一名攻击者、一套开源工具，就撬开了多家韩国银行的防线——这可能是 AI 安全风险从理论走向现实的一个转折点。

发生了什么

据 CrowdStrike 披露，一名疑似使用中文的攻击者入侵了多家韩国金融机构。仅在新韩银行（Shinhan Bank）一处，就有超过 25,000 条客户记录被窃取。

攻击中使用的核心工具是 ARTEX——一个开源渗透测试工具。与传统的自动化扫描器不同，ARTEX 调用 DeepSeek、GLM-5.3 等大模型来驱动渗透流程，把过去需要人工判断的侦察、试探、利用等环节交给 AI 自动完成。CrowdStrike 认为，此案清楚展示了 AI 工具如何让单个人完成过去需要团队协作才能实现的大规模入侵。

为什么重要

渗透测试本身是合法的安全实践，AI 提升其效率也并非新鲜事。真正值得警惕的是攻击侧的成本结构正在被改写。

传统上，一次针对金融机构的入侵需要稀缺的复合能力：熟悉目标系统的侦察、漏洞利用链的构造、横向移动与数据外泄的节奏控制。这些能力长期集中在少数高水平攻击团队手中，也构成了天然的门槛。当大模型接管其中大量重复性、需要上下文理解的环节后，门槛被显著拉低——攻击者的数量级可能因此扩大，而防御方要面对的对手画像也随之改变。

另一个信号是工具的开源属性。ARTEX 并非某个 APT 组织的私有武器，而是公开可获取的项目。这意味着能力扩散的速度会远快于以往，任何具备基础安全知识的人都有可能复现类似攻击。

影响与看点

对金融机构而言，这起事件指向一个具体问题：现有防御体系是否针对“AI 加速的自动化攻击”做过压力测试。当攻击的探测频率、变异速度和覆盖面都被放大，依赖规则匹配和人工研判的传统 SOC 流程会承受更大压力。

对安全行业来说，攻防两侧都在用同一批模型，这几乎是必然趋势。防守方需要把 AI 用于威胁检测、异常行为建模和自动化响应的速度，提到与攻击侧相当的水平，否则工具代差会直接转化为风险代差。

对开发者和模型提供方，一个绕不开的议题是：通用模型在安全敏感场景下的能力边界与使用约束该如何界定。开源模型被用于攻击性用途时，责任链条很难追溯，但这不意味着可以回避讨论。

值得关注的是，目前披露的信息仍以 CrowdStrike 的单方结论为主，攻击者的具体归属、攻击链细节和影响范围还有待更多独立验证。但即便细节存在出入，一个判断已经成立：AI 正在把网络攻击从“团队作业”推向“个人作业”，防御方的应对窗口不会太长。