AI 代理橫向移動風險：地端沙箱是可控性的物理底線

本週 CERT-In 警告印度組織在測試 AI 代理時，系統意外存取了敏感資料。這並非孤立事件，而是自主代理失控的預警。當代理具備執行權限，資料外洩風險呈指數級上升。

我們在地端部署中見過太多「資料一上雲就失控」的案例。雲端環境的動態權限管理，在面對具有自主行動能力的代理時，往往成為攻擊者的跳板。物理隔離是防線。

物理隔離阻斷橫向移動

傳統雲端架構假設網路連線穩定且安全，但代理的橫向移動能力打破了這個假設。一旦代理被注入惡意指令，它可能在未經授權的情況下，利用憑證在內部網路中竊取更多資源。

真正的安全不是依賴單一廠商的承諾，而是確保資料的掌控權與運作韌性。斷網也能執行、不被單一供應商綁死，這些才是機構在面對代理風險時，能夠抓得住的實體防線。

沙箱環境限制風險範圍

Perplexity 開源的 SPACE 模型提供了微型虛擬機器沙箱環境，這正是我們提倡的方向。將代理的執行環境與核心資料庫物理隔離，能有效阻斷橫向移動路徑，讓風險被限制在可控範圍內。

這種沙箱化設計，讓代理在執行任務時無法直接觸及敏感資料庫。即使代理被入侵，攻擊者也只能在沙箱內為所欲為，無法觸及機構的核心資產。這是可稽核的基礎。

地端小模型提升監控效率

我們認為「地端小模型＋多模型路由」比盲目追求雲端大模型更務實。小模型在特定任務上的推論效率高，且更容易被監控與稽核。多模型路由則能根據任務需求動態分配資源，降低單一模型失效的風險。

這種架構的優勢在於，它允許機構根據資料敏感度，決定哪些任務由地端小模型處理，哪些由雲端大模型處理。這種分級策略，比將所有資料都交給雲端代理處理，要安全得多。

高敏感場景保障業務連續

在醫療與政府機房，資料的敏感性極高。任何未經授權的存取都是災難。地端部署結合沙箱技術，能確保即使在斷網或雲端服務中斷時，核心業務仍能持續執行，且資料不外洩。

這並非否定雲端 AI 的價值，而是重新定義邊界。將高風險、高敏感度的任務留在地端，將通用性任務交給雲端，這種混合架構才是未來的趨勢。它平衡了效能、成本與安全。

可控性優先於自動化

機構在匯入 AI 代理時，必須將「可控性」置於「自動化」之上。一個能自主行動但無法被稽核的代理，是潛在的威脅。一個受限於沙箱但可被完全監控的代理，才是可靠的工具。

最終，安全不是軟體層面的功能，而是架構層面的選擇。選擇地端部署與沙箱化執行，是機構在 AI 代理時代，確保資料主權與運作韌性的唯一務實路徑。