美 AI 网络安全政策需转向：当前框架假设过于狭窄

美国 AI 安全领域从业者、前 Meta 员工、Abundant Security 联合创始人近期在 Substack 撰文，基于其 2026 年 AI Security Forum 主题演讲内容，系统批评了当前美国 AI 网络安全政策框架，并提出以「AI 安全观测站」为核心的政策建议。

现行框架：聚焦模型双用途能力

作者观察到，当前联邦 AI 网络安全政策的主导逻辑相当直接：测试模型是否具备「危险的双用途网络能力」（dangerous dual-use cyber capabilities），一旦超过阈值，要么阻止发布，要么要求模型增加更严格的护栏。Claude Fable、GPT 5.6 等模型的发布都经历了类似的评估流程。

然而作者认为，这一框架在第一性原则上就存在偏差：模型的网络能力并非网络损害的直接原因。真正决定损害的是攻击者的目标、现有能力、采用 AI 的速度，以及防御者的部署与采用节奏。这是一个涉及人文、经济与技术的复杂图景。

AI 对攻防的真实影响尚未被实证研究

文章承认，绝大多数 AI 网络安全能力对攻防双方都有价值，但当前政策在隐含假设上偏向「AI 更有利于攻击者」。作者列举了几类反例：

AI 已在钓鱼防御中被广泛采用。
AI 在代码中查找与修复漏洞方面为防御方带来显著收益。
迄今为止，尚未观察到由攻击者使用 AI 引发的漏洞利用经济损失出现有意义的上行。

作者同时警示，国家级行为体可能在冲突前夕借助 AI 囤积网络武器，这一风险尚未被充分量化。整体而言，AI 究竟更有利于攻击方还是防御方，在钓鱼与漏洞利用这两个维度上仍是一个开放的经验问题。

政策建议：建立国家级 AI 安全观测站

作者主张，联邦政策应从「按模型能力设闸」转向「对全国网络攻击者、防御者与受害者生态进行系统性监测」。具体载体是建立资源充足、稳健运行的 AI 网络安全观测站，其职能包括：

汇集监管、补贴、联邦安全加固项目、模型发布延迟、其它干预手段所需的信息流。
评估这些干预对国家及全球网络安全生态的潜在影响。
基于实证信号，向政策制定者推荐多元化、可调节的干预组合。

作者强调，能力足以支持 AI 半自动化或自动化攻击的开源权重模型已经出现，且推理成本正在快速下降。虽然无法精确预测网络安全损害曲线何时出现真正的拐点，但若政策层面不能提前布局，将带来大量可避免的伤害。