AI 正在改寫網路攻擊：從生成式惡意軟體到 LLM 實時入侵

人工智慧正逐漸成為網路攻擊鏈中的「作業層」。犯罪集團與具國家背景的攻擊者可以利用大型語言模型（LLM）撰寫惡意軟體元件、製作釣魚內容、除錯腳本，並快速產生不同版本。

但現有證據支持的結論需要更精確：AI 主要是在加速並改造既有攻擊方法，而不是讓所有攻擊一夕之間變成完全自主運作的系統。

最大變化：AI 壓縮了整個攻擊週期

多數入侵仍依賴熟悉的手法，例如釣魚郵件、惡意腳本、遠端存取木馬（RAT）與資料竊取。AI 改變的，是這些手法所需的時間、專業能力與成本。

攻擊者可以要求 LLM 先產生一段腳本，再根據測試結果修改程式、將誘餌翻譯或客製化，並為不同目標快速製作變體。這讓試錯成本下降，也縮短了從提出攻擊構想到實際部署之間的時間。

對防守方而言，後果是更大量、更像真的攻擊，以及更短的應變窗口。

這個區分相當重要。若只因郵件或軟體使用了 AI 名稱，就把它稱為「AI 攻擊」，容易誇大事實。現階段較有力的案例，呈現的是不同程度的 AI 參與：從協助撰寫程式，到在攻擊過程中即時生成指令。

FunkSec：AI 輔助組裝勒索軟體

Kaspersky 對 FunkSec 的研究，提供了 AI 輔助惡意軟體開發的例子。這款以 Rust 編寫的勒索軟體，將加密、在本機竊取資料與自我清理功能整合在同一個可執行檔中。Kaspersky 也在相關功能中發現大型語言模型生成程式碼的跡象，包括密碼產生器與基本的 DDoS 工具。2839

這並不代表 LLM 自行設計、部署並操控了整場攻擊行動。比較準確的說法是，生成式 AI 能協助產出具功能性的惡意軟體元件，讓攻擊者以較少人工開發工作，組合出更集中、更容易部署的工具組。

RevengeHotels：AI 強化傳統釣魚流程

2025 年的 RevengeHotels 行動，說明 AI 如何強化成熟的入侵路徑，而不是取代它。Kaspersky 觀察到，攻擊者鎖定巴西及西語市場的飯店，寄出偽裝成訂房要求、發票或求職申請的釣魚郵件。

受害者會被導向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

Kaspersky 表示，初始感染程式與下載器中有相當一部分程式碼，疑似由大型語言模型代理生成。28 然而，整個行動仍然依賴熟悉的社交工程、腳本執行與 RAT 傳遞流程。

AI 的作用，是幫助攻擊者更快產生並變化感染鏈中的部分元件，讓他們能更有效率地針對不同地區與目標反覆調整。

因此，在沒有進一步說明的情況下，直接使用「AI 驅動」這個標籤可能會誤導讀者。就 RevengeHotels 而言，更準確的描述是：AI 輔助的程式碼生成，被嵌入傳統釣魚攻擊之中。

LameHug：LLM 直接進入攻擊流程

目前證據中最值得注意的技術進展，是 LameHug——部分報導也稱為 PROMPTSTEAL。它不只是疑似使用 AI 協助撰寫的惡意軟體，而是在執行期間實際呼叫 LLM。

根據以烏克蘭電腦緊急應變小組 CERT-UA 報告為基礎的分析，LameHug 會連線至 Hugging Face API，並使用阿里巴巴雲端的 Qwen2.5-Coder-32B-Instruct 模型，動態產生 Windows 指令。這些指令可蒐集系統資訊，並搜尋 Office 文件以便外傳。237

這種「執行時期」的模型使用，帶來三項重要變化：

1. 指令流程不必事先全部固定。 惡意軟體可以根據預設提示與遭遇到的系統環境，向模型要求下一步指令。
2. 攻擊可借用一般系統工具。 防禦者可能需要分析指令的行為與先後順序，而不只是尋找一個具有明顯特徵的獨立惡意程式。4
3. 惡意軟體會留下外部依賴。 受感染電腦若異常對語言模型 API 發出連線請求，反而可能形成有價值的偵測訊號。

LameHug 並不能證明惡意軟體已經完全自主化；它證明的是，攻擊者可以把 LLM 放進實際作業迴路，協助在入侵過程中即時生成偵察與資料蒐集動作。

假 AI 工具也正在成為誘餌

AI 不只被用來製作攻擊工具，也被用來吸引受害者下載惡意程式。

2026 年 1 月至 4 月，Kaspersky 安全方案偵測到超過 33,300 起針對中小企業的攻擊；在這些事件中，惡意或不受歡迎的電腦軟體偽裝成熱門 AI 服務。Kaspersky 表示，這個數字較 2025 年同期增加近 5 倍。5051

這些數據衡量的是「偽裝成 AI 服務的軟體」；它們不能證明每個惡意程式都是由 AI 生成，也不能證明每起攻擊都由 AI 操作。較穩妥的結論是，攻擊者正利用企業對熱門 AI 品牌的信任，以及組織快速導入 AI 工具的趨勢。

對員工而言，風險非常實際：假冒的圖片生成器、聊天機器人客戶端或生產力助理，都可能成為惡意軟體的投遞管道。因此，即使下載的軟體看起來像 AI 產品，企業仍應落實軟體安裝政策、確認官方下載來源，並維持良好的端點防護。

規模與區域數據：要分清「威脅」與「AI 因果」

Kaspersky 的區域遙測資料顯示，網路威脅仍然十分普遍，但這些數字不能直接當作 AI 驅動攻擊的統計。

Kaspersky 表示，2026 年上半年，其系統在南非攔截了 570 萬起來自網路資源的攻擊，在肯亞攔截 450 萬起，在奈及利亞攔截 160 萬起。於其所報告的中東、土耳其與非洲（META）地區資料集中，土耳其受到網路型威脅影響的使用者比例最高，為 22.8%。14

這些數據涵蓋透過網站、電子郵件與網路服務傳遞的威脅，反映的是廣泛的網路攻擊暴露程度，而不是 AI 造成攻擊的證明。

為何「適應能力」比「完全自主」更值得警惕

眼前最需要擔心的，不一定是網路犯罪者突然建立一支完全自動運作的攻擊軍隊，而是攻擊鏈中一連串小幅度的效率提升：

• 更快撰寫與修改程式碼；
• 針對不同語言、產業與情境調整釣魚訊息；
• 更迅速地除錯、重新封裝腳本；
• 依不同環境改變惡意軟體行為；
• 在執行期間調整偵察與資料蒐集方式。

這些效率累積起來，會降低發動入侵的成本，讓攻擊者更容易進行大量測試，也可能協助技術較弱的操作者模仿過去需要專業能力才能完成的手法。

對資安人力有限、持有大量敏感資料，或依賴複雜第三方環境的組織而言，風險尤其明顯。不過，涉及關鍵基礎設施的說法，仍必須有具體證據證明遭到入侵、造成影響，以及 AI 在其中扮演的角色。攻擊者單方面的聲稱，本身並不等於事件已獲確認。

企業防禦應優先觀察哪些訊號？

上述案例指向一套分層、以行為為核心的防禦方式。企業仍應使用特徵碼與已知指標封鎖，但也要監控可能揭露 AI 輔助或動態調整攻擊的活動。

值得留意的訊號包括：

• Python 或 PyInstaller 程序，從不應使用開發者或 AI 服務的端點，對語言模型服務發出異常連線；
• 端點出現 Base64 編碼提示，或不尋常的 AI/API 呼叫；
• 將 systeminfo、tasklist、dsquery 或遞迴檔案搜尋等工具串連使用的可疑指令鏈；
• 透過 JavaScript、PowerShell 或其他直譯器執行可疑腳本；
• 異常的憑證存取、文件彙整或對外傳輸；
• 員工安裝未經核准的 AI 應用程式或瀏覽器工具。

Splunk 對 LameHug 的偵測建議，特別指出應關注 Python 或 PyInstaller 程序連線至 Hugging Face API、使用 Qwen 模型的情況。4 這是具體例子：防守方可以偵測 LLM 介入攻擊時周邊的行為，而不必等到出現固定不變的惡意軟體特徵碼。

結論：AI 是攻擊者的效率與適應層

AI 正深入網路攻擊，因為它能讓既有行動更容易製作、更精準客製，也更便於修改。FunkSec 與 RevengeHotels 展現了 AI 輔助的惡意軟體開發；LameHug 則顯示 LLM 可以在實際入侵期間被查詢；Kaspersky 對中小企業的偵測結果，則說明 AI 的普及本身也已成為誘餌。283151

因此，最準確的描述不是「AI 已經取代傳統駭客技術」，而是：AI 正成為釣魚、惡意軟體開發、偵察與資料竊取之間的效率與適應層。

企業需要為更高的變化速度與更快的攻擊迭代做好準備，同時嚴格區分兩件事：一是有證據支持的 AI 介入，二是只是在 AI 品牌包裝下進行的普通網路犯罪。