人工智能（AI）已經逐步變成網絡攻擊其中一層「操作工具」。犯罪團伙及與國家有關的攻擊者，可以用大型語言模型（LLM）草擬惡意程式元件、撰寫釣魚電郵、翻譯及個人化誘餌、修正腳本，甚至按測試結果快速產生新版本。

不過，現時最穩妥的結論要精準一點：AI 主要係加快及改造原有攻擊方法，而唔係令每一宗攻擊都變成完全自主運作。

最大轉變：AI 壓縮整個攻擊週期

大部分入侵仍然離不開大家熟悉的手法，例如釣魚電郵、惡意腳本、遠端存取木馬（RAT）及資料竊取。AI 改變的，首先係使用呢啲手法所需的時間、技術門檻同成本。

攻擊者可以用 LLM 先寫出一段腳本，再因應目標翻譯或改寫誘餌；測試失敗後，亦可以即時修正程式，為不同對象產生多個變體。以往需要較多專門技術及人手的反覆試驗，因而可以變得更便宜、更快。

結果可能係：可信度較高的攻擊數量增加，而防守者由發現異常到作出反應的時間縮短。

但要留意，唔係所有帶有 AI 話題的誘餌都應該叫做「AI 攻擊」。現時較有力的案例，反映 AI 參與程度有幾個層次——由協助寫程式，到在入侵期間即時產生指令，程度並不相同。

FunkSec：AI 輔助組裝勒索軟件

卡巴斯基對 FunkSec 的研究，提供了一個 AI 輔助惡意程式開發的例子。呢款以 Rust 編寫的勒索軟件，將加密、本地資料外傳及自我清理功能整合到同一個可執行檔案之中。卡巴斯基亦表示，相關工具包括密碼生成器及基本 DDoS 工具，呈現出大型語言模型合成程式碼的跡象。2839

呢個案例唔代表 LLM 自己獨立設計、部署及操作整個攻擊活動；比較準確的理解係，生成式 AI 可以協助製作具實際功能的惡意程式元件，令攻擊者用較少人手組合出更完整的工具套裝。

RevengeHotels：AI 強化傳統釣魚攻擊鏈

2025 年的 RevengeHotels 活動，展示 AI 點樣強化一套本身已經存在的入侵方法，而唔係完全取代它。卡巴斯基觀察到，針對巴西及西班牙語市場酒店的攻擊，會發送假冒訂房要求、發票或求職申請的釣魚電郵。

受害者會被帶到仿冒文件儲存服務的網站，之後由腳本下載遠端存取木馬，例如 VenomRAT。303136

卡巴斯基表示，初始感染程式及下載器之中，有相當部分程式碼似乎由大型語言模型代理生成。28 不過，整條攻擊鏈仍然依靠傳統社交工程、腳本執行及 RAT 投放。AI 的作用，主要係協助製作及變化其中部分程式，令攻擊者更容易針對不同地區及目標快速迭代。

所以，單講「AI 驅動攻擊」可能會令人誤會。呢個個案更準確的說法係：AI 輔助程式碼生成，被嵌入一場傳統釣魚攻擊之中。

LameHug：LLM 直接加入入侵流程

現有證據中，技術意義較大的發展係 LameHug；部分報道亦稱它為 PROMPTSTEAL。一般惡意程式可能只係用 AI 協助寫成，但 LameHug 會在運行期間使用 LLM。

根據建基於烏克蘭電腦緊急應變小組 CERT-UA 報告的分析，惡意程式會連接 Hugging Face API，並使用阿里雲的 Qwen2.5-Coder-32B-Instruct 模型，動態產生 Windows 指令。相關指令可以收集系統資料，亦可以搜尋 Office 文件作資料外傳。237

呢種「運行時」使用模型的方式，帶來三個重要變化：

1. 指令流程未必需要事先完全寫死。 惡意程式可以根據本身收到的指示，以及在受感染系統上遇到的環境，要求模型產生下一步指令。
2. 攻擊可以借用系統原有工具。 防守者可能需要分析一連串工具及指令的行為，而唔係只係尋找一個外形獨特的惡意檔案。4
3. 惡意程式會依賴外部服務。 如果一部受感染電腦異常地向語言模型 API 發出出站請求，呢種流量本身就可能成為重要偵測訊號。

LameHug 並唔代表惡意程式已經完全自主。它證明的係，攻擊者可以將 LLM 放入實際操作迴圈，讓模型在入侵期間協助產生偵察及資料收集行動。

假 AI 工具，亦成為新的攻擊誘餌

AI 唔只係用來寫攻擊工具，亦可以用來做誘餌。由 2026 年 1 月至 4 月，卡巴斯基安全方案偵測到超過 33,300 宗針對中小企的攻擊，當中惡意或不受歡迎的電腦軟件偽裝成熱門 AI 服務；數字較 2025 年同期接近高出五倍。5051

不過，呢批數字量度的是「偽裝成 AI 服務的軟件」；並唔能夠證明每個惡意程式都由 AI 生成，亦唔能夠證明每場攻擊都由 AI 操作。較穩妥的結論係，攻擊者正利用大眾對熟悉 AI 品牌的信任，以及企業急於採用 AI 工具的趨勢。

對員工而言，風險可以非常實際：假圖像生成器、假聊天機械人客戶端，或者假生產力助理，都可能變成惡意程式的投放渠道。因此，即使誘餌看似係 AI 產品，企業仍然需要落實軟件安裝政策、使用已核實的下載來源，以及維持有效的端點防護。

區域數據顯示網絡威脅廣泛，但唔等於 AI 攻擊數字

卡巴斯基的區域遙測資料顯示，網頁相關威脅仍然相當普遍，但唔應該將呢啲數字直接當成 AI 驅動攻擊的數量。2026 年上半年，卡巴斯基表示其系統在南非阻截了 570 萬宗來自網上資源的攻擊，肯尼亞有 450 萬宗，尼日利亞有 160 萬宗。喺報告涵蓋的 META 地區數據中，土耳其受網頁威脅影響的用戶比例最高，達 22.8%。14

相關統計涵蓋由網站、電郵及網絡服務傳遞的威脅，反映的是整體網絡暴露程度，而唔係 AI 成因。將兩者分開理解，先可以避免把一般網絡犯罪數字誤報成自主或 AI 生成的攻擊活動。

真正需要關注的，係適應速度而唔係「自主軍隊」

眼前最直接的安全風險，未必係網絡世界突然出現一批可以完全自我指揮的 AI 黑客軍隊；更可能係攻擊鏈上每一個小環節都變得有效率一點：

• 程式碼可以更快草擬及修訂；
• 釣魚訊息可以按語言、行業及藉口快速改寫；
• 腳本可以更快除錯及重新包裝；
• 惡意程式可以因應不同環境改變行為；
• 偵察及資料收集可以在運行期間調整。

呢啲效率加在一起，會降低發動入侵的成本，亦令攻擊者更容易進行大量試驗。對技術水平較低的操作者而言，AI 甚至可能令他們較容易模仿以往需要專門知識的攻擊技術。

對保安人手有限、持有大量敏感資料，或者依賴複雜第三方系統的機構而言，風險尤其值得注意。不過，涉及關鍵基礎設施的說法，仍然需要有具體證據證明入侵、造成的影響，以及 AI 的實際參與程度。攻擊者單方面聲稱成功，唔等於已經確認上述任何一項事實。

企業應優先做好甚麼防守？

以上案例顯示，企業需要一套分層、以行為為核心的防守方式。特徵碼及已知指標封鎖仍然有用，但亦要監察可以揭示 AI 輔助或動態適應型攻擊的活動。

值得留意的訊號包括：

• Python 或 PyInstaller 程序，突然向語言模型服務發出不尋常的出站請求；
• 平時不會使用開發者或 AI 服務的端點，出現 Base64 編碼提示或異常 API 呼叫；
• 將 systeminfo、tasklist、dsquery 或遞迴搜尋檔案等工具串連起來的可疑指令鏈；
• 透過 JavaScript、PowerShell 或其他直譯器執行可疑腳本；
• 異常憑證存取、文件集中整理，或者向外傳送資料；
• 員工安裝未經批准的 AI 應用程式或瀏覽器工具。

Splunk 對 LameHug 的偵測指引，特別指出要留意 Python 或 PyInstaller 程序連接 Hugging Face API，再使用 Qwen 模型產生指令的行為。4 呢個例子說明，防守者唔一定要等到找到固定的惡意程式特徵碼，亦可以先從 LLM 入侵周邊的行為入手。

結論：AI 係攻擊者的效率及適應層

AI 正深入滲透網絡攻擊，原因係它可以令原有操作更容易製作、更容易個人化，亦更容易修改。FunkSec 同 RevengeHotels 展示 AI 輔助惡意程式開發；LameHug 展示 LLM 在實際入侵期間被查詢；而卡巴斯基針對中小企的偵測數據，則顯示 AI 的普及程度本身已經被用作誘餌。283151

因此，最準確的描述唔係「AI 已經取代傳統黑客攻擊」，而係 AI 正成為釣魚、惡意程式開發、偵察及資料竊取之間的一層效率及適應工具。企業應預計攻擊變體會更多、迭代會更快，同時繼續分清楚：哪些案例有已核實的 AI 參與，哪些只係借用 AI 品牌包裝的普通網絡犯罪。

人工智能（AI）已經逐步變成網絡攻擊其中一層「操作工具」。犯罪團伙及與國家有關的攻擊者，可以用大型語言模型（LLM）草擬惡意程式元件、撰寫釣魚電郵、翻譯及個人化誘餌、修正腳本，甚至按測試結果快速產生新版本。

不過，現時最穩妥的結論要精準一點：AI 主要係加快及改造原有攻擊方法，而唔係令每一宗攻擊都變成完全自主運作。

最大轉變：AI 壓縮整個攻擊週期

大部分入侵仍然離不開大家熟悉的手法，例如釣魚電郵、惡意腳本、遠端存取木馬（RAT）及資料竊取。AI 改變的，首先係使用呢啲手法所需的時間、技術門檻同成本。

攻擊者可以用 LLM 先寫出一段腳本，再因應目標翻譯或改寫誘餌；測試失敗後，亦可以即時修正程式，為不同對象產生多個變體。以往需要較多專門技術及人手的反覆試驗，因而可以變得更便宜、更快。

結果可能係：可信度較高的攻擊數量增加，而防守者由發現異常到作出反應的時間縮短。

但要留意，唔係所有帶有 AI 話題的誘餌都應該叫做「AI 攻擊」。現時較有力的案例，反映 AI 參與程度有幾個層次——由協助寫程式，到在入侵期間即時產生指令，程度並不相同。

FunkSec：AI 輔助組裝勒索軟件

卡巴斯基對 FunkSec 的研究，提供了一個 AI 輔助惡意程式開發的例子。呢款以 Rust 編寫的勒索軟件，將加密、本地資料外傳及自我清理功能整合到同一個可執行檔案之中。卡巴斯基亦表示，相關工具包括密碼生成器及基本 DDoS 工具，呈現出大型語言模型合成程式碼的跡象。2839

呢個案例唔代表 LLM 自己獨立設計、部署及操作整個攻擊活動；比較準確的理解係，生成式 AI 可以協助製作具實際功能的惡意程式元件，令攻擊者用較少人手組合出更完整的工具套裝。

RevengeHotels：AI 強化傳統釣魚攻擊鏈

2025 年的 RevengeHotels 活動，展示 AI 點樣強化一套本身已經存在的入侵方法，而唔係完全取代它。卡巴斯基觀察到，針對巴西及西班牙語市場酒店的攻擊，會發送假冒訂房要求、發票或求職申請的釣魚電郵。

受害者會被帶到仿冒文件儲存服務的網站，之後由腳本下載遠端存取木馬，例如 VenomRAT。303136

卡巴斯基表示，初始感染程式及下載器之中，有相當部分程式碼似乎由大型語言模型代理生成。28 不過，整條攻擊鏈仍然依靠傳統社交工程、腳本執行及 RAT 投放。AI 的作用，主要係協助製作及變化其中部分程式，令攻擊者更容易針對不同地區及目標快速迭代。

所以，單講「AI 驅動攻擊」可能會令人誤會。呢個個案更準確的說法係：AI 輔助程式碼生成，被嵌入一場傳統釣魚攻擊之中。

LameHug：LLM 直接加入入侵流程

現有證據中，技術意義較大的發展係 LameHug；部分報道亦稱它為 PROMPTSTEAL。一般惡意程式可能只係用 AI 協助寫成，但 LameHug 會在運行期間使用 LLM。

根據建基於烏克蘭電腦緊急應變小組 CERT-UA 報告的分析，惡意程式會連接 Hugging Face API，並使用阿里雲的 Qwen2.5-Coder-32B-Instruct 模型，動態產生 Windows 指令。相關指令可以收集系統資料，亦可以搜尋 Office 文件作資料外傳。237

呢種「運行時」使用模型的方式，帶來三個重要變化：

1. 指令流程未必需要事先完全寫死。 惡意程式可以根據本身收到的指示，以及在受感染系統上遇到的環境，要求模型產生下一步指令。
2. 攻擊可以借用系統原有工具。 防守者可能需要分析一連串工具及指令的行為，而唔係只係尋找一個外形獨特的惡意檔案。4
3. 惡意程式會依賴外部服務。 如果一部受感染電腦異常地向語言模型 API 發出出站請求，呢種流量本身就可能成為重要偵測訊號。

LameHug 並唔代表惡意程式已經完全自主。它證明的係，攻擊者可以將 LLM 放入實際操作迴圈，讓模型在入侵期間協助產生偵察及資料收集行動。

假 AI 工具，亦成為新的攻擊誘餌

AI 唔只係用來寫攻擊工具，亦可以用來做誘餌。由 2026 年 1 月至 4 月，卡巴斯基安全方案偵測到超過 33,300 宗針對中小企的攻擊，當中惡意或不受歡迎的電腦軟件偽裝成熱門 AI 服務；數字較 2025 年同期接近高出五倍。5051

不過，呢批數字量度的是「偽裝成 AI 服務的軟件」；並唔能夠證明每個惡意程式都由 AI 生成，亦唔能夠證明每場攻擊都由 AI 操作。較穩妥的結論係，攻擊者正利用大眾對熟悉 AI 品牌的信任，以及企業急於採用 AI 工具的趨勢。

對員工而言，風險可以非常實際：假圖像生成器、假聊天機械人客戶端，或者假生產力助理，都可能變成惡意程式的投放渠道。因此，即使誘餌看似係 AI 產品，企業仍然需要落實軟件安裝政策、使用已核實的下載來源，以及維持有效的端點防護。

區域數據顯示網絡威脅廣泛，但唔等於 AI 攻擊數字

卡巴斯基的區域遙測資料顯示，網頁相關威脅仍然相當普遍，但唔應該將呢啲數字直接當成 AI 驅動攻擊的數量。2026 年上半年，卡巴斯基表示其系統在南非阻截了 570 萬宗來自網上資源的攻擊，肯尼亞有 450 萬宗，尼日利亞有 160 萬宗。喺報告涵蓋的 META 地區數據中，土耳其受網頁威脅影響的用戶比例最高，達 22.8%。14

相關統計涵蓋由網站、電郵及網絡服務傳遞的威脅，反映的是整體網絡暴露程度，而唔係 AI 成因。將兩者分開理解，先可以避免把一般網絡犯罪數字誤報成自主或 AI 生成的攻擊活動。

真正需要關注的，係適應速度而唔係「自主軍隊」

眼前最直接的安全風險，未必係網絡世界突然出現一批可以完全自我指揮的 AI 黑客軍隊；更可能係攻擊鏈上每一個小環節都變得有效率一點：

• 程式碼可以更快草擬及修訂；
• 釣魚訊息可以按語言、行業及藉口快速改寫；
• 腳本可以更快除錯及重新包裝；
• 惡意程式可以因應不同環境改變行為；
• 偵察及資料收集可以在運行期間調整。

呢啲效率加在一起，會降低發動入侵的成本，亦令攻擊者更容易進行大量試驗。對技術水平較低的操作者而言，AI 甚至可能令他們較容易模仿以往需要專門知識的攻擊技術。

對保安人手有限、持有大量敏感資料，或者依賴複雜第三方系統的機構而言，風險尤其值得注意。不過，涉及關鍵基礎設施的說法，仍然需要有具體證據證明入侵、造成的影響，以及 AI 的實際參與程度。攻擊者單方面聲稱成功，唔等於已經確認上述任何一項事實。

企業應優先做好甚麼防守？

以上案例顯示，企業需要一套分層、以行為為核心的防守方式。特徵碼及已知指標封鎖仍然有用，但亦要監察可以揭示 AI 輔助或動態適應型攻擊的活動。

值得留意的訊號包括：

• Python 或 PyInstaller 程序，突然向語言模型服務發出不尋常的出站請求；
• 平時不會使用開發者或 AI 服務的端點，出現 Base64 編碼提示或異常 API 呼叫；
• 將 systeminfo、tasklist、dsquery 或遞迴搜尋檔案等工具串連起來的可疑指令鏈；
• 透過 JavaScript、PowerShell 或其他直譯器執行可疑腳本；
• 異常憑證存取、文件集中整理，或者向外傳送資料；
• 員工安裝未經批准的 AI 應用程式或瀏覽器工具。

Splunk 對 LameHug 的偵測指引，特別指出要留意 Python 或 PyInstaller 程序連接 Hugging Face API，再使用 Qwen 模型產生指令的行為。4 呢個例子說明，防守者唔一定要等到找到固定的惡意程式特徵碼，亦可以先從 LLM 入侵周邊的行為入手。

結論：AI 係攻擊者的效率及適應層

AI 正深入滲透網絡攻擊，原因係它可以令原有操作更容易製作、更容易個人化，亦更容易修改。FunkSec 同 RevengeHotels 展示 AI 輔助惡意程式開發；LameHug 展示 LLM 在實際入侵期間被查詢；而卡巴斯基針對中小企的偵測數據，則顯示 AI 的普及程度本身已經被用作誘餌。283151

因此，最準確的描述唔係「AI 已經取代傳統黑客攻擊」，而係 AI 正成為釣魚、惡意程式開發、偵察及資料竊取之間的一層效率及適應工具。企業應預計攻擊變體會更多、迭代會更快，同時繼續分清楚：哪些案例有已核實的 AI 參與，哪些只係借用 AI 品牌包裝的普通網絡犯罪。