业界有云：“复杂性是安全性的敌人”。如今智能化领域中愈发抢眼的AI大模型，在计算机视觉、文字生成等应用场景，显现出震撼人心的智能化水准前，都有着一段类似“破茧成蝶”的经历。AI大模型“黑箱”内部架构有高度复杂的神经网络，以及需要源源不断地投喂、输入高质量语料。经过高密度信息训练与推理后的AI大模型，内部复杂性可想而知。
如今，AI大模型已成为智能化时代的核心基础资产。在AI大模型本体基础上的应用层面，也展现了百花齐放的创新形态。从更广的维度看，多类别创新版图之间，贯穿不同系统平台的API链路，也使得AI大模型生态日渐复杂，展现在黑客眼前的攻击暴露面，正在持续蔓延。
OWASP：重点关注三大风险
经过多轮分析、挑选，OWASP安全机构发布了AI大模型应用的十大风险：
从中可以全览AI大模型的风险分布，为AI大模型的通用安全漏洞评测提供标准依据。
从利用外部数据源训练、微调数据集的训练数据阶段，到基于大模型自动化代理为终端用户构建核心应用服务，以及联动多方插件布局大模型的下游服务，OWASP重点提示的十大风险，遍布于整个AI大模型创新生态的全链路关键场景。
如果说AI大模型的语料训练阶段，还属于智能化科创企业的“闭门造车”的内部研发阶段，但步入了推理部署阶段之后，即将蝶变的AI智能体大脑，一经发布就要呈现于全域数字化场景中。此时，窥伺大模型与相关数据资产的黑客，将会易于寻觅到更多攻击切入点。
大模型+API：风险指数随之增加
鉴于业界成型的AI大模型训练成本门槛高，API接口与开源模型广为应用。借助API的互联性，大模型更易用，可跨平台响应不同应用需求与商业化运营。保护好API的安全性，就是在一定程度上增强了AI大模型的外层防御力度。因而，我们需要把API与漏洞评估视为AI大模型的头等大事。
AI大模型与上下游生态所组成的整个体系，API接口如毛细血管一般，向不同位置的工作负载，输送着多类别数据信息。结合OWASP安全机构总结的十大威胁来看，大模型API面临着训练数据投毒、大模型拒绝服务、敏感信息披露以及身份授权与认证等方面的安全隐患。
Akamai云安全治理思路
深化加固重点攻防端口，有助于实现事半功倍的安全防护。无论是在传统IT资产，还是在近年涌现的AI大模型等新兴的智能化资产中，API都关乎数据、关乎IT系统安全严密与否。Akamai认为，做好API资产全生命周期管理，有助于全面检测隐藏威胁，剔除黑客入侵路径，规避AI大模型十大风险以及其它安全漏洞。
治理好API安全，即是保障数据流通的“管道”安全。而在数据安全方面，尤其是企业通过内部信息部署私有AI大模型时，也需注意培养员工对组织核心数据资产管理的安全意识，防范自身生产经营文件、员工隐私的意外泄露。
当下，多数AI大模型都部署于云端，所在云环境的安全性也十分关键。作为拥有多年安全基础设施经验积累的云服务商，Akamai针对智能化时代的数据安全威胁，已构建有一套完全闭环的保护体系。目前，Akamai通过多种路径与具备AI能力的云安全产品，深度保护AI大模型、API与数据等企业核心资产。
针对具有高度复杂性、黑箱性等特点的AI大模型安全治理，更需要开发大模型的AI先锋企业建立全局视野，全生命周期端到端进行安全防御。当下，Akamai内部云安全产品创新进程中，也在持续调研、分析可预防与缓解AI大模型风险的有效安全路径，帮助AI科技等行业在安全运营等方面化繁为简，全方位规避大模型数据泄露，专注解锁AI增长点。
