长期以来，银行业与金融科技领域的网络安全讨论核心往往聚焦于“检测”：即能否及时发现入侵、识别异常行为，以及在欺诈造成实质损害前捕捉到可疑模式。为此，行业开发了极为复杂的工具，能够在每次客户交易时从海量数据中筛选出成千上万个潜在风险信号。
然而，这一传统防御逻辑的前提正在被打破。过去，人类攻击者的探测和利用速度受限于人力，即便自动化脚本运行更快，也缺乏动态适应新漏洞的智能能力。人工智能的介入彻底改变了这一假设。
据 PYMNTS 本月报道，OpenAI 无法排除其即将推出的 Astra 模型触发最高级别网络安全警告的可能性。与此同时，国际货币基金组织（IMF）在一份关于金融部门人工智能与网络安全的说明中也得出了类似结论。IMF 的核心观点值得银行界深思：人工智能无需发明全新的攻击类型即可改变风险格局，因为 AI 驱动的攻击在本质上可能与人类攻击并无二致，但其速度、规模和适应能力发生了质变。
共享基础设施下的系统性风险
现代银行业并非建立在定制化的封闭技术之上，而是依托于共同的基础设施：包括核心银行平台、云基础设施、支付轨道、身份系统以及长链第三方软件。极少有系统是完全从零开始构建的，现代金融基础设施高度依赖商业软件、云服务及开源库。
这种架构虽然加速了行业发展并通过共同审查增强了安全性，但也创造了广泛的共同依赖关系。在特定环境下，这类似于成千上万扇门共用同一把钥匙。传统攻击者可能需要数周时间才能找到有效漏洞，这给防御者留出了修补、监控和响应的时间窗口；而人工智能系统可以在几秒钟内发现相同的漏洞，并在高自主性场景下执行多步骤攻击。
IMF 将此视为一个双重用途问题：提升人工智能防御性漏洞发现能力的同时，也同步提升了其攻击性漏洞利用效率。这并非针对单一支付的假设，由于支付基础设施在常用软件、云依赖和密集第三方集成中存在大量重叠，广泛部署组件中的漏洞可能迅速演变为超越单一机构的风险，特别是当涉及常用的云服务、软件库或第三方平台时。
从周期性防御转向持续性弹性
长期以来，安全策略主要侧重于预防：加快补丁速度、加强测试力度以及在发布前进行更严格的代码审查。这些措施固然重要，但当漏洞的发现与利用速度快于传统的补丁循环时，仅靠预防已不足以应对威胁。
当前的解决方案需要从“周期性防御”转向“持续性弹性”，即设计能够检测、隔离、遏制并恢复攻击的架构。IMF 与 PYMNTS 的建议一致：机构需通过网络细分、严格的访问控制、零信任设计以及对第三方的密切监督来限制成功泄露后的“爆炸半径”。关键在于，检测、遏制和恢复的速度必须与威胁传播的速度相匹配，而非仅仅遵循最近董事会批准的事件响应计划节奏。
这对银行内部如何管理人工智能应用也提出了新要求。随着 AI 工具在漏洞发现和威胁应对中的作用日益增强，赋予这些系统的自主程度必须成为明确的治理决策。机构需要清晰界定 AI 可访问的数据范围、可独立采取的行动边界，以及必须保留人类干预的领域。
董事会层面的治理优先级
网络安全议题必须从技术团队层面上升至董事会层面。虽然分类和访问控制属于技术决策，但对关键基础设施中人工智能自主性的监管则属于治理范畴。谁有权决定 AI 系统可以触及哪些资源？当 AI 以未预料的方式实现高层目标时该如何应对？一旦发现暴露，如何实现快速遏制？
没有任何单一的供应商、平台或基础设施能够独立解决这一问题。能够有效管理这一转型的机构，将是那些将架构弹性——而不仅仅是威胁检测——视为常规治理优先事项的银行。鉴于能力曲线的演进不会等待银行完成下一个审计周期，现在就必须设计出能够适应攻击速度的弹性体系。
