Palo Alto Networks 執行長警告：AI 將在六個月內找出十年份的資安漏洞
Palo Alto Networks 執行長 Nikesh Arora 指出，AI 模型找出壞程式碼的能力已超越寫出完美程式碼的能力，未來半年內將發現過去十年才能找到的漏洞數量，企業必須為大量補丁潮做好準備。
本文整理自 South Park Commons《Minus One》2026 年 4 月播出的單集。
{{< youtube ThPxRYxXbOQ >}}
{{< spotify "episode/4UVeGQRxRAQUqlWAEaaygw" >}}
{{< apple-podcast "tw/podcast/the-ai-cybersecurity-crisis-is-here-nikesh-arora-palo/id1759014294?i=1000764792417" >}}
批評程式碼比寫程式碼容易，AI 也一樣
Palo Alto Networks 執行長尼基什．阿羅拉（Nikesh Arora）在 South Park Commons 的活動上，用一句話點出了整場資安風暴的核心邏輯：人類寫爛程式碼已經寫了非常久。這不是什麼新聞，但當 AI 的程式碼理解能力在過去 18 個月突飛猛進時，一個過去被時間稀釋的問題突然被壓縮了。
阿羅拉的觀察很直覺：如果你相信 LLM 已經能處理 90% 的程式開發場景，那它理解壞程式碼、找出漏洞的能力只會更強。批評永遠比建設容易，AI 在這件事上也不例外。把一個大型語言模型指向你的基礎架構，它會比任何人類稽核員更快地找出被遺留的錯誤組態和敞開的大門。阿羅拉預估，未來六到十二個月內，業界將發現過去需要十年才能找到的漏洞數量。
這些漏洞分布在三個地方：開源軟體、企業自己寫的程式碼、以及軟體供應商賣給你的產品。AI 不會挑食，它會把三種壞程式碼都找出來。更進一步，如果模型的上下文視窗夠大，它甚至能把多個獨立的漏洞串接起來，推理出一條完整的攻擊路徑。這已經不只是「發現問題」，而是在幫攻擊者規劃路線。
Agent 時代的安全空白：TSA 不是跟飛機一起發明的
阿羅拉用了一個精妙的比喻：TSA（美國運輸安全管理局）不是在飛機發明的時候就存在的。早期的飛行只是想辦法從一個地方到另一個地方，安全檢查是後來才加上去的，因為人們發現有人會拿飛機做壞事。
AI Agent 正處於同樣的階段。企業正在全力部署 Agent、串接 MCP 伺服器、讓 AI 系統彼此對話，但這些新架構幾乎都沒有內建安全機制。阿羅拉直言：目前沒有安全版本的 MCP 存在。他提到 Salesforce 最近走向無頭架構（headless），但沒有人清楚這套系統的安全治理機制長什麼樣子。不久前，Salesforce 的一個市集應用程式才被攻破，連帶影響了一大批企業客戶。
但問題的規模還不只如此。阿羅拉指出，現在沒有任何一家企業知道自己內部到底有多少個模型在運行。Hugging Face 上每天有超過百萬次模型下載，這些模型流入企業環境後，沒有人能確認它們是否安全、是否有後門、是否存在三個月後才啟動的休眠連結。從模型本身到 Agent 的通訊流量，再到 MCP 伺服器之間的認證機制，每一層都是安全空白。
Palo Alto Networks 的策略是不等待問題爆發。他們在 RSA 資安大會上發布了 Agent 閘道（agentic gateway），核心邏輯是先把所有 Agent 的流量導到一個控制平面，才能進行認證、治理、政策攔截。在這之前，他們已經收購了三家 AI 資安公司、開發了兩三個自研產品，並且買下了 HackerOne 來取得模型滲透測試的能力。
修補的挑戰：從一週三個補丁到一週三百個
發現漏洞是一回事，修補又是另一回事。阿羅拉承認，這裡存在一個規模問題。想像一個 IT 部門原本一週做三次補丁更新，突然被要求一週做三百次。這不只是工作量暴增的問題，每一個補丁都必須在特定的環境脈絡下測試：修改一段程式碼可能修復了一個漏洞，但同時破壞了它與其他系統的介面。AI 模型在找漏洞時或許不需要完整的環境理解，但在寫補丁時，它必須知道這段程式碼跟什麼東西連動。
好消息是，能找到漏洞的模型大概率也能生成修補方案。阿羅拉對此相對樂觀，他認為這是一個可解的問題，只是需要大量的資源和工作。SaaS 軟體相對容易處理，因為服務端可以直接更新。真正困難的是那些部署在終端設備上的軟體、受監管產業必須經過額外審批流程的系統，以及十五年前寫的、原始開發者早已離開的老舊程式碼。
阿羅拉把這比擬為 Y2K（千禧蟲），不是世界末日等級的威脅，但確實需要整個產業集中精力在短時間內大量補強。他的態度很務實：不需要封城，但需要拼命工作。
我的觀察：Agent 有「自主行動力」，這次真的不一樣
每一代新技術都經歷過「先跑再說、安全後追」的循環。網頁應用程式是這樣，OWASP Top 10 是 2003 年才出現的；行動應用程式也是這樣，App Store 的權限管理機制是被駭客事件逼出來的；雲端更是這樣，Zero Trust 架構是被內部威脅事件推動的。
但 AI Agent 這次的情況有一個根本性的不同：Agent 會自己決定下一步要做什麼。傳統軟體是被動執行的，你給它一個輸入，它跑一個確定性的流程，產出一個可預期的結果。Agent 不是這樣。它的行為是非確定性的，它可能基於上下文做出你沒預期到的決策，而且它可以連鎖觸發其他系統的動作。這意味著一個被入侵的 Agent 不只是洩漏資料，它可能主動去攻擊其他系統、修改資料、或者做出不可逆的操作。
台灣的企業正在快速導入各種 AI 工具，從客服機器人到內部流程自動化，但資安意識和基礎建設明顯落後。多數企業甚至還沒有做到阿羅拉說的最基本的第一步：盤點你有多少個 AI 模型在運行。如果你連自己有哪些 Agent 都不知道，你要怎麼保護它們？
這不是一個可以「等大廠解決」的問題。阿羅拉的訊息很清楚：安全控制必須在部署的同時就建立，而不是等第一次被攻擊之後才開始補救。對於正在建構新系統的團隊來說，這反而是好消息，因為從零開始設計的架構可以把安全治理內建進去，不用像既有企業那樣在一堆歷史包袱上面貼補丁。但前提是，你要認知到這個威脅的時間框架不是「幾年後」，而是「幾個月內」。