DeepSeek 如何助中國政府相關駭客擴大網路攻擊

台灣威脅情報公司 TeamT5 指出，部分與中國政府有關聯的駭客組織，在日常作業導入 DeepSeek 及其他開源人工智慧（AI）模型後，發動的攻擊數量增加逾一倍。報告的核心並不是 AI 已獨立完成每一次入侵，而是 AI 接手足夠多的重複性工作後，讓既有的攻擊者能以更低成本鎖定更多目標。457

重點不是「自主駭客」，而是 AI 成為攻擊倍增器

TeamT5 在近期行動中取得的指令碼與日誌裡，追蹤到 AI 被運用在入侵流程的多個階段，包括初步偵察、漏洞掃描、漏洞利用程式開發、惡意軟體相關工作，以及網路遭入侵後的操作。不過，研究公司也提醒，這些資料並不總能確認每次事件使用的確切模型。47

這項區分相當重要。所謂「增加逾兩倍」是 TeamT5 對其研究對象之攻擊量所做的評估，不代表已完整統計所有與中國有關的網路攻擊。從目前證據看，AI 更像是協助駭客把繁瑣工作分派出去、縮短部分攻擊週期並擴大行動規模，而非完全取代人類決策。57

為什麼 DeepSeek 被視為較實用的選項？

根據 TeamT5 的分析，DeepSeek 對網路攻擊行動的吸引力，來自幾項務實條件：

• 效能足夠：可支援研究、撰寫程式及操作相關工作。
• 運行成本較低：更適合反覆使用或大規模部署。
• 容易客製化：開源模型通常能讓使用者依需求調整。
• 網路安全防護限制相對較少：取得或改造有害協助所需的額外操作可能較少。27

這也說明，對攻擊者而言，能力最強的模型不一定是最實用的模型。TeamT5 reportedly 認為，Moonshot 的 Kimi K3 等更強大的系統，可能因成本較高且安全防護更嚴格，而不如 DeepSeek 適合這類操作。不過，目前資料沒有證實 TeamT5 審視的事件中確實使用了 Kimi K3。7

已揭露的幾個案例

TeamT5 觀察到不同組織把 AI 用在攻擊鏈的不同環節：

Grimfengxi：生成漏洞利用程式

據報，Grimfengxi 使用 DeepSeek 產生漏洞利用程式碼。這已不只是查詢背景資料，而是讓模型協助製作旨在利用目標系統弱點的程式。7

Teleboyi：自動化目標偵察

Teleboyi reportedly 使用 DeepSeek 從網際網路收集約 1,000 個 IP 位址，並繪製目標組織的網域關聯圖。這類工作屬於「偵察」：攻擊者在嘗試入侵前，先建立潛在受害者的網路與基礎設施輪廓。

但要注意，完成基礎設施盤點本身，並不能證明後續一定成功入侵或造成損害。7

Huapi：鎖定台灣企業電子郵件系統

Huapi reportedly 使用一個中國 AI 模型攻擊台灣一家公司的電子郵件系統。TeamT5 認為該模型很可能是 DeepSeek，但無法作出確定辨識。這反映出一項調查難題：研究人員未必能單靠攻擊程式碼或行為，準確判斷背後使用的是哪個 AI 模型。7

Slime22：入侵後使用 Claude Code 進行橫向移動

相關活動並不侷限於中國開源模型。TeamT5 相關報導稱，Slime22 在入侵一家台灣科技公司並安裝 Kali Linux——一套常用於滲透測試的平台——後，使用 Anthropic 的 Claude Code 協助在網路內部進行橫向移動。據稱，操作人員將活動包裝成獲授權的工程測試，以規避安全防護。7

這個案例也說明，防禦團隊不能只盯著單一模型或單一來源國家。攻擊者可能依照任務與遭遇的防護措施，混用本地部署或開源模型，以及商業化的西方 AI 工具。

AI 輔助網路犯罪正在形成更大的生態系

TeamT5 的報告也描述了圍繞 AI 輔助入侵行動形成的市場。據報，一家約有 10 名員工的中國新創公司，向至少 4 個駭客組織銷售入侵軟體，價格約為人民幣 30 萬至 50 萬元，折合約 4.45 萬至 7.4 萬美元。另有報導稱，ChatGPT 也曾在其中一次攻擊中被使用。7

與北韓有關聯的 Kimsuky 組織 reportedly 也在測試本地部署的 AI 模型。將模型部署在本地，可能讓操作人員更能掌控模型及資料，也可能降低對外部服務與其濫用偵測機制的依賴；但現有報導只支持「正在測試」的說法，尚無法確認這些本地模型在實際行動中的效果。7

Anthropic 另曾指出，AI 可能降低高階網路犯罪的技術門檻，讓技術能力有限的行動者也能執行過去需要更多專業訓練的複雜攻擊。這與 TeamT5 描述的情況相互呼應：眼前的風險未必來自單一個「超人級」系統，而可能是一般攻擊者更快取得程式撰寫、目標偵察與工作流程自動化能力。

OpenAI 則表示，公司持續努力辨識、防止並阻斷濫用其模型的企圖。7

這份報告證明了什麼，又沒有證明什麼？

TeamT5 的發現指向一項具體的作業效應：AI 輔助流程接手重複性任務後，可能增加某個組織嘗試發動的攻擊數量。但這不應被解讀為 DeepSeek 已自主完成所有被報導的入侵。

有三項限制尤其值得留意：

1. 模型歸因並不完整。 調查人員無法可靠地把每一段指令碼、每個指令或每次入侵都連結到特定 AI 系統。47
2. 攻擊量不等於成功入侵量。 嘗試次數增加，並不代表遭突破的目標數量必然同步增加，也不代表損害程度以相同比例上升。
3. 證據來自特定組織與行動。 「增加逾一倍」是 TeamT5 的研究評估，不是對所有中國政府相關網路活動的全面測量。7

因此，目前最清楚、也最具防禦意義的結論，比「AI 已完全自主駭客化」更精確：低成本、可客製化的 AI，正讓既有威脅行動者更容易把攻擊流程中的部分工作工業化。防禦團隊應假設，偵察、程式碼生成與入侵後工作流程都可能被多種模型加速，而不只是 DeepSeek。