KeyFrame內部研究專用

[un]prompted.au 2026 - Are we missing the boat?... - Ben Gittins and Cole Cornford

Unprompted au23 min英文
觀看原始影片

三句話摘要

澳洲在全球 AI 競賽中陷入被動,必須建立本土 AI 能力以避免淪為美國科技巨頭的依賴經濟體。 澳洲必須從被動消費者轉身主動建造者,建立本土 AI 工具與知識體系,才能掌握自己的未來。 歷史重複的技能貶值:18 世紀機械化廢止手工紡織業,今日 AI 自動化威脅網安的傳統高價值工作(滲透測試、程式碼審查、威脅建模),從手工藝轉向工業化流程生產,導致核心技能日趨廉價且規模化。

重點整理

  1. 歷史重複的技能貶值:18 世紀機械化廢止手工紡織業,今日 AI 自動化威脅網安的傳統高價值工作(滲透測試、程式碼審查、威脅建模),從手工藝轉向工業化流程生產,導致核心技能日趨廉價且規模化。

  2. K 型經濟嚴重分化:採納 AI 的人才享有顯著薪資溢價與新機會,而觀望者陷入落伍困境,95% 從業者自覺 AI 技能至少一項缺口,40% 組織聘僱凍結,24% 進行裁員。

  3. 澳洲被鎖在決策圈外:Anthropic、OpenAI、Google 的所有重大版本、定價、可用性決策均在加州做出,澳洲企業被困在美國閉源生態,97% 小中企業別無選擇,無法控制成本或可用性。

  4. 自動化降低攻擊門檻:開源工具讓漏洞利用變易,澳洲小企業、診所、地方電信商等過去「不值攻擊」的目標,現在成為現實威脅對象。

實用技巧與重點

  • ISC² 網安勞動力調查:40% 組織聘僱凍結/裁員/不補缺、24% 主動裁員、95% 自覺至少一項 AI 技能缺口
  • 開源 vs 閉源:開源模型達閉源模型效能 80%,成本僅 1/10
  • AI 模型發佈頻率:2026 年 2 月至 8 月約 20+ 次版本發佈(Anthropic、OpenAI、Google 等)
  • Anthropic Claude:限制 40 家合作驗證組織(澳洲占比極少)
  • 澳洲商業結構:97% 小中企業、主要依賴 ChatGPT / Copilot / Claude 三款美國模型
  • 澳洲 AI 倡議三大承諾:Build over Buy(自建優於租借)、Pragmatism over Hype(務實優於炒作)、Written for Australia(本地化優於美國套模式)

結論

澳洲必須從被動消費者轉身主動建造者,建立本土 AI 工具與知識體系,才能掌握自己的未來。

完整解析

澳洲正經歷一場無聲的技術主權危機。Cole 與 Ben 指出,網路安全產業歷經了與 18 世紀紡織工業化相似的轉變:曾經是高度專業化、供精英提供的手工藝(滲透測試、程式碼審查、威脅建模),如今被 AI 自動化工具快速廉價化。開源模型與開放工具讓原本需要認證、多年經驗的工作變成可程式化、可大規模生產的流程。

問題在於澳洲被完全鎖在決策圈外。全球 AI 決策權集中在矽谷,OpenAI、Google、Anthropic 所有重大版本發佈、定價策略、使用條款均由美國單方決定。澳洲的 40 個「受信任」合作組織寥寥可數,絕大多數澳洲企業淪為被動消費者,只能使用 ChatGPT、Copilot 或 Claude 三款美國模型。這造成了凶險的 K 型經濟分化:採納 AI 的領先者薪資溢價高達數倍、機會爆炸式成長,而觀望者逐漸落伍。根據 ISC² 調查,95% 的網安專業人士自覺 AI 技能不足,24% 的組織在進行裁員,40% 處於聘僱凍結。

更危險的是,澳洲作為 97% 小中企業的經濟體,過去因為「不值得攻擊」而享受相對安全,但自動化攻擊工具降低了成本,現在連小診所、地方電信商都成了現實威脅對象。講者主張解法不在於與科技前沿競速(pacing the frontier),而是透過三個策略:第一,採用成本低 10 倍、效能達 80% 的開源模型,徹底擺脫對美國閉源 API 的依賴;第二,建立本土推論基礎設施,讓澳洲能自主運行這些模型,而非租賃雲端服務;第三,編碼澳洲特定的法規、合規標準、本土威脅模型到工具與知識體系中。Australia AI 的使命是縮窄 K 型曲線,讓小中企業也能負擔、理解並使用 AI 工具,而不是被迫依賴矽谷的單方商業決策與生態鎖定。

32 min
AI 安全英文10月20日

[un]prompted.au 2026 - Human in the Loop, Ghost in the Shell... - Ash Fox

Unprompted au看原片 ↗
  • 攻擊者採用 AI 的三個維度:精密度增加(複雜技能從昂貴資源變為按需模型)、規模擴張(不再受人力限制)、速度加快(代理快速導航與決策)。但不同攻擊者類型有差異——需要隱蔽性的特務活動不太可能部署代理,而大規模無差別的勒索軟體運營者更可能採用
  • 紅隊代理需兼顧有效性與可信性:不僅要能找到漏洞和執行攻擊,更要表現得像真實攻擊者(適當隱蔽性、專業作業規範),避免洩露憑證、破壞系統、超出測試範圍等不當行為。
31 min
AI 技術英文10月20日

[un]prompted.au 2026 - To the Frontier and Back Again - John McIntosh

Unprompted au看原片 ↗
  • 超高速的漏洞發現能力:從第一個請求到發現第一個確認的漏洞只需 1 小時 16 分鐘,其中近 1 小時用於環境設置,實際代碼分析僅 13 分鐘。第二個漏洞(寫入型)則在 25 分鐘內發現,展示了 AI 在複雜技術工作上的顯著速度優勢。
  • 系統性的狩獵模式:透過設定目標、收集相關 CVE 作為上下文、建構研究環境,再進入「偵查→線索開發→驗證」的循環,AI 能自動迭代並從失敗中學習。該過程展示了模型如何識別模式(如併發問題),然後針對性地搜尋相應漏洞。
18 min
Web2 安全英文10月20日

[un]prompted.au 2026 - How Agentic SAST Decodes Business Context to Hunt Privilege Esc. - Sylvia Xu

Unprompted au看原片 ↗
  • 傳統黑箱測試需要測試多個用戶角色帳號並檢查數百個端點組合,工作量巨大且容易遺漏。新方法透過同時掃描前後端代碼,直接比對業務意圖與實現之間的差異。
  • LLM能語義化理解代碼含義,區分身份驗證邏輯與其他檢查;但存在不確定性、上下文溢出與幻覺問題。解決方案是用決定性Python代碼來驗證LLM輸出、控制上下文流、蒐集人工反饋。