八個月，四起重大事件。一個共同的模式：軟體供應鏈並非遭遇了新的對手，而是獲得了新的武器。從2025年9月到2026年5月，一種能夠自我傳播的蠕蟲病毒、一個國家級駭客組織、一場模仿攻擊以及一個被劫持的人工智慧模型先後入侵了軟體供應鏈。 pipeline數百萬開發者每天都在信賴它。這就是網路安全威脅的新形態：速度更快、更難發現，並且越來越多地由開發團隊用於交付程式碼的同一種人工智慧驅動。
如果你對網路安全威脅的認知仍然停留在釣魚郵件和未打補丁的伺服器上，那麼下面的資料將會更新你的認知。
網路安全威脅的新形態
多年來，網路安全威脅主要指憑證被盜、伺服器配置錯誤和社會工程攻擊。這些風險並未消失：2022 年已確認的資料外洩事件中，81% 都與憑證外洩有關。但一個新的威脅類別已成為討論的焦點：人工智慧威脅。開發團隊現在依賴人工智慧編碼助理、智慧副駕駛等工具，以及… 模型上下文協定 (MCP) 伺服器被用來更快地建立軟體，而這些伺服器現在也都成了攻擊目標。研究表明，大約 40% 的 AI 生成程式碼包含安全漏洞，這意味著 AI 承諾的速度伴隨著程式碼庫中直接存在的 AI 安全風險的相應增加。
八個月，四起事件：人工智慧威脅如何升級
人工智慧威脅正在加速加劇的最有力證據並非預測，而是… 已發生事件的時間線:
- 2025年9月，沙伊·胡魯德：第一個能夠自我傳播的 npm 蠕蟲，將開發者本身變成了一種交付機制。
- 2026年3月，axios： 隱藏在軟體包中的國家級惡意軟體每週下載約 100 億次。
- 2026年4月，SAP npm：以較小規模重複相同的蠕蟲圖案，展示技術規模。
- 2026 年 5 月，Claude Opus → PromptMink：一個大型語言模型，被武器化以在自主代理中植入惡意軟體，人工智慧本身充當攻擊媒介。
每一次攻擊事件都藉鏡並擴大了前一次攻擊的規模。這正是2026年人工智慧威脅的顯著特徵：它們的累積速度遠超傳統網路安全威脅，因為幫助開發者交付產品的自動化技術，也同樣幫助了攻擊者的傳播。
為什麼傳統工具無法發現這些人工智慧風險
傳統的應用程式安全工具止步於程式碼庫，並不了解模型是什麼。傳統的終端安全工具監控作業系統，卻無法理解軟體包、MCP 伺服器或 AI 助理。這兩者之間的鴻溝正是 AI 風險的溫床，在造成損害之前，這些風險往往難以察覺。
兩項數據更清楚地表明了風險：2025 年第四季至 2026 年第一季期間，針對人工智慧的憑證竊取事件增加了 376%；一個惡意 MCP 橋接程式（CVE-2025-6514）在被發現之前已被下載 43.7 萬次，從而能夠在客戶端執行遠端程式碼。公共 MCP 伺服器預設情況下也並非安全：5.5% 的伺服器存在工具投毒漏洞，43% 的伺服器存在命令注入漏洞，這些漏洞的嚴重程度足以使開發人員自己的工具成為組織可能面臨的最嚴重的網路安全威脅之一。
軟體供應鏈仍然是網路安全威脅的最大來源
人工智慧並非此問題的始作俑者，而是加劇了這個問題。軟體供應鏈早已是網路安全威脅最容易利用的入口點，相關數據也印證了這一點。自2019年以來，已發現超過778,500個惡意開源軟體包，其中一年內這一數字激增156%，達到512,847個。歐盟網路安全與資訊安全局（ENISA）發現，60%的供應鏈攻擊利用了客戶對供應商的信任，據估計，軟體供應鏈現在平均每48小時就會遭受一次攻擊。 2019年至2022年間，供應鏈攻擊增加了742%，預計到2025年，45%的組織將受到影響，到2031年，年度損失將達到138億美元；光是今年，軟體供應鏈攻擊造成的損失就估計高達60億美元。
相同的依賴關係和 pipeline 導致這些經典網路安全威脅的弱點如今也帶來了人工智慧風險：例如，被入侵的軟體包、配置錯誤的 GitHub Action 或未固定的 GitHub 帳戶。 CI/CD step 可以像針對人類開發者一樣輕鬆地針對人工智慧代理。
程式碼庫之外更廣泛的人工智慧安全風險
並非所有人工智慧風險都存在於程式碼檔案中。更全面的人工智慧安全風險圖譜涵蓋了人工智慧資產的整個生命週期：包括提示注入和系統提示洩露、因人工智慧配置過於寬鬆而暴露的敏感資料、被污染的向量和嵌入、隱藏在文件和規則文件中的惡意指令、不安全的 MCP 配置和不受信任的伺服器、人工智慧或被濫用的人工智慧依賴項，以及其行為的過度自主性（即其行為的超越了人工智慧配置。
這些類別直接對應到 OWASP 十大 LLM 應用問題， OWASP十大安全漏洞：代理應用程式和 OWASP MCP Top 10這三個框架正迅速成為整個產業中人工智慧安全風險的通用詞彙。
降低網路安全威脅風險：哪些措施真正有效？
數據顯示，有兩件事始終能有效抵禦網路安全威脅： 基本衛生習慣和早期發現。 98% 的網路攻擊可以透過基本的安全措施來預防，但仍有 34% 的資料外洩源自於內部威脅，60% 的應用程式的第一方程式碼中仍然存在漏洞。 GitHub 本身也未能倖免：1.9% 的 GitHub 概念驗證漏洞利用程式碼庫本身就是惡意程式碼，旨在竊取資料或向信任它們的科研人員部署惡意軟體。
具體到人工智慧風險，解決方案必須在生命週期的早期階段就著手解決：
- 在 IDE 內部進行驗證。 在人工智慧產生的程式碼到達目標之前，就將其中的不安全模式捕獲。 pipeline 消除了人工智慧安全風險的最大單一來源。
- 在惡意軟體特徵碼出現之前就偵測到它。 根據定義，基於信譽的工具無法辨識零日漏洞，而這正是 Shai-Hulud、axios 和 SAP npm 所利用的漏洞。
- 清點所有人工智慧資產。 模型、資料集、代理程式和 MCP 伺服器無法透過團隊不知道其運行的程式進行管理或攻擊。
Xygeni如何應對這些網路安全威脅
Xygeni DevAI 將 AI 威脅視為應用程式安全的核心組成部分，而非事後附加的獨立問題。它在開發者的 IDE 中應用即時安全驗證，在 AI 產生的程式碼發布前標記出其中的不安全模式。 惡意軟體預警 (MEW) c持續掃描 NPM、PyPI 和 Maven，在惡意軟體簽名出現之前將其捕獲，從而精準定位 Shai-Hulud、axios 和 SAP npm 背後的供應鏈模式。 AI Security 可發現所有 AI 資產。 SDLCShield 會根據上述 OWASP 框架對其進行評分，並在允許不安全的模型、代理或 MCP 伺服器運作之前，在端點強制執行策略。
到2026年，能夠有效管理人工智慧風險的組織並非擁有最多工具的組織，而是那些能夠監控自身運作的每一項人工智慧資產，在不安全操作執行前將其阻止，並將這種智慧應用於現有工具的組織。
常見問題
2026年最大的網路安全威脅是什麼？
供應鏈攻擊仍然是規模最大、成本最高的攻擊類別，今年造成的損失估計高達 60 億美元，平均每 48 小時就會發生一次攻擊。同時，人工智慧威脅也迅速崛起：針對人工智慧的憑證竊取事件在一個季度內成長了 376%，而 Shai-Hulud、axios 和 PromptMink 等事件表明，攻擊者正積極利用人工智慧作為攻擊目標和傳播手段。
人工智慧產生的程式碼是否存在安全風險？
是的。研究表明，大約 40% 的 AI 生成程式碼存在安全漏洞。因此，在程式碼合併之前，在開發者的整合開發環境 (IDE) 中進行即時驗證，是降低 AI 安全風險來源最有效的方法之一。
什麼是MEW？它如何應對人工智慧威脅？
惡意軟體早期預警 (MEW) 是 Xygeni 針對 NPM、PyPI 和 Maven 的持續掃描系統。它的設計目標是在惡意軟體特徵碼出現之前就將其捕獲，這一點至關重要，因為基於信譽的工具只能捕獲已被識別的惡意軟體，而無法捕捉到近期人工智慧威脅和供應鏈蠕蟲背後的零日漏洞。
MCP伺服器真的是人工智慧風險的來源嗎？
是的。公共 MCP 伺服器在實際應用中顯示出可衡量的 AI 安全風險：5.5% 的伺服器存在工具投毒漏洞，43% 的伺服器存在命令注入漏洞，僅一個被攻破的 MCP 網橋在被發現之前就被下載了 437,000 次。
