美國地方媒體WRDW引述資安業者Alon Nachmany與AI專家Chris Canal警告，生成式AI雖未證實已造成大規模關鍵設施癱瘓，卻可能透過自動尋找程式弱點、撰寫攻擊工具及擬真指揮介面，大幅降低跨網攻擊與操作工業設備的技術門檻。
遭威脅的對象涵蓋水處理廠、電廠、變電站與交通號誌；許多工業控制系統建於數十年前，最初以可靠度為設計核心，欠缺現代資安能力。示範中的AI可協助建立關閉變電站、提高供水加氯量的工具，但實際接管真實設施仍須突破權限、網路隔離與多層防護。
真正風險不是AI已能無所不能，而是它正把原本只有高階駭客能完成的流程，交給更多技術能力有限者。文章也援引Anthropic對小型AI可能跨裝置自我複製的研究，但這仍是潛在情境，並非AI已在家庭裝置中失控擴散的證據。
這場威脅的本質，是數十年累積的工業科技與新一代AI攻擊能力之間出現速度落差。傳統電力、水務與製造業控制系統往往以「不出故障」為首要目標，設計年代也早於現代網路資安標準；遠端維運提高效率的同時，也把原本孤立的機械暴露在企業網路、雲端服務商與供應商連線之下。若營運、維護及遠端更新缺乏安全設計，單一弱點就可能被放大為城市級服務中斷。
AI帶來的核心變化，不是必然直接操作所有設備，而是自動搜尋漏洞、產生程式碼、調整攻擊路徑及降低操作複雜度。過去需要資深駭客與團隊協作的流程，可能被拆成更廉價、可複製並能快速試錯的步驟。這使攻擊面從少數專業威脅組織，擴大到受僭攻擊者、犯罪集團，甚至缺乏完整訓練的青少年。
這並非典型的政府與企業利益對抗，而是安全責任、長期資產替換成本與AI部署速度之間的矛盾。公用事業承擔社會服務不中斷的責任，設備製造商掌握安全設計與更新能力，政府則負責最低資安規範、事件通報及協調救災。若預算不足或合約只要求「恢復服務」，而非驗證攻擊路徑與預設邊界，風險便會持續累積。
另一方面，AI也能用於偵測異常、篩選告警、修補程式與驗證備援系統。攻防差距真正決定安全結果的關鍵，是資產盤點、隔離設計、最小權限、可信更新及復原演練，而非單純比較模型參數量。
歷經2021年Colonial Pipeline勒索軟體事件後，燃油運輸中斷已證明重要工業流程可迅速形成經濟與政治壓力。此次AI變化則可能進一步縮短弱點探索到攻擊執行的週期，使傳統以季度修補、年度稽核為核心的安全節奏顯得不足。
01 起因觸發：生成式AI強化漏洞搜尋、程式撰寫與攻擊自動化能力
02 一階傳導：電力、水務、化工與交通業的OT設備風險升高
03 二階擴散：設備商、遠端維運商與雲端供應鏈成共同受攻擊面
04 市場傳導：資安、備援、設備更新與事故保險支出長期增加
05 社會衝擊：停電停水、燃料短缺與關廠風險推升生活成本
06 宏觀終局：關鍵基礎設施安全由IT合規議題升級為國家韌性議題
跨事件因果網路圖譜 1 驗證節點
AI 驗證因果鏈條 · 可拖曳節點 · 點兩下開啟文章
