AI加速进化 网络安全人才实战报告正式发布

当前前沿人工智能模型能够独立完成的任务时长正在快速扩张，据行业评测机构的研究数据显示，以人类专家完成对应任务的耗时为衡量标准，AI模型在50%成功率下可完成的任务周期大约每7个月就会翻一番。

随着AI独立运行的时长不断增加，其可访问的数据范围、获得的系统权限也在同步扩大，如何确保AI不会被恶意指令操控、不突破权限边界，已经成为行业必须重视的核心问题之一。

AI能力快速进化的同时，其配套的安全防护能力能否同步跟上，成为了业内关注的焦点。

9月18日，在首届中国网络空间安全大会上，《网络安全人才实战能力报告—AI赋能篇》正式对外发布，这份报告对AI时代网络安全人才的分布现状、实战能力水平、培养路径以及评价标准进行了全面系统的分析。

这是网络安全人才实战能力研究系列的第四份成果，此前已陆续推出“攻防实战能力篇”“人才评价篇”“安全测试评估篇”。报告由国务院学位委员会学科评议组（网络空间安全组）、教育部高等学校网络空间安全专业教学指导委员会指导，北京航空航天大学、中国科学技术大学以及多家产业科技企业担任主编单位，多所高校、科研机构共同参与编制。

报告发布现场，多位高校网络安全领域专家对报告内容进行了详细解读。

AI安全边界从单一系统延伸至智能体全链路

随着大模型逐步融入核心业务流程，AI安全的防护对象也发生了显著变化。过往的网络安全工作更多聚焦于网络环境、基础系统和业务数据的防护；而如今，模型本身、训练所用的数据、算法逻辑、提示词内容、智能体的权限设置以及工具调用链条，都成为了新的安全防护边界。

报告将AI时代网络安全人才需要应对的实战任务划分为三大类：第一类是模型安全，核心任务是保障AI模型、底层训练数据以及核心算法本身的安全性；第二类是AI应用安全，重点应对模型和智能体接入业务系统后产生的新型安全风险；第三类是AI赋能网络安全，即研究如何利用AI技术提升漏洞挖掘、安全运营、攻防对抗以及威胁检测等安全工作的执行效率。

这三类任务也意味着，当前网络安全人才需要承担双重职责：既要能够精准识别并处置AI技术带来的新型安全威胁，也要熟练运用AI工具提升自身安全工作的整体效率。

AI应用落地加速，专职安全团队建设滞后

报告数据显示，当前AI安全相关人才存在几个突出特点：从业年限普遍偏短、地域和行业分布相对集中、专职安全力量缺口较大。在模型安全领域，65%的从业者工作年限不足5年；全国范围内，广东、北京、浙江、上海和江苏五个省市聚集了46%的AI应用安全人才；在关键信息基础设施所属单位中，75%的相关安全人才集中在电力、金融和通信三大行业。

值得注意的是，当前AI应用的落地速度正在加快，但不少相关单位的安全防护体系并未同步完善。数据显示，64%的大模型相关单位仍由传统安全团队或研发团队兼职承担模型安全工作，仅有23%的单位设立了专门的AI安全研究队伍；81%的AI应用落地单位尚未设置专职的AI安全团队。

这也反映出，随着大模型和智能体接入更多业务场景，相关单位的风险识别、测试验证以及应急处置能力仍需进一步加快建设步伐。

AI应用安全需要复合型能力支撑

AI应用安全并非单一的模型层面问题。当AI模型能够读取内部业务数据、连接外部工具并参与业务流程时，安全风险可能会沿着接口调用、权限分配以及工具调用链条不断延伸扩散。报告数据显示，在AI应用安全场景中，提示词安全、内容合规、接口安全和业务逻辑安全四个维度中，尚未达到熟练操作水平的人员占比分别为54%、64%、60%和65%。

这一数据表明，AI安全人才不仅需要深入理解AI模型的运行机制，还要具备数据安全防护、接口安全管理、权限控制以及业务风险分析等多方面的能力。兼具算法知识、攻防实战经验和业务场景理解能力的复合型人才，已经成为AI应用安全落地的重要支撑力量。

AI辅助安全工作，但专业判断不可或缺

AI技术也正在改变传统网络安全工作的执行方式。漏洞挖掘、安全运营、威胁分析以及响应处置等多个安全工作环节，都在逐步引入大模型和智能体工具，以提升信息处理效率和任务执行速度。不过报告同时指出，AI提升效率并不意味着可以替代专业人员的判断能力。

数据显示，拥有10年以上从业经验的资深从业者对AI辅助漏洞挖掘的效率满意度仅为58.3%，在所有不同从业年限的群体中是最低的。这一结果反映出，在复杂、专业且高要求的安全任务中，资深安全人员更加关注AI输出内容的准确性、稳定性和可验证性。AI可以辅助完成分析和执行任务，但针对漏洞成因、攻击路径、业务影响范围以及最终处置方案的判断，仍需要专业安全人员进行把关。

AI安全课程普及加速，实训体系建设仍有短板

面对AI时代网络安全人才的需求变化，国内高校正在加快将AI相关内容纳入网络安全人才培养体系。报告数据显示，68%的高校已经将AI相关课程设置为独立的必修课或选修课。

不过从课程设置到形成实战能力，仍面临算力资源、师资力量、教学案例以及实训环境等多方面的现实制约。仅10%的受访教师认为所在高校已经建立了较为完备的AI安全实训体系；仅有26%的高校具备较为充足的算力条件，可以支持模型训练和对抗攻击实验；同时，兼具网络安全攻防经验和AI算法研发能力的教师仅占受访群体的21%左右。

在高校最紧缺的教学资源中，80%的需求集中在实操案例、真实攻击案例和实验指导三个方面。这意味着，AI安全人才的培养不能仅仅停留在知识讲授层面，还需要更多贴近真实业务场景、真实安全风险和真实攻防环境的实践训练环节。

AI安全场景扩容，人才评价转向实战导向

随着AI安全应用场景不断拓展，传统的网络安全人才评价方式也面临新的挑战。仅以学历、证书、从业资历和知识掌握程度作为评价标准，已经难以完整判断一名安全人员能否在复杂实际环境中发现并处置安全风险。

报告基于ASK-P网络安全人才实战能力评价体系，围绕模型安全、AI应用安全和AI赋能网络安全三大场景，进一步探索了分类分层的能力评价方法。与传统评价方式相比，该评价体系更加关注人员能否在真实或仿真环境中运用所学知识和技能完成安全任务、处置实际风险，并形成可验证的实战成果。

这一评价体系可以为高校明确人才培养目标、企业识别人才胜任能力以及从业人员规划自身能力成长路径提供参考依据。报告同时提出，未来网络安全人才建设应更加贴近真实业务和实战需求，以实际任务定义能力标准、以真实场景组织训练活动、以任务完成效果评价人才能力，推动高校、科研机构、网络安全企业和重点行业共同参与人才培养、训练、评价和使用全流程。

作为报告主编单位之一的相关科技企业表示，未来将继续联合高校、科研机构和行业伙伴，围绕真实业务、真实风险和真实攻防场景开展网络安全人才实战能力研究，为AI时代网络安全人才的培养与评价提供更多实践参考。