上上週 CYBERSEC 剛結束，剛好在 TACC 攤位看到這個巨大的技術需求媒合牆，它比任何市調報告都誠實地揭露了台灣企業目前對 AI 的真實態度，也扒開了目前企業不敢把 LLM 推進產品環境的硬傷。
這張需求牆依照領域分了幾個垂直區塊，橫軸則是企業目前的狀態（從現有需求、有需求、可能導入，一路到最下方的了解趨勢）。有趣的是，第 1 區（AI與內容安全）最上方的「現有需求」幾乎被貼紙貼滿，但轉頭看看第 4 區（威脅偵測與前瞻防禦），最上方的「現有需求」竟然連一張貼紙都沒有，相反地最下全部集中在最底層的「了解趨勢」。
這個現象其實滿值得探討的，議程內台上每個 vendor 都在喊自家的 AI 平台有多神，但台下的會眾手裡的貼紙卻很誠實，這應該不只是台灣特有的現象，國際上也是差不多的氛圍，其他議程的講者也有提到，雖然超過 80% 的安全團隊聲稱正在「測試或評估」生成式 AI，但真正把它放到生產環境、做自動化攔截的可能還不到 15%。
大家都還在觀望？
為什麼只敢了解，不敢導入？
地端部署與資料外洩的兩難
資安 CEF log 裡面滿滿的都是 PII（個人可識別資訊）、內部 IP 跟系統架構，如果讓 SOC 團隊把這些敏感 log 透過 API 一股腦打給 OpenAI 或 Anthropic？應該就直接ＧＧ不用玩了，但是如果要完全在地端跑，多數企業的機房根本扛不住上百 GB 等級模型推論所需的算力以及相關架構，更別提還要頻繁 fine-tune 新的威脅情資進入模型持續的Deploy 。
推論與確定的衝突
傳統資安 SIEM 系統是 Rule-based 的，什麼條件觸發什麼 action，當你讓 LLM 決定要不要把一個 IP block 掉時，只要它發作一次幻覺（Hallucination），砍錯了核心服務的連線，報告應該就寫不完了，而這通常也會讓工程師得花比平常更多的時間，去 double check 這個 AI 給的修復建議到底對不對，反而更拖慢應變時間。
好幾個今年的議程也有分享，導入 LLM 後可以大幅減少 Detect & Response 的時間與效益，的確是減少滿多在 SIEM Query 時的負擔與幫忙衍生相關的案例 （常見入傾Case？），或是自動延伸環境感染的狀況，最後再幫忙摘要與歸納，大部分也都還是需要人員做最後的判斷，這也明顯看得出來，沒有 100% 的可解釋性與明確的護欄，也沒有人敢按下那個 全綠燈 的開關。
小記
雖然上面的需求強很骨感，但4F TACC 展區內裡還是有幾個有趣的 poster 試圖在解這些問題，憑印象 Note 一下：
1. 用 LoRA 解決在地負載 ：不處理底層的大型語言模型，只是單純訓練輕量級的 LoRA 來把威脅情資跟 MITRE ATT&CK 框架掛上去，實務上很實際的做法，代表企業只要用幾 GB VRAM 的成本，就能在不把原始模型重新練過的前提下，即時抽換不同情境的防禦規則。
2.把 LLM 當成編譯器避免幻覺： 這就是用來解前段提到「不敢讓 AI 按開關」的問題，直接把 LLM 當成編譯器的前端，回傳的不是聊天的廢話，而是 JSON 格式的 IR，防禦策略要先經過靜態跟動態驗證，確定不會搞爛系統，才會真正執行，又補足了只利用沙盒來做限制 Agent 的一些面向。
總結來說，需求牆很誠實地反映出一件事：企業對 AI 的期待高，但在「安全性、可解釋性、部署成本」這三道關卡都沒被說服之前，真正大規模導入仍然會停留在評估與試驗階段。
而需求牆上的「了解趨勢」，其實不是大家不買單，而是大家都在等，等模型變小、等護欄變硬、等這些實驗室裡的解法，真正變成能裝進 2U 伺服器裡的產品，然後再等價格更便宜一點ＸＤ
展場內已有不少務實的技術拆解與驗證思路，未來如果這些方法能成熟，產品化落地的速度應該會加快。
Top comments (0)