一、资产结构重构：从 “系统主导” 转向 “模型为核”
过往，关键信息基础设施安全治理的核心围绕网络设备、服务器、业务系统及结构化数据展开，重点保障系统的可用性、完整性与保密性。随着大模型、智能体深度参与核心业务流程，数据、模型、算法参数、智能接口逐步升级为直接决定系统运行效果的核心资产，资产结构正式从 “系统中心型” 转向 “模型中心型”。
其一，数据资产价值跃升为基础性控制要素。训练数据、实时运行数据、反馈数据共同决定模型能力上限，数据的真实性、完整性、时效性直接影响决策质量。一旦数据遭污染或出现偏差，风险会通过模型泛化能力持续扩散放大，成为系统性风险源头。
其二，模型本体成为高价值核心资产。模型参数与权重凝聚了行业算法能力与核心知识，具备投入成本高、替代难度大、影响范围广的特点。一个基座模型往往支撑多个业务系统，一旦失控、被篡改或窃取，将直接冲击多项核心业务，风险外溢效应显著。
其三，接口与智能体权限形成新型风险通道。API 调用、自动执行接口、跨系统数据流转，让模型输出可直接作用于业务流程甚至物理设备，接口安全从单纯技术问题升级为直接影响运行安全的关键问题。
与此同时，“影子 AI” 现象加剧了资产管理难度。未经备案私自调用模型、员工个人账号接入外部智能服务等行为，大幅降低资产可视性与可控性，成为关键信息基础设施领域最危险、最普遍、最难管控的安全隐患。相关行业报告显示，超六成 “影子 AI” 事件导致个人信息泄露，近四成造成企业知识产权失窃，大量未经审查的 AI 产品隐蔽使用，已形成大面积监管盲区。
二、威胁形态迭代：从 “破坏系统” 转向 “操控决策”
不同于传统以网络入侵、恶意代码、拒绝服务攻击为主的威胁，当前攻击者已将 AI 作为核心攻击工具，围绕数据、模型、决策链发起更精准、更持续的攻击，威胁重心从破坏系统运行，转向操控智能系统行为、篡改运行结果。
一方面，“智能黑客” 大幅提升攻击破坏力。AI 赋能网络攻防后，催生的智能黑客具备五大特征：自主性强，可独立规划攻击路径、识别漏洞、生成恶意代码；效率极高，可 24 小时并行攻击海量目标，将数周任务压缩至数小时；门槛降低，普通攻击者通过提示词即可操控 AI 完成复杂攻击；隐蔽自适应，动态调整策略规避传统检测；精准打击，结合目标数据定制钓鱼攻击，成功率显著提升。恶意 AI 工具已在暗网流通，形成完整犯罪链条，进一步扩散智能攻击能力。
另一方面，攻击目标聚焦 “隐性操控”。多起安全事件显示，针对 AI 模型的攻击不再追求即时破坏，而是通过植入恶意逻辑、篡改训练数据，让模型在表面正常运行的状态下，持续输出错误决策，风险长期潜伏难以察觉。这类攻击一旦发生在调度、预警等核心场景，将累积系统性风险。
此外，攻击覆盖模型全生命周期，且风险跨层级传导。训练阶段可植入模型后门、投毒污染数据；推理阶段可通过提示注入、越狱攻击绕过安全机制；供应链阶段可篡改开源模型、植入恶意组件；智能体层面可诱导决策偏差、污染行为记忆。同时，核心模型攻击可跨业务、跨系统扩散，甚至传导至物理控制层，且无明显异常流量，大幅增加溯源处置难度。
三、新型脆弱点凸显：AI 带来系统性安全短板
AI 相关安全脆弱点，不同于可通过补丁修复的传统漏洞，多源于模型机理、数据依赖、供应链及运行模式，难以彻底消除、难以精准定位。
第一，模型 “黑箱化” 削弱风险感知。主流大模型决策过程不可解释，推理路径无法直观验证，一旦输出异常，难以区分是数据问题、模型故障还是恶意攻击，风险易长期潜伏。
第二，数据依赖成隐蔽风险源头。AI 高度依赖数据，数据来源复杂、更新频繁、治理链条长，极易被污染篡改；模型训练形成的固有偏差，会在运行中不断放大，形成 “无漏洞失效” 的新型风险。
第三，AI 应用催生大量新增漏洞。AI 编程工具普及后，无安全约束生成的代码近半数存在漏洞；AI 基础设施漏洞数量持续攀升，高危漏洞占比超三成，从数据泄露、环境缺陷到云平台风险，漏洞加速累积。
第四，机控运行放大局部风险。智能体与自动化决策让关键设施从 “人控” 转向 “机控”，多智能体协同易产生超出预期的连锁反应，局部脆弱点可快速扩散为系统性风险。
第五，开源供应链风险持续扩大。关键设施广泛采用开源模型与第三方 API，开源代码依赖链长、维护水平参差不齐，攻击者可预置后门、注入恶意代码，隐蔽性强、危害范围广。
四、传统治理体系适配不足：多重短板亟待补齐
AI 驱动的风险变化，让现有安全控制体系暴露出明显短板，难以有效应对智能化场景下的安全挑战。
边界防护难以覆盖内部风险。传统防护侧重网络分区、访问控制、入侵检测，应对外部入侵有效，但 AI 场景下风险多源于内部，数据投毒、模型偏差、智能体误用等无异常流量，传统手段无法识别，易出现 “系统安全、智能失控” 的隐患。
静态权限管控不住动态行为。现有权限管理以 “用户 - 系统 - 权限” 为核心，侧重 “谁能访问什么”，但 AI 模型调用、智能体决策具有动态性、场景依赖性，静态配置无法约束复杂决策行为，难以防范诱导滥用风险。
漏洞管理难以识别新型风险。传统漏洞管理依赖扫描、补丁、合规检查，针对明确技术缺陷；而 AI 风险多为模型泛化失效、数据偏差累积、策略组合失控，无对应漏洞编号，无法通过传统手段识别量化。
监测体系缺失决策异常识别能力。现有监测聚焦网络攻击、系统故障，缺乏针对模型输出、决策逻辑、智能行为的监测指标与处置流程，难以早期发现错误决策，导致风险持续累积。
五、构建智能化治理体系：五大路径筑牢安全防线
应对 AI 带来的安全挑战，关键信息基础设施安全治理需从责任、资产、能力、技术、监管五大维度，构建适配智能化场景的新型治理体系。
第一，重构分层责任体系。强化企业高层主体责任，将 AI 安全纳入核心风险治理框架，与网络安全、生产安全同等重视，定期开展风险评估、重大变更审议；健全多方协同机制，明确数据方、开发方、服务方、应用方的安全职责，实现责任可追溯、处置可协同。
第二，实施智能资产全生命周期管理。建立数据、模型、算法、接口、智能体统一资产台账，明确归属与权限；强化资产可视化监测，实时追踪模型部署、接口调用、算法更新；完善模型备案与变更评估机制，常态化排查整治 “影子 AI”，杜绝无序扩散。
第三，打造六大核心安全控制能力。强化数据治理，构建全流程数据质量管控与异常检测机制；增强模型安全评估，上线前开展鲁棒性测试、对抗演练；重构安全开发规范，强化 AI 生成代码追溯校准；搭建决策行为监测体系，早期识别隐蔽风险；健全人机协同兜底机制，关键场景保留人工复核干预权；完善审计追溯与应急响应，实现风险快速处置、责任精准定位。
第四，以 AI 技术赋能安全治理。利用 AI 提升风险感知能力，实时分析模型输出、决策偏移、运行态势，早期识别隐蔽风险；增强自动响应能力，快速执行隔离、降权、回滚等处置，缩短风险暴露时间；管控系统性脆弱点，开展模型审计、鲁棒性测试、多模型交叉验证，降低单一失效风险。
第五，推动监管与运营协同升级。监管层面，将 AI 安全纳入现有监管框架，在安全检查、等保测评中重点关注模型安全、数据治理、决策风险，推动治理从 “合规导向” 转向 “风险导向”；运营层面，企业统筹安全、信息化、业务部门，将 AI 安全融入日常运营，纳入绩效考核，全面提升智能化风险防控能力。
结语
人工智能为关键信息基础设施带来发展机遇的同时，也带来前所未有的安全挑战。唯有打破传统安全思维定式，围绕数据、模型、决策全链条构建系统性、智能化的安全治理体系，才能有效防范化解风险，筑牢国家关键信息基础设施安全屏障，护航数字经济高质量发展。
