在傳統的網路安全觀念中，防火牆的角色就像是一個嚴格的門衛。它主要檢查封包的來源、目的地以及使用的協定，只要符合預設的規則（例如：允許 80 端口、封鎖特定 IP），流量就能通過。這種模式在過去數十年非常有效，因為當時的應用程式行為相對單一且可預測。
然而，隨著生成式 AI（Generative AI）與 AI Agent（AI 代理人）的普及，網路流量的本質發生了根本性的改變。現在的企業網路中，充斥著員工發送給 LLM 的提示詞（Prompts）、應用程式後台對模型的 API 呼叫，以及 AI Agent 之間自主的溝通。
對於傳統防火牆來說，這些流量在封包層級看起來都只是普通的 HTTPS 加密流量，門衛雖然知道有人在傳資料，但完全不知道資料內容是什麼，更無法理解對方的意圖。
AI 帶來的可視性缺口
目前的企業面臨一個嚴重的可視性缺口（Visibility Gap）。傳統安全控制措施只能看到連接（Connection），卻看不到上下文（Context）。
舉例來說，當一名員工將公司機密原始碼貼到外部 AI 平台尋求優化時，傳統防火牆只能記錄一次對外部網站的連線，卻無法識別出這是一個包含敏感資訊的提示詞（Prompt）。同樣地，當 AI Agent 自主調用外部服務或與另一個 Agent 互動時，這種非人為觸發的行為模式，讓傳統基於用戶身分的權限管理失效。
如果安全工具無法理解 AI 互動的意圖，企業將面臨以下風險：提示詞注入攻擊（Prompt Injection）導致模型被操縱、敏感數據外洩（Data Exfiltration），以及 AI API 被濫用。
從流量檢測演進至意圖感知
為了填補這個缺口，網路安全必須從單純的流量檢測，演進為意圖感知（Intent-aware）。
意圖感知意味著防火牆不再只看封包，而是要能即時解析 AI 互動的內容。這包括分析提示詞的含義、監控模型呼叫的頻率、檢查上傳文件的性質，以及追蹤 AI Agent 的行為模式。
將這種能力整合進網路層（Network Layer）至關重要，因為網路是所有 AI 流量的匯聚點。與其在每個 AI 應用程式端單獨部署安全插件，不如將治理能力直接內嵌在既有的網路控制點中。這樣無論 AI 工作負載是在雲端、數據中心還是分支機構，都能維持統一的安全策略。
應對 AI 速度的運維挑戰
除了技術層面的可視性，AI 的普及也帶來了運維複雜度的劇增。AI 應用的更新速度極快，安全團隊如果還依賴手動將業務需求翻譯成技術規則（例如手動設定 IP 列表或端口），將完全無法跟上節奏。
現代的 AI 網路安全需要引入自動化運維，例如使用自然語言來管理安全策略，或者利用 AI 代理人自動分析事件並執行修復。透過將現有的資產標籤、身分識別與 AI 意圖分析結合，安全團隊可以實現單一且一致的訪問控制模型，減少人為配置錯誤。
總結：網路即控制平面
在 AI 時代，網路不再僅僅是傳輸數據的通道（Transport Layer），它正在變成 AI 安全的控制平面（Control Plane）。
控制平面是指負責管理與設定系統行為的層級。當防火牆能夠理解 AI 的意圖並動態執行策略時，它就成了企業治理 AI 使用行為的核心樞紐。這讓企業能在不阻礙創新、不限制開發者使用 AI 的前提下，確保所有的 AI 互動都在可控且可審計的範圍內運行。
來源：thehackernews.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。