在人工智能迅速滲透企業營運的時代，單靠「導入AI」已不足夠，更關鍵在於如何有效治理 AI，確保其安全、合規及可控。

參加由 Splunk × edvance 聯合舉辦的專題分享會，活動由擁有超過 10 年經驗的專業導師帶領，讓您在品嚐多款精選日本清酒的同時，以輕鬆愉快的氛圍交流及掌握 AI 治理的關鍵趨勢。

活動亮點：

🧠 AI 治理最新洞察：
- 剖析企業導入 AI 所面對的挑戰，包括合規、數據私隱、模型風險及營運透明度

🛡️ Splunk AI Governance 解決方案：
- 透過 Splunk 平台，全方位掌握 AI 生命周期：

• 合規 (Compliance)：確保符合法規及企業政策
• 安全 (Security)：防範模型攻擊與數據洩露
• 可觀測性 (Observability)：持續監控 AI 表現與行為

📊 由 AI Adoption 邁向 AI Assurance：
- 整合分散數據，打造可視化治理儀表板，提升透明度、效能及成本控制能力

代理式人工智能（Agentic AI）憑藉其可自動執行任務的能力，大幅提升企業營運效率，迅速成為市場上的「新寵兒」。然而，這種高度自主的特性，同時亦帶來前所未有的網絡安全挑戰。《Fortinet - Agentic AI 安全攻防戰》系列將一連三集，由 Fortinet 北亞區首席信息安全官鄺偉基（Daniel）深入剖析企業在部署 Agentic AI 時不可忽視的安全關鍵。第一集率先由 Agentic AI 的核心基礎 ── Kubernetes 出發。

Agentic AI：自動執行帶來的雙刃劍風險

人工智能技術經歷多年演進，從機器學習（Machine Learning）、生成式 AI（Gen AI），發展至當前備受關注的 Agentic AI。與過往 AI 最大的不同，在於 Agentic AI 不再只是「提供答案」，而是具備「自動執行」的能力。

這種能力既是 Agentic AI 最大優勢，同時亦是潛在風險來源，Daniel 指出：「以前 AI 即使答錯，只要人不採納執行，問題未必發生；但現在 Agentic AI就算判斷錯誤，也可能直接執行，後果可以非常嚴重。」他引用一宗海外初創公司的真實案例，由於 Agentic AI 發生錯誤操作，系統在短短 9 秒內刪除了包括備份在內的所有數據，造成重大損失。

Daniel 又以「養龍蝦（OpenClaw）」為例，僅僅推出大半年，相關的 CVE 漏洞已累積數量至 478 個，其中約 190 個更屬於高至嚴重風險級別（CVSS4.0）。這反映出，在高度自動化且缺乏人工監督的情況下，一旦發生配置錯誤或遭受黑客入侵，影響將被迅速放大，風險不容忽視。

Kubernetes：Gen AI 與 Agentic AI 的基礎

無論是 Gen AI 還是 Agentic AI，其背後往往以 Kubernetes 作為運行基礎。Daniel 強調，容器化網絡（Container Network）與傳統網絡架構存在顯著差異，對企業的技術能力與安全管理要求亦更高。

在傳統環境中，企業開發應用程式的資源規模通常較固定，例如只需運行約 8 至 10 部虛擬機（VM）；但在 Kubernetes 環境下，資源可按需求快速擴展，當流量急升時，系統能在短時間內擴展至數百個工作負載（Workloads），而當需求下降時，又會即時回收資源。這種高度動態與彈性的特性，令整個 IT 環境變得更複雜，也更難監控。

不少企業其實早已導入 Kubernetes，但由於過往應用規模較小、擴展速度較慢，加上傳統防火牆未必支援相關架構，導致 Kubernetes 的安全性長期被忽視，甚至處於「無王管」狀態。隨著 Agentic AI 日趨普及 Kubernetes 部署規模急速膨脹，安全性情況將更為嚴峻，成為企業不能忽略的重點。

分隔機制：Kubernetes 安全的第一道防線

在 Kubernetes 安全策略中，「分隔（Segmentation）」被視為最關鍵的基礎防護措施。Daniel 以簡單比喻說明：「如果將所有資源混雜在一起，會很難管理；但如果分開成 100 個區域，每個區域都清晰可見，就容易控制得多。」

透過有效的分隔機制，企業可以大幅降低攻擊面，並限制潛在威脅的橫向擴散。這就如同設置隔離病房，即使某個區域受感染，也不會迅速蔓延至整個系統，避免「火燒連環船」。

然而，現時市場上不少傳統防火牆仍未能支援 Kubernetes 原生架構，令分隔措施難以真正落實。Daniel 指出，Fortinet 的防火牆（FortiGate）已內建針對 Kubernetes 環境的安全功能，能有效進行分隔。FortiGate 可每隔數十秒自動偵測 Kubernetes 環境中的變化，並以「工作負載」（Workload）為核心進行標籤識別與微分段管理，而非單純依賴傳統的 IP 地址，從而實現更精準、及更動態的分隔，全面提升防護能力。

此外，FortiGate 具備強大的整合能力，能無縫連接不同雲端平台及混合雲環境，並與 Fortinet Security Fabric 內的其他安全方案（如 SIEM、EDR、ZTNA 等）協同運作。

建立全面防護：由 Kubernetes 開始

企業若要安全地部署 Agentic AI，必須由底層基礎設施著手，而 Kubernetes 的安全正是最關鍵的一環。在完成有效的分隔與防護後，企業可進一步透過 API 建立更全面的可視性（Visibility），並結合 SIEM 系統進行持續監察與分析。

隨著 Agentic AI 持續發展，企業面對的安全挑戰越趨複雜，必須提早部署完善的 Kubernetes 安全策略。Fortinet 將舉辦 SIEM 專題工作坊，協助企業全面應對 Agentic AI 帶來的新一代安全挑戰。立即登記參加，掌握實戰防護策略，為企業建立更穩固的 AI 安全基礎。

【工作坊詳情】

日期：Jul 14, 2026 (Tue)
時間：3:00 – 4:30 pm
地點：Fortinet Office
報名連結：https://tinyurl.com/jx7hkhvs

AI 是科技界增長最快的領域，但在背後支撐其運作的數據中心，卻與傳統數據中心有很大分別。AI 數據中心不單耗電量驚人，而且亦有完全不同的新架構及數據傳輸規格。現實情況是在市場需求急升的情況下，不少建造商都要全力趕工興建。最近就有安全機構發表研究報告，指建造商未必真正明白 AI 數據中心與傳統版本有何分別，結果興建出來的新設施便直接曝露在網絡攻擊的風險之中。

AI 數據中心似共享辦公室

到底傳統數據中心與 AI 數據中心有什麼不同？傳統數據中心的架構就像傳統貨倉，內裏有一排排獨立儲物櫃，各自存放不同客戶的貨物，由於客戶已知，因此可在可控的基礎設施下運作。相反 AI 數據中心卻像共享辦公室，租戶來自五湖四海，但卻共用同一組硬件，一旦其中一個環節出事，全條生產線都會受影響。

負責《十大數據中心與 AI 基建安全風險》研究報告的安全機構 Lava Labs 就指出，當原本數據中心的架構是為「熟客」設計，如今卻要應付「陌生人」的工作，風險自然大增。研究員舉例說，AI 數據中心的 GPU 經常在客戶之間輪流分配，如果沒清洗乾淨上一手留下的數據痕跡，下一位客戶隨時讀到別人的敏感資料。換句話說，AI 數據中心不能再用「儲物櫃」思維去建設，必須要視之為「生產線」，考慮當中存在的風險。

缺乏數據加密與監控易招黑客

不過，研究員亦指出這種架構差異直接帶來新的硬件問題，因為密集的 GPU 發熱量驚人，冷卻系統一旦失靈，影響範圍可以是整個機房。驅動這些硬件亦需要更複雜的硬件控制程式，一旦過程中被黑客竄改，對方便能無聲無失入侵。此外，要令成千處理器同步運作，AI 數據中心須用上 InfiniBand、RDMA 等超高速網絡，問題是當中往往缺少檢查站，如缺乏數據加密與監控，黑客便能入侵及在內部橫行，滲入到其他原本無關的系統。

AI 數據中心高度依賴自動化工具，例如負責遠端控制硬件的 BMC系統，以及調配資源的編排系統。這些就像工廠的中央控制室，但控制室一旦被攻破，後果就是黑客可以一鍵操控全場。

綜合以上差異，Lava Labs 將風險歸納為十項，前五項出現在系統最底層，難以偵測，一旦爆發可波及整個機房群組；其他則較易發現及修復。Lava Labs 發表這份報告目的，無非是希望提醒業界 AI 數據中心存在著與傳統數據中心完全不同的安全風險，報告中特以按嚴重程度排列優先次序，讓業界知道應優先處理甚麼，並提供具體攻擊案例及應對方法。

如果想進一步了解當中的差險及風險管理做法，可以下載完整報告：https://tinyurl.com/2dtzm28r

資料來源：https://www.securityweek.com/ai-data-centers-are-being-built-faster-than-they-can-be-secured/