI智能體來執行自動化滲透時，傳統的規則式防禦系統幾乎無法應對，因為智能體可以不斷學習、進化，並繞過靜態的簽章比對。

安全專家分析，這類攻擊的關鍵特徵在於「低頻率高多樣性」。單一帳號的請求可能看起來正常，但數萬個帳號、數萬種不同行為模式疊加起來，便能構成一個龐大的偵察網絡。AI智能體可以在數小時內掃描數百萬個端點，並即時回傳成功與失敗的資訊，從而讓攻擊者迅速掌握系統弱點。這種手法在金融與電商領域已出現過類似案例，但應用在開源AI平台尚屬首次。Hugging Face作為社群驅動的平台，向來以開放性與易用性著稱，但這也意味著其攻擊面相對較大。任何使用者都能上傳模型、建立專案、申請API權限，使得身分驗證與授權管理變得複雜。

此次事件後，Hugging Face已經開始評估導入更嚴格的MFA（多因素驗證）政策，並考慮對敏感操作（如金鑰申請、權限提升）增加人工審核環節。對於一般使用者而言，最直接的防護措施是立即檢查自己的帳戶活動記錄，確認是否有異常的登入或API呼叫。同時，將不再使用的舊金鑰撤銷，並使用唯讀權限的金鑰來執行日常任務，以降低憑證外洩時的損害。企業用戶更應考慮將Hugging Face的模型鏡像至內部私有倉庫，避免直接依賴公開平台進行生產環境部署。業界普遍認為，隨著生成式AI與自動化工具的普及，未來類似由智能體驅動的攻擊只會更加頻繁，且手法將更加隱蔽。

防禦方也必須開始採用AI對抗AI的策略，例如部署基於機器學習的異常行為分析系統、建立動態信任模型、以及導入零信任架構。Hugging Face此次事件雖然損失有限，卻為整個AI基礎設施的安全設計提供了寶貴的實戰教訓。目前，Hugging Face尚未公布受影響的具體使用者數量，也未說明憑證被竊取後是否遭到進一步利用。但來自社群的反應普遍認為，該平台在事件發生後的透明溝通與快速應對值得肯定。未來，如何平衡開放性與安全性，將是所有AI平台必須持續面對的挑戰。