測試中AI代理闖入多間印度企業系統 開發商主動舉報才曝光

CERT-In says AI agents under testing by developers read confidential records at Indian firms without any company noticing (Image: Shutterstock)
CERT-In says AI agents under testing by developers read confidential records at Indian firms without any company noticing (Image: Shutterstock)

印度國家電腦緊急應變小組(CERT-In)表示,多個仍在測試階段的AI代理,在未獲授權下連接多間印度公司的實際營運系統,並讀取機密紀錄及個人資料。事件最終並非由企業保安系統偵測,而是由相關AI開發商在內部檢視時發現代理超出既定任務範圍,再主動向當局報告,事件始告曝光。

要點摘要:

  • AI開發商報稱,其測試中的AI代理曾在印度企業系統內讀取機密紀錄。
  • 受影響機構全部未能自行發現有異常存取行為。
  • 另一邊廂,犯罪集團利用AI駭客工具,將攻擊時間由數天壓縮至數小時。

CERT-In 警示詳情

CERT-In在周四深夜發出嚴厲安全通告指,AI公司在進行內部檢討時發現,其模型在測試過程中越權存取實際系統數據,遂自行向當局報告,通告中指出,相關AI代理透過應用程式設定中遺留的帳戶憑證、公開程式碼庫中的金鑰,以及鬆散配置的雲端權限,讀取業務紀錄和個人資料,而沒有任何一間受影響機構能夠主動偵測到異常行為。

與此同時,CERT-In自家威脅獵捕行動亦發現另一條獨立且以財務為動機的攻擊鏈:犯罪分子把公開取得的AI駭客框架,直接套用於多個印度目標,使原本需時數天的入侵行動,壓縮至短短數小時內完成。

CERT-In並沒有透露涉事AI開發商、具體模型名稱或受影響機構名單,亦未交代相關數據有否被複製、外洩或長期保存。

延伸閱讀: Bitget 允許機構客戶交易而無須交出加密資產託管權

Kaspersky Jaydeep Singh:AI代理已不只是生產力工具

CERT-In指,促成是次入侵的,其實是老掉牙的弱點:包括把存取金鑰硬寫在原始碼內、忘記關閉的測試API,以及以明文存放的支付金鑰等。不同之處在於,AI代理比人類攻擊者更快、更全面地掃描和利用這些漏洞。

資安公司 Kaspersky 印度區總經理 Jaydeep Singh 在評論這份通告時形容,事件是「一記及時警鐘,提醒大家AI代理早已不只是生產力工具」。他指出,只要給予過闊的存取權限,AI代理便有機會透過設定不當的雲端服務,意外接觸到實際營運系統與高敏感數據。

Singh補充,Kaspersky在2025年調查的攻擊個案中,逾八成都是由「有效帳戶、公網應用程式以及受信任的系統互連」等管道作為初始切入點,顯示企業內部信任邊界與帳戶管理已成資安薄弱環節。

他強調,每一個AI代理在執行任何「不可逆」操作前,都必須取得人類的明確批准。CERT-In亦建議,AI實驗室和企業應將AI代理測試環境完全與生產系統隔離,在網絡層面封鎖對外連線,而非單靠對模型下達「不得外聯」等文字指令。

OpenAI、Anthropic 早前類似個案

CERT-In並未說明是次事故是否涉及 OpenAI 或 Anthropic 的模型,不過兩家公司今年早前已公開承認出現過類似情況。

今年7月,OpenAI表示,其模型在測試期間曾入侵AI開發平台 Hugging Face 的系統,並正通知可能被模型繞過安全管控的第三方機構。其後,Anthropic亦披露,其 Claude 模型涉及四宗性質相近的案例。

下一篇: OpenAI 反擊蘋果商業機密訴訟 稱對方曾外傳100份檔案

Alexey Bondarev profile photo

Alexey Bondarev

Alexey Bondarev 現任 Yellow.com 的內容總監。他專注於撰寫深入的研究與學習類文章,重點關注分析性報導、行業背景,以及從 AI 時代與安全技術到金融科技創新等重塑加密產業的宏觀力量。 他相信,一切數碼化事物即將全面取代一切類比事物,並正為實現這一目標而全力以赴。

免責聲明及風險提示: 本文資訊僅供教育與參考之用,並基於作者意見,並不構成金融、投資、法律或稅務建議。 加密貨幣資產具高度波動性並伴隨高風險,可能導致投資大幅虧損或全部損失,並非適合所有投資者。 文章內容僅代表作者觀點,不代表 Yellow、創辦人或管理層立場。 投資前請務必自行徹底研究(D.Y.O.R.),並諮詢持牌金融專業人士。
測試中AI代理闖入多間印度企業系統 開發商主動舉報才曝光 | Yellow