【實錄】主動防線：2026 南科資安論壇談「養龍蝦」時代的製造業資安治理

2026 / 08 / 25

編輯部

AI 技術導入為製造業帶來效率提升的同時，也讓資安風險從單點防禦擴大至標準選擇、威脅應對與人才布局等多個層面。在南科登場的「2026 南科資安論壇」上，國網中心、高科大與多位企業資安長齊聚論壇，分別從治理框架的路線之爭、最新威脅情資，到實務導入的分級策略與人才挑戰切入，為製造業如何在 AI 時代建立完善的資安治理提出因應方向。

資安治理，要從「管邊境」變成「管行為」

「用魔法打擊魔法。」國家高速網路與計算中心（國網中心）副主任蔡孟勳 在開場致詞中，用這句話形容AI時代的資安防禦邏輯：AI技術的普及讓資安威脅進入全新境況，防守方若能反過來運用AI強化防禦，才能與攻擊者的速度抗衡。他也提到，以製造業為主、擁有多家指標性半導體大廠的臺灣，AI時代下的資安治理議題格外重要。

從「管理邊境」到「管理行為」，是 國立高雄科技大學創新創業發展處處長林志學 為製造業資安治理下的轉型定調。他在開場專題中指出，過去講求滴水不漏的邊界防禦思維，已不足以因應AI時代的威脅樣態，並將核心方向整理為五大面向：資料正確性把關、權限繼承管理、資料外洩防護、供應鏈與軟體即服務（SaaS）風險控管，以及AI代理人工具的執行安全性。「主動防禦的核心不只是產生警示，」他強調，「而是要更早理解風險所在，進而做出決策。」勒索軟體也已從加密勒索演變為雙重勒索，即使企業備份完善，攻擊者仍可能以外洩資料要脅；供應鏈滲透與AI代理人授權範圍設定不當，同樣可能造成非預期的資料外洩。

駭客也在「養龍蝦」：AI自動化攻擊已從理論走向現實

AI輔助發動的惡意外洩事件，占比已達25%。國網中心組長李柏毅 引述IBM《2026年資料外洩成本報告》指出，這類事件平均外洩成本達600萬美元，高於全球平均的499萬美元；勒索軟體即服務生態系持續擴張，攻擊門檻因此降低。2025年勒索軟體鎖定產業以製造業、科技業、醫療業等難以停止營運的產業為主，其中製造業占比約二成。他也在會中提到分享近期案例：Gunra勒索軟體正透過防火牆漏洞在全球關鍵基礎設施擴散，程式碼源自2022年外洩的Conti原始碼。以色列資安公司Dream發現疑似與中國有關的攻擊者運用開源AI代理人框架（Hermes與OpenClaw），於7月初四天內掃描臺灣21個政府系統、入侵85個帳戶，取得逾2,500筆人事資料，範圍並擴及核安機關與能源業者。「攻擊者現在也在養自己的『龍蝦』，」李柏毅呼應林志學稍早以AI代理人比喻自動化工具的說法，「這隻蝦全天候運作，不用休息，一天到晚都在找漏洞。」

「AI要先有用，才能談治理」：兩位資安長的治理現實課

治理標準的選擇路徑，群創光電資安長林宜隆 認為，ISO/IEC 23894風險管理標準比美國 NIST發布的AI風險管理框架更值得企業優先參考，企業也應同步檢視ISO/IEC 42001等AI管理系統標準的落地程度，而非僅以單一驗證作為合規門檻。他也提到，高科技產業未來可能被納入金管會分級規範中風險等級較高的一類。他建議企業依規模分階段導入治理標準，先以ISO/IEC 27001與42001為基礎，再延伸至供應鏈與隱私保護相關標準；他強調，「基本的資安治理沒做好，AI治理很難實現。」

「AI要先有用，你才可以談治理。」合勤投資控股資安長游政卿 提出不同的切入點：企業導入AI服務應優先確認資料主權歸屬，並在導入前評估AI工具能否真正提升效率，證明有實際效益後，資安治理才更容易獲得內部支持；過度倚賴AI輔助生成程式碼，也恐讓資深工程師的經驗傳承出現斷層。

技術落地：OT、Web應用與AI開發治理的因應之道

製造業的OT環境長期面臨設備漏洞遭利用的威脅。Fortinet 工控領域資安技術顧問黃彥凱 指出，企業應建立涵蓋OT設備、網路與AI應用程式的資產可視性，並依循工業控制系統資安標準IEC 62443逐步強化治理。他建議透過資產指紋辨識確認設備型號與已知漏洞、偵測未經授權下達給可程式邏輯控制器（PLC）的控制指令，並可針對圖片中的機敏關鍵字進行OCR辨識與外洩攔截。

此外，Web與API相關風險長年為資料外洩主因之一，且隨遠距工作與行動應用普及持續攀升。A10 Networks 技術經理林坤億 指出，傳統網頁應用防火牆（WAF）多仰賴規則與黑名單比對，較難因應持續演變的攻擊手法，他建議改採機器學習建立行為模型，為每個連線建立可追蹤的實體並依攻擊鏈階段持續計分，超過閾值即觸發阻擋，同時涵蓋機器人（Bot）流量辨識與分散式阻斷服務（DDoS）防護。

從研發實務角度切入，叡揚資訊資安直屬事業處產品經理陳宇馳 觀察島AI輔助開發帶來兩類風險：一是AI生成程式碼速度遠高於人工審查速度，可能使傳統漏洞大量累積；二是提示詞注入（Prompt Injection）等大型語言模型特有風險。他建議，企業在開發階段即時檢測AI產生的程式碼與開源套件是否存在已知漏洞，上線前檢視提示詞是否存在注入風險，上線後則透過獨立的護欄（Guardrail）機制過濾具攻擊意圖的輸入內容與機敏資料。