當AI防禦遇上AI攻擊，「以子之矛，攻子之盾」正在資安界上演|數位時代 BusinessNext

科技可以為善可以作惡，人工智慧（AI）也是，端看人類如何使用它，而在資安世界裡，這場防禦端和攻擊端的AI攻防前哨戰已經開打。

AI從三層面防禦駭客攻擊

不只是攻擊端，AI之於資安防禦，也是不可獲缺的角色，像是IBM旗下資安產品幾乎已全面導入AI。

為什麼要用AI防禦？Lodewijkx指出，現在的資料量龐大，來自網路、電腦系統、資料庫等等，隨之而來的是資料、威脅、環境都變得更複雜；在此情況下，卻面臨資安技術人力短缺，IBM調查指出，到2022年，資安領域會有180萬份的資安人力短缺。這也是為什麼需要在資安工具中導入AI，而AI也能提高偵測和反應的速度，降低損失。

Lodewijkx指出，目前最常見的AI資安應用是「預測分析」（predictive analytics），也就是藉由機器學習分析大量數據，從中找出異常。「市場上幾乎每個人都說有將AI導入資安中，就是這個分類。」他說。

例如，監控網路流量或使用者行為，找出不尋常的地方，或是觀察人類如何和電腦或手機互動，進而分辨出是真正的人類、還是假裝成人類的惡意軟體。此外，也能找出「假陽性」的威脅警報，降低誤報率。

第二類則是智能強化（Intelligence consolidations），也就是把資安研究工作交給AI。Lodewijkx解釋，IBM教旗下人工智慧Wastson讀懂資安相關的新聞、研究報告、Twitter訊息等等，進而建立知識圖譜（knowledge graph），並找出每個知識間的關聯性。訓練完成後，當他們告訴Watson一個IP位址、網址或檔案，Watson就可以回報該檔案的相關訊息，如和哪種病毒有關、常被哪些駭客組織使用、鎖定哪些產業等等，讓分析師不用再自己去讀大量資料。

第三種則是智能回應（intelligence response），目標在於提高一定時間內的分析效率。Lodewijkx指出，以資安營運中心為例，分析師有58%的時間都是花在重複性工作上。舉例來說，當資安監測系統發出警示，分析師必須比對不同的應用程式、資料庫和系統，確認該警示是否為真，而正因為這些步驟是固定的，很適合自動化。

AI不是資安防禦的完美解方

儘管現在AI已經被大量用於資安產品，但Lodewijkx認為AI並不能解決所有資安問題，「我們距離那時還很遠。」

Lodewijkx解釋，現階段AI只能針對特定任務，使用場景仍非常狹隘，雖然可以強化防禦，但仍需要和其他防禦方式相輔相成，如更新補丁、保護憑證、防火牆等等。

更重要的是，AI仍需要和人類合作。「我們還沒有進入AI比人類聰明的時代，」Lodewijkx解釋，機器學習模型最擅長的地方是，做人類訓練他們做的事情，這也是為什麼AI可以做很多例行工作，但仍無法做到需要創造、調查類的工作。反過來講，這也意味著AI攻擊也只能做好一件事，當被訓練的攻擊手段不行，AI也無法像人類一樣自己想出別種攻擊方法。

「這其實有點像軍備競賽（arm race），」Lodewijkx說，現在駭客學習AI、取得演算法、雲端計算能力等成本都越來越低，這也讓防禦端的偵測和回應速度必須更快及精準。而這場AI資安攻防的前哨戰，才剛開打。

「過去我們教育教導學生如何從數據中找出標準答案，但在生成式AI的時代，標準答案往往是最廉價的。」臺大EiMBA執行長李家岩一語道破了這波商業典範轉移的核心。他認為，當資訊獲取邊際成本趨近於零，企業的競爭優勢已不再是單純的「掌握資訊」，而是「如何設計讓 AI 與人共同創造價值的流程」。這不只是一句口號，而是一場正在被驅動的轉型。從課程設計的邏輯重組，到學生創業專題的實戰演練，臺大EiMBA正將校園打造成一個允許失敗、快速驗證的「人機共創實驗場」。

告別標準答案，當教授變成「學習架構師」

「我們不再只是教導知識，而是設計學習。」李家岩指出，臺大EiMBA的課程正在經歷結構性的轉變。現在的教授角色更像是一位「學習架構師（Learning Architect）」，他們的任務不是單向輸出，而是設計出高強度的挑戰與情境，讓學生在解決問題的過程中，自然地將 AI 納入決策迴路。

以今年新開設的「雙軸轉型與人工智慧」課程為例，這並非傳統的技術概論課，而是場關於商業邏輯的壓力測試。學生不再只是繳交一份靜態的商業計畫書，反而被要求運用生成式 AI 輔助設計商業模式畫布（Business Model Canvas），甚至利用Vibe Coding技術讓不懂程式語言的商管學生，也能透過自然語言與提示工程，快速生成互動式的原型與操作介面來模擬市場反應。這項技術打破了傳統「文組企劃、理組執行」的藩籬，讓創意能即時轉化為可執行的程式碼。在這個過程中，AI 扮演的角色並非代筆的秘書，而是將概念具現化的加速器，以及最嚴厲的邏輯質疑者。

「這是我在課程中學到最深刻的一課，」臺大EiMBA二年級生、寵物百分百用戶體驗暨品牌行銷中心負責人鐘紫瀕分享道。身處近200人新創組織的高階主管，她坦言最初員工對 AI 充滿敬畏，甚至恐懼被取代。但在 EiMBA 的課堂上，她發現 AI 真正的價值在於「攻防」與「鏡像」。「老師設計了一種『沙漏式』的提問邏輯，迫使我們把策略餵給AI後，必須面對它無情的反問。」鐘紫瀕回憶，「這個市場假設有數據支持嗎？」、「你的競爭壁壘在哪裡？」這種高強度的追問，都是AI在對學員提出的挑戰，迫使她必須思考得比AI更深、更遠。「以前我們忙著找答案，現在我們學會如何設計出『連 AI 都沒想過的好問題』。AI就像一面鏡子，映照出我們思考邏輯上的盲點。」

數位孿生實戰，將「感覺」轉化為「數據決策」

除了策略層面的思維激盪，AI 在營運端的落地應用，更是讓許多直覺型創業者經歷了一場痛苦卻必要的轉型。臺大EiMBA一年級生、赤赤子設計師林宏諭對此感觸良多。

身處傳統服裝產業，過去他的經營模式多仰賴美感與經驗，「以前做決策就是憑感覺，甚至忙不過來時，連縫扣子這種小事我都自己跳下去做。」但在李家岩講授的「雙軸轉型與人工智慧」課堂上，他被迫面對冰冷的數據與流程，而這正是李家岩強調的「數位孿生（Digital Twin）」素養。

在虛擬世界中建立一個與真實工廠或商業流程一模一樣的模型，利用AI進行模擬與預測，是現代智慧製造的核心。對林宏諭而言這意味著必須將腦中抽象的「職人經驗」轉化為AI讀得懂的 SOP。「那段過程就像是被老師架著刀子往前走，非常痛苦，」林宏諭形容，為了讓 AI 能協助優化流程，他必須把每一個步驟定義清楚，無法再用「大概」、「憑感覺」含糊帶過。

雖然煎熬但成果是豐碩的。當感性的創意被裝進理性的數據框架後，林宏諭發現自己的決策不再是賭博，而是可被驗證的科學。「現在AI不僅幫我理清思緒，更像是團隊的外掛大腦。我開始能鼓勵員工使用AI釋放重複性勞動，讓大家能準時下班，去做更有價值的事。」這正是課程希望帶給學員的轉變，從「事必躬親的管理者」進化為「善用工具的跨域系統設計者」。

跨域共創，打破同溫層的「破壁效應」

如果說AI是另一位虛擬組團員那麼課堂上原本的同學們，就是來自多重宇宙的戰友。這裡匯聚了醫師、網紅、工程師、律師與傳產二代，如此多元的背景在AI的催化下，產生奇妙的化學反應。

李家岩特別提到了榮獲霍特獎（Hult Prize）肯定的「RiiVERSE」團隊。這個由臺大管院 EiMBA 與 GMBA 學生組成的團隊，成員涵蓋了時尚、行銷與創新創業等不同領域。他們利用舊衣回收再製技術，打造出循環經濟的生態圈。「這就是我們強調的跨域共創。」李家岩解釋，在過去，不同領域的專業人士溝通成本極高，但現在，AI成為了通用的翻譯機與黏著劑。

「AI不僅降低了技術門檻，讓文組生也能做Prototype，更讓理組生也能懂得商業敘事。」在這樣的環境下，創新不再是單打獨鬥，而是像RiiVERSE團隊一樣，結合理性與感性，共同回應全球永續（ESG）的艱鉅挑戰。

為了內心的狂熱，動手去做

然而，隨著AI涉入決策越來越深，一個核心問題浮現：在演算法能預測趨勢、生成文案甚至編寫程式的時代，人類領導者的價值還剩下什麼？「我們教的不是被AI取代，而是擴增智慧。」李家岩眼神堅定地說。他強調，未來的領導者必須具備三項關鍵特質：AI素養、跨域系統設計能力，以及科技人文的反思力。

其中最關鍵的，是懂得界定「自主邊界（Autonomous Boundary）」。領導者必須清楚判斷：哪些決策該放手讓 AI 自動化？哪些時刻必須保留人類的溫度與價值判斷？「例如在智慧工廠中，AI 可以預測機台何時需要維修保養，但『什麼樣的風險可以接受』、『我們要解決什麼社會問題』，這些涉及價值觀的決策，永遠需要人類來定奪。」李家岩補充道。

在李家岩眼中，真正的創新往往不是來自同類型人才的討論，而是從不同背景、不同世界觀的碰撞中誕生。「一個人能看到的只是片段，跨域合作才能讓問題完整。」他再次提到。對他而言，EiMBA 想培養的不是知道最多的人，而是能讓「各種智慧」一起工作的人。在AI與人類智慧並存的年代，領導者最重要的能力，不是掌握所有答案，而是打造一個能讓答案自然生成的組織環境。「未來需要的領導者是能整合技術與人、懂得跨域系統思考、也能『擇人(含機器人)而任勢』的人。」李家岩說，而這群充滿創業創新的管理者也將在未來商業戰場上奏出人機協作的新樂章。

當AI防禦遇上AI攻擊，「以子之矛，攻子之盾」正在資安界上演

最新AI攻擊手法，插入噪音就能破壞語音辨識系統