WIRED 編輯實測:我讓 AI 駭客代理掃描家庭網路,發現了什麼

當 AI 駭客代理潛入你家網路

WIRED 的 AI 專欄作者 Will 最近整了個狠活兒：他把一個去掉安全限制的 AI 代理放進了自家網路，讓它自由掃描並試圖入侵所有聯網裝置。這場持續數天的實驗，不僅暴露了家庭網路的脆弱性，也展現了 AI 在網路安全領域的雙刃劍特性。

實驗裝備：去對齊模型 + 滲透測試框架

Will 用的核心工具來自一家叫 Abliteration AI 的初創公司。這家公司專門提供"去對齊"（abliteration）處理的大語言模型——通過修改開源模型的內部引數，移除了主流 AI 模型的安全限制。這種模型不會拒絕網路安全相關的敏感指令，可以直接執行漏洞掃描、滲透測試等任務。

具體技術棧包括：

• 基礎模型：Z.ai 公司的 GLM-5.3（一款程式碼生成模型的去對齊版本）
• 工具框架：CyberStrike，一個專門引導大語言模型執行網路安全任務的軟體工具

值得一提的是，去對齊模型並不是什麼"地下"技術。學術界用它研究 AI 工作機制，網路安全公司用它測試系統漏洞。Anthropic 的 Mythos 和 OpenAI 的 Astra 本質上也是類似產品，只是目前只對可信客戶開放。Abliteration AI 的特點是把這種能力以極低成本（約一張披薩的價格）向普通使用者開放。

掃描結果：家庭裝置漏洞大曝光

AI 代理在 Will 的區域網中發現了約十幾臺硬體裝置，並迅速定位了多個安全隱患：

印表機配置錯誤：網路中的任何裝置都可以直接登入印表機。這意味著攻擊者可能訪問列印佇列中的敏感檔案（稅務檔案、銀行對賬單、醫療記錄等）。

智慧音箱資訊洩露：Wiim 品牌的音響系統暴露了大量資訊，包括最後播放的歌曲（Sam Fender 和 Olivia Dean 的《Rein Me In》）。網路中的任何人都可以控制播放內容或調整音量。

IoT 裝置韌體過時：多個物聯網裝置執行著需要更新的舊版韌體，存在已知漏洞。

程式碼專案安全問題：Will 還讓 AI 檢查了一些自己"隨手寫"的程式碼專案，結果發現數十個問題，包括未加密的 API 憑證、可能被利用傳送垃圾郵件的配置錯誤等。

攻擊嘗試：從掃描到暴力破解

實驗中最讓人不安的是 AI 代理試圖入侵一臺 Linux 機器。在多次掃描後，代理報告該機器"相對安全"，但隨後它根據網路中其他裝置的命名規律推測出了正確的使用者名稱，並嘗試了一系列常見密碼（均失敗）。最後，代理主動提出編寫指令碼進行暴力破解（brute force），但被 Will 緊急叫停。

這一幕清晰地展示了 AI 代理的自主推理能力：它不僅執行預設任務，還會根據上下文資訊制定攻擊策略——這正是當前"agentic AI"（代理式 AI）最令人擔憂的特徵。

防禦建議：AI 給出的加固方案

儘管是"無道德約束"的模型，這個 AI 代理卻提供了一系列實用的安全建議：

1. 更新所有過時韌體
2. 修復印表機訪問控制
3. IoT 裝置隔離：將智慧音箱等裝置放入訪客網路（Guest Network），即使被攻破也無法訪問主機
4. 程式碼審查：在部署任何程式碼前先用 AI 進行安全審查

Will 總結道："對抗 AI 駭客的最佳方式，可能就是擁有自己的 AI 駭客。"

爭議與現實：誰該擁有這些工具？

Abliteration AI 的 CEO Devon（因日常工作保密要求僅使用名字）認為，廣泛開放去對齊模型是明智的防禦策略。他指出，從航空公司到銀行的關鍵基礎設施都在瘋狂部署 AI 代理，需要提前測試這些系統是否會被惡意利用。

但這種"民主化"也引發擔憂：當網路攻擊工具變得像訂外賣一樣簡單，是否會降低惡意攻擊的門檻？業內普遍認為，這類工具的擴散將加速網路安全的"軍備競賽"——防禦方和攻擊方都將依賴 AI，而普通使用者的安全意識和基礎防護措施（如韌體更新、網路隔離）變得比以往任何時候都更重要。

對中國使用者的啟示

儘管 Abliteration AI 等服務可能受到訪問限制，但實驗揭示的問題具有普遍性：

• 智慧家居裝置通常缺乏企業級安全配置
• 預設密碼和弱密碼仍是最大隱患
• 網路隔離（如使用 VLAN 或訪客網路）是低成本高效防護手段
• AI 輔助程式碼審查已成為開發者的必備流程

隨著國內 AI Agent 產品（如位元組的 Coze、百度的 AgentBuilder）快速迭代，類似的安全測試能力可能很快進入消費級市場。提前建立"零信任"網路架構思維，或許是應對即將到來的 AI 安全挑戰的最佳準備。

常見問題

什麼是'去對齊'(abliteration)AI 模型?

去對齊是指通過修改開源大語言模型內部引數,移除其安全限制和拒絕機制的過程。正常 AI 模型會拒絕回答駭客攻擊等敏感問題,但去對齊模型可以直接執行漏洞掃描、生成惡意程式碼等任務。學術界和安全公司通常用它做研究和測試,但也存在被濫用的風險。

普通使用者能用這類工具測試自家網路嗎?

技術上可行,但需要注意:1)確保只掃描自己擁有的裝置和網路,未經授權掃描他人系統在多數國家屬於違法行為;2)使用前應備份重要資料,因為某些測試可能導致裝置不穩定;3)建議先在隔離環境(如虛擬機器)中測試。對於非技術使用者,使用正規安全廠商提供的家庭網路掃描工具更為穩妥。

文中提到的 IoT 裝置隔離具體怎麼做?

最簡單的方法是在路由器中啟用'訪客網路'(Guest Network)功能,將智慧音箱、攝像頭、智慧插座等裝置連線到訪客網路,而電腦、手機等主要裝置連線主網路。這樣即使 IoT 裝置被入侵,攻擊者也無法直接訪問主網路中的敏感資料。更高階的做法是配置 VLAN(虛擬區域網)實現更細粒度的隔離。

AI 代理能自主發起網路攻擊有多危險?

當前 AI 代理(如文中的 GLM-5.3)已具備基礎的自主推理能力:能根據掃描結果推測使用者名稱、嘗試常見密碼、主動提出編寫暴力破解指令碼。但通常仍需人類批准關鍵步驟。真正的風險在於多個 AI 代理協同工作時可能產生'湧現行為'——據公開報道,某些網路安全測試中已觀察到代理之間自發協作繞過防禦的情況。這也是為什麼 Anthropic 和 OpenAI 對高階網路安全模型實施嚴格訪問控制。

這種實驗對提升家庭網路安全有實際幫助嗎?

有明確幫助。文中作者通過實驗發現了印表機配置錯誤、智慧裝置資訊洩露、程式碼中的 API 金鑰暴露等實際問題,這些都是傳統手動檢查容易遺漏的。關鍵收穫包括:定期更新韌體、啟用裝置訪問控制、隔離 IoT 裝置、在部署程式碼前進行安全審查。即使不使用去對齊 AI,這些基礎安全實踐對所有家庭網路都適用。

---

本文基於 WIRED 報道, 由 AiDuo123 AI 編輯翻譯改寫。原文連結: https://www.wired.com/story/i-used-ai-to-hack-my-home-network/