2026

网络安全人才实战能力报告

AI赋能篇

编写组织

指导单位

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

主编单位

北京航空航天大学 中国科学技术大学

永信至诚科技集团股份有限公司

副主编单位

华中科技大学 西安电子科技大学 上海交通大学

山东大学

北京邮电大学

东南大学 暨南大学 武汉大学

北京理工大学

湖南大学

哈尔滨工业大学 西北工业大学

天津大学

网络空间部队信息工程大学 清华大学网络科学与网络空间研究院 西安交通大学

南开大学

南京信息工程大学 《网络空间安全科学学报》

参编单位

福建师范大学

河南理工大学

常州信息职业技术大学 中国联合网络通信集团有限公司 华为技术有限公司

中国移动通信集团有限公司 中国烟草总公司福建省公司

编委会主任：方滨兴

编委会执行主任：李小勇 封化民

编委会副主任：俞能海

蔡晶晶 主 编：刘建伟

副主 编：(按照姓氏首字母排序)

程 光 付 磊 付章杰

耿光刚 胡思煌 姜伟

刘功申 刘哲理

吕勇强 单 征 沈超 沈玉龙 苏 洲 唐卓 王骞 王 震 魏晶晶 谢 雪 张 超

丽 张卫明

张

祝烈煌 邹德清

编 委：(按照姓氏首字母顺序)

曹坤

楠 陈晓琳

陈

程珂 冯丙文 龚涛 桂嘉敏 洪荣灿 何秀伟 李想 李晓宇 刘晓明 吕亚丽 马莹 潘洋河 宋甫元 吴文涛 王诗萌 王阳 谢丹 肖昱 许力 许学伟 叶麟 袁斌 张朝昆 赵 乙 赵玉宇 郑乐乐 郑世敏 周天阳 周余阳

陈泽楷 陈子涵

网络安全人才实战能力报告一一AI赋能篇一

前言

习近平总书记指出，人工智能是引领新一轮科技革命和产业变革的战略性技术，“带 来前所未有发展机遇，也带来前所未遇风险挑战”，要统筹人工智能发展和安全，关键在 人。既要建设规模宏大、素质优良的人工智能人才队伍，更要锻造一支能够驾驭智能攻 防、守护数字空间的网络安全实战人才队伍。

随着大模型、智能代理等技术加速进入政务、金融、能源、医疗、工业互联网等领域，

网络安全的对象已进一步延伸至数据、算法、模型、接口以及人机协同流程；与此同时， 漏洞挖掘、威胁分析、安全运营、攻防对抗等安全工作也正在向人机协同、智能分析和自 动化方向演进。网络安全人才面临的已不再只是“人才数量”的问题，更是如何适应人工 智能发展、完成实战能力重构的新课题。

《网络安全人才实战能力报告》编委会持续聚焦我国网络安全人才实战能力研究，已

广泛关注。在此基础上，编委会回应时代课题，本年度主题定为“AI赋能篇”。

《网络安全人才实战能力报告一一AI赋能篇》（以下简称“报告”）聚焦人工智能发展

背景下网络安全人才实战能力的变化，面向高校、科研院所及从业人员开展系列调研，结

合国内外权威数据，全面呈现AI时代我国网络安全人才实战能力的供需现状、能力短板

与发展路径。

《报告》首次系统提出“利用AI、保障AI、对抗AI”三位一体实战能力框架，构建贯穿

模型安全、应用安全、AI赋能安全三大场景的“意识一知识一技能一实践”（ASK-P）能力

体系，从背景分析、模型安全能力、应用安全保障能力、AI赋能能力、人才培养体系与总

结建议六个部分展开论述，面向党政机关、央国企、企事业单位及高校等人才供需单位，

为各单位制定AI时代人才战略提供翔实参考。

《报告》主要具有以下特点：

1. 聚焦能力重构，系统呈现AI时代网络安全人才的新要求。区别于以往主要围绕人

才数量、岗位需求和传统实战能力展开的研究，《报告》将人工智能作为影响网络安全人

一1一

网络安全人才实战能力报告一AI赋能篇

才能力结构的重要变量，分析AI成为网络安全人才基础能力的发展趋势，系统梳理AI时 代网络安全人才实战能力的演进路径。

• 2.贯通人才培养，探索从能力评价到实战培养的完整路径。《报告》不仅关注“人才 需要具备什么能力，还进一步研究“这些能力如何培养”。通过对高校课程体系、实验 体系、教材与教学资源、师资队伍，以及产教融合、竞赛实战、实习实训和在职人员继续 教育等情况进行分析，探索AI时代网络安全人才培养的实践路径。
• 3.政产学研协同，汇聚网络安全人才培养实践经验。《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、永信至诚科技集团股份有限公司担任主编单位， 华中科技大学、西安电子科技大学、上海交通大学、山东大学、北京邮电大学、东南大学、

暨南大学、武汉大学、北京理工大学、湖南大学、哈尔滨工业大学、西北工业大学、天津大 学、网络空间部队信息工程大学、清华大学网络科学与网络空间研究院、西安交通大学、

南开大学、南京信息工程大学、《网络空间安全科学学报》等担任副主编单位，福建师范 大学、河南理工大学、常州信息职业技术大学、中国联合网络通信集团有限公司、华为技

术有限公司、中国移动通信集团有限公司、中国烟草总公司福建省公司担任参编单位。参 与单位涵盖网络安全人才培养、科学研究和产业实践等多个领域，为报告研究提供了多维

度的实践基础。

《报告》在编写过程中得到了上述单位及众多专家学者的鼎力支持，在此一并致以 诚挚谢意。人工智能技术演进日新月异，加之撰写时间仓促，书中难免存在疏漏与不妥之

处，愿请各位读者不各批评指正。

一I

岩目

CONTENTS

第一章 背景分析 01

1.1全球趋势：人工智能重塑网络安全人才能力 01

• 1.1.1欧美AI安全战略下的人才布局， 01

• 1.1.2国际组织对人才能力的新界定 03

1.2国内需求：国家战略与产业发展对网络安全人才的要求 04

• 1.2.1网络强国战略驱动人才能力升级 : 04

• 1.2.2“人工智能+”行动带来的人才能力需求 .: 04

• 1.2.3关键信息基础设施单位人才能力缺口 05

1.3能力重构：AI时代网络安全人才实战能力演进 05

• 1.3.1从“人对抗人”走向“人机协同” 05

• 1.3.2AI成为网络安全人才基础能力 07

• 1.3.3“利用AI、保障AI、对抗AI”成为要求 08

1.4AI时代网络安全人才核心能力与岗位族划分 10

• 1.5总结与建议

ⅢI

当目

CONTENTS

第二章 网络安全人才模型安全能力分析 13

2.1模型安全风险分析

• 2.1.1架构风险 13
• 2.1.2数据风险· 14
• 2.1.3对抗风险 : 14
• 2.1.4系统风险· . 15
• 2.1.5环境风险·. 15
• 2.1.6伦理风险· 16

• 2.2网络安全人才模型安全能力现状分析 17

• 2.2.1大模型企业安全建设现状 17
• 2.2.2大模型企业人才配置情况 18
• 2.2.3网络安全人才模型安全能力现状 22
• 2.2.4网络安全人才模型安全能力提升情况

• 2.3网络安全人才模型安全能力ASK-P体系 .: 29

• 2.3.1意识维度· .: 29
• 2.3.2知识维度.. 30
• 2.3.3技能维度· 30
• 2.3.4实践维度： 30
• 2.3.5人才分层· 31

• 2.4总结与建议 31

IV

第三章 网络安全人才AI应用安全能力分析 33

• 3.1AI应用安全风险分析 33

• 3.1.1提示词注入风险 33
• 3.1.2内容合规风险 34
• 3.1.3AI接口与插件风险 ... 34
• 3.1.4业务安全风险·
• 3.1.5数据安全风险·.. . 35
• 3.1.6智能体安全风险· 36
• 3.1.7AI决策失真与责任边界风险 36

• 3.2网络安全人才AI应用安全能力现状 37

• 3.2.1AI应用安全人才基本情况 37
• 3.2.2AI应用安全岗位设置情况 :40
• 3.2.3网络安全人才AI应用安全能力分析 : 41
• 3.2.4网络安全人才AI应用安全保障挑战分析

• 3.3网络安全人才应用安全能力ASK-P体系 49

• 3.3.1意识维度 49
• 3.3.2技能维度· 50
• 3.3.3知识维度 50
• 3.3.4实践维度. 51
• 3.3.5人才分层 51

• 3.4总结与建议 52

V

目

CONTENTS

第四章 网络安全人才AI赋能能力分析 54

4.1AI在网络安全领域的实践应用

• 4.1.1AI赋能安全运营 54
• 4.1.2AI赋能漏洞挖掘与攻防对抗 56
• 4.1.3AI赋能安全数据分析
• 4.1.4AI驱动网络安全技术创新 : 58

• 4.2网络安全人才AI赋能能力现状 ... 59

• 4.2.1AI安全工具使用能力分析.. 60
• 4.2.2网络安全人才人机协同能力分析 63

• 4.2.3不同组织与人员特征的能力差异分析 64

4.3网络安全人才AI能力ASK-P体系 68

• 4.3.1AI辅助低空漏洞挖掘和安全攻防场景 : 68

• 4.3.2AI辅助区块链安全运营与告警研判场景 70
• 4.3.3AI辅助网络安全人才训练与靶场内容生成场景 .. 71
• 4.3.4AI驱动的工业控制系统安全 73
• 4.3.5AI赋能的数据跨境流动安全 74
• 4.3.6AI系统自身的安全防护， 76

• 4.4总结与建议

VI :

第五章 AI时代网络安全人才培养体系 79

• 5.1高校培养体系的现状 79

• 5.1.1课程体系建设现状 79
• 5.1.2实验体系建设现状 82
• 5.1.3教材与教学资源建设情况 ... 83
• 5.1.4师资队伍建设情况 : 85

5.2产教融合的实践探索 87

• 5.2.1校企合作培养的典型模式· 87
• 5.2.2竞赛与实战演练的育人成效 91
• 5.2.3实习实训体系建设经验 93

• 5.2.4当前问题与着力方向· 96

5.3在职人员能力提升机制

• 5.3.1企业内训与在职培训现状 98

• 5.3.2从业人员继续教育需求分析， 98
• 5.3.3当前面临的主要问题· 100
• 5.3.4在职人员能力提升路径 101

• 5.4总结与建议 102

VII-

当目

CONTENTS

第六章 总结与建议 104

• 6.1主要发现 105

• 6.1.1人才实战能力内涵发生深刻变化 105
• 6.1.2人才能力与实战需求存在结构性差距 106
• 6.1.3人才培养体系面临课程、师资、平台三重挑战 : 107

• 6.1.4深化产教融合是促进能力提升的关键路径： 107

6.2对策建议 108

• 6.2.1国家层面：加强顶层设计，完善政策标准， 108

• 6.2.2教育层面：优化培养体系，强化实战导向 109
• 6.2.3产业层面：深化产教融合，发挥主体作用 110
• 6.2.4个人层面：提升AI素养，主动适应变革 110

6.3AI时代网络安全人才发展趋势 111

VIII-

逾200名AI安全专家，部署在关键基础设施防护和深度伪造检测等实战一线。该计划的选 拔不唯学历论，以能力测评与模拟任务结合的方式有效拓宽了人才入口。

与此同时，国家安全局下属的AI安全中心持续扩容，并与卡内基梅隆大学等顶尖院 校共建AI安全科学硕士直通计划。该计划实行“学习、演训、实战，三阶段贯通培养。演 训机制上，美国网络司令部自2024年起将AI安全模块系统性嵌入“网络旗帜”等年度联 合演习。在2025年的演习中，场景首次加入了由自主AI代理发起的持续性攻击。制度保

障层面，美国国防部2025年更新的《网络劳动力战略》明确提出，到2027年，全部网络

作战岗位须完成AI基础与AI安全双模块认证，且实战演练考核在总评中的占比不得低于

60%，形成“以战领训、以考促战”的良性闭环。

欧盟的AI安全人才布局与其强监管底色高度一致，通过立法确立需求、标准定义能

力，系统构筑覆盖全成员国的安全人才基座。

在需求侧，2024年生效并分阶段适用的欧盟《人工智能法案》将“人员胜任力”列为 部署与运维方的合规必要条件。合规直接催生了欧洲市场对AI安全审计师、模型风险管

理师等岗位的旺盛需求，也推动了相关认证课程的开设；2025年，欧盟网络安全局发布AI

兴角色，并为每个角色绘制了包含知识、技能和实战任务的三维能力矩阵，为企业和高校 在设计岗位说明书和课程时有可参照的标准。

在供给侧，欧盟委员会下设的AI办公室通过“数字欧洲计划”资助跨国AI安全硕士联

合培养项目，联合柏林工业大学、代尔夫特理工大学、巴黎高科等28所高校，实行多校园

轮转、企业命题实习和欧盟级靶场演训的混合培养模式，计划到2029年累计培养3000名

AI安全方向高级专才；欧盟网络安全局主导的“CyberEurope”系列演习自2024年起增设AI

对抗赛道，并逐年升级难度。2026年演习设定AI生成虚假信息冲击多国选举系统的场景，

240支队伍须在数小时内完成深度伪造溯源等实操任务；2025年启动的AI安全人才池试点，

允许成员国专家在重大事件时跨境快速借调，整体抬高了欧盟AI安全韧性。如表1-1所示。

表1-1美国与欧盟AI安全人才布局对比

1.2国内需求：国家战略与产业发展对网络安全人才的

要求

“十五五”时期是我国统筹发展和安全、建设网络强国的关键阶段，国家战略层面对 网络安全人才提出了明确且迫切的要求：与此同时，金融、能源、通信、智能制造等重点 行业的数字化转型和升级，也使网络安全人才产生了巨大而具体的需求。

1.2.1网络强国战略驱动人才能力升级

在网络强国战略纵深推进的背景下，我国网络安全人才队伍正在由传统基础运维人 才，向实战对抗型高层次专家转型，人才供需结构性矛盾持续突出，行业面临明显人才缺 口与能力断层。仅掌握防火墙配置、常规漏洞扫描等基础技能的入门级人才供给趋于饱 和；而拥有国家级攻防实战经历、能够承担安全体系顶层架构设计与安全战略规划的顶尖 实战人才供给十分有限，人才断层问题突出。从岗位需求结构来看，安全运营岗位长期保 持最高招聘热度，企业招聘的核心偏好是拥有多年一线实战经历、可落地处置安全事件的

从业者。

从国家战略落地实施的维度审视，相关人才呕须突破单一技术能力的局限，构建起一 个涵盖“攻防实战能力+合规治理能力+战略研判能力”的复合型能力框架：既能在真实的 红蓝对抗中完成高级漏洞挖掘与应急响应处置；也能落实《网络安全法》和《数据安全法》 《关键信息基础设施安全保护条例》等合规要求；还能开展中长期安全风险趋势预判与战

略规划。

1.2.2“人工智能+”行动带来的人才能力需求

“人工智能+”战略行动深入推进，持续催生网络安全领域的复合型岗位需求。AI安 全架构师、大模型风险评估师、对抗性机器学习防御工程师等新兴前沿岗位，已成为当前 行业招聘市场中企业与求职者共同关注的核心热点。据北京市人力资源和社会保障局发

布的《2025年北京市人力资源市场薪酬数据报告（二季度）》，AI大模型架构师的月薪中位

值已超过4.2万元，头部企业的资深架构师年薪可达150万至200万元；翰德（Huds0n）发

合适候选人。此类新型人才通常需同时深度掌握传统网络安全攻防技术体系与大语言模 型底层运行原理，具备独立数据投毒监测防御、AI生成内容合规校验、模型隐蔽后门排查

等能力。

应对新兴赛道技术融合与产业升级带来的巨大人才缺口，国内高等教育体系已开展

一4-

网络安全人才实战能力报告一AI赋能篇

攻击侧单次完整APT攻击需资深攻击者7一30天持续人工操作，单团伙同时发起攻击

上限约10一20起；防御侧据IDC与Fortinet2022年联合统计，传统中型企业SOC日均产生

告警12万一15万条，3人专职分析师团队仅能完成不足15%高危告警研判。人才能力评价

完全以人类单兵技术熟练度为核心指标，ISC22022年人才调研显示，全球92%网络安全

岗位招聘未设置AI、机器学习相关能力门槛。

纯人力对抗模式不可化解的结构性短板：HackTheBox2025纯人力CTF基准测试显

示，顶级白帽团队完整完成中型内网渗透靶场全链路攻坚平均耗时11.7小时；中小安全工

程师团队平均耗时23.4小时，低阶从业者存在大量漏洞遗漏、攻击链断裂问题，依靠人工

完成大量安全任务的模式逐渐面临效率瓶颈。黑客组织依托AI工具链后，单团伙可并行

发起上百起勒索、钓鱼、漏洞武器化攻击，攻击周期从“天级”压缩至“小时级”，单纯依

靠增加安全人员数量已难以完全满足实际需求。

AI时代，人机协同成为攻防唯一可行的主流范式：安全人才作为决策中枢、校验主

体、战略设计者，AI智能体、垂直安全大模型承担海量重复性、标准化、高算力消耗基础

操作，形成“人类高阶判断+AI自动化执行”分工明确的新型作战体系。政务、金融、能源

等行业实测数据显示，人机之间已经开始形成较为明显的能力分工：如表1-2所示。

HackTheBox2026年覆盖全球120支专业团队的AI增强CTF对比实验进一步验证了

人机协同效能：仅依靠人类顶尖团队：靶场解题平均完成率16%，单日可处置安全任务量

基准值100；人机协同混合团队解题完成率提升至27%，单日处置任务量提升3.1倍，漏洞

表1-2人机协同分工统计

6-

三是AI辅助安全工程落地基础能力，包括使用AI生成SOAR编排脚本、依托AI自动

生成多层次攻防演练场景、自动生成对抗样本、针对合规材料编制自查报告、整改方案。

四是AI基础风险自查与简易防护配置能力，针对企业内部落地通用大模型、本地私

有化LLM、第三方AI插件场景，识别明文密钥硬编码、无权限管控模型接口、训练数据未

脱敏等浅层风险，配置基础输入过滤、访问鉴权、输出水印轻量化防护策略。

不同岗位的AI基础能力要求呈现梯度差异：基础运维等保测评、SOC值守岗掌握前两

部分基础内容，可使用AI辅助日常工单处理、基础告警筛查、常规合规文档编制，能够识 别浅层AI钓鱼、简单提示注入攻击；渗透测试、应急响应、红队基础岗完整掌握前三部分 内容，能够利用AI批量生成攻击载荷、自动化还原攻击链、依托AI辅助开展内网渗透，可

独立完成基础LLM接口漏洞挖掘、AI攻击样本复现；安全架构、AI专项安全、高级红队岗

需要掌握四大基础模块，并在此之上延伸“利用AI、保障AI、对抗AI三大高阶核心能力。

1.3.3利用AI、保障AI、对抗AI"成为要求

当人机协同成为基础作战模式、AI应用能力成为全员通用门槛后，行业对中高端安 全专家、AI安全架构师、AI红队、模型安全运维人才提出三位一体高阶实战能力要求：善

用AI赋能安全工作（利用AI)、筑牢AI系统自身安全防线（保障AI)、主动抵御AI驱动新型

网络攻击（对抗AI)。三大能力相互支撑、闭环联动，构成新一代AI安全人才差异化核心

壁垒，也是头部政企、航天、能源、AI大厂高薪岗位核心考核标准。

“利用AI”强调以AI为倍增器放大攻防实战效能：安全人才基于对大模型、多智能 体、机器学习底层逻辑深度理解，自主设计、定制、调优AI安全工具链，最大化释放AI自 动化、高算力、批量推演优势，解决传统人力无法覆盖的规模化、海量、重复性安全工作。 对于中高端网络安全人才而言，能力要求也不仅限于简单调用现有AI工具，而是需要能 够结合具体安全场景，对AI工具进行定制、调优和工程化应用，包括基于行业私有威肋

情报、攻防样本、业务日志微调开源代码模型（CodeLlama、GLM-5-Coder）、安全专用大模

型，适配能源工控、卫星星载、金融业务专属安全场景；基于LangChain、自研调度框架搭

动闭环，自主定义Agent权限、交互规则、异常熔断机制；对标AISIMythos、OpenAICy-

berGym架构，构建本地化专属AI攻防仿真靶场，自动生成链式多阶段攻击样本，支撑常

态化红队演练与模型安全验证；搭建私有威胁情报向量数据库，依托大模型实现跨语种、

多格式情报自动提取、关联、预测攻击趋势。

“保障AI”聚焦AI本体安全防护，保护大模型、训练数据集、微调流程、推理服务、

一8一

1.4AI时代网络安全人才核心能力与岗位族划分

AI安全属于网络安全领域新兴方向，大模型的普及重构了网络安全攻击面与工作范

式。安全人员既要应对AI模型自身安全风险，又要保障AI业务落地过程安全可控，同时

还需要掌握利用AI工具开展安全工作的能力。国内文献分析、产业调研与行业实践，AI 时代网络安全人才的核心能力可划分为模型安全能力、AI应用安全能力、AI赋能网络安

全能力三类。本报告将AI安全相关岗位归纳为三大岗位族，如图1-1所示。

不同岗位族的工作范畴也有所不同，如表1-3所示。

模型安全 AI应用安全 AI赋能安全

AI自身有风险怎么治理 AI落地有风险怎么防护 攻防不对等怎么补位

对齐研究、可解释性、A红队、 智能体安全、提示词注入防护、 安全运营、漏洞挖掘与攻防对抗、 对抗鲁棒、投毒检测、内容安全、 RAG安全隔离、模型供应链安全 威胁检测与数据分析、 模型权重保护、模型理论与公平性 隐私与合规、AI安全围栏 网络安全技术创新

AI时代网络安全三大岗位族框架

图1-1AI安全三大岗位族框架

表 1-3 AI安全三大岗位族工作范畴

10-

围栏等职责；AI赋能安全岗位族面向传统网络安全工作，承担安全运营、漏洞挖掘与攻防 对抗、威胁检测与数据分析、网络安全技术创新等职责。三大岗位族共同构成AI时代网络 安全人才能力体系的整体框架，也是后续章节评估模型安全、AI应用安全和AI赋能安全 三类实战能力的分析基础。

一12一

2.1.2数据风险

数据是AI模型的基石，模型训练、微调和版本迭代都高度依赖数据。与传统信息系统 相比，AI模型的数据风险贯穿数据采集、数据清洗、模型训练、模型微调、模型评测、部署

推理和版本更新等多个环节。如图2-1所示。

采集 清洗 训练 微调 评测 推理 运营

来源不明 隐私残留 数据投毒 样本污染 覆盖不足 模型反演 日志泄露 合规风险 低质样本 模型后门 数据泄露 评测不足 敏感输出 权限漂移

图2-1AI模型的数据风险链条

如图2-1所示，在数据采集和清洗环节，数据来源不明、敏感信息残留以及低质量样 本混入等问题会导致后续模型的质量受显著影响。在训练阶段，数据投毒、样本污染和后 植人可导致模型的行为发生偏移。在推理阶段，还可能会被诱导出一些内部成员的敏感

信息。进入运营阶段后，用户输入、模型输出、调用日志会不断累积，权限配置也会动态 调整，若缺乏有效的数据脱敏、日志审计、访问控制和留存管理机制，还可能引发日志泄

露、权限漂移、越权访问等风险。

2.1.3对抗风险

对抗风险主要指攻击者利用精心构造的提示词或交互诱导，使AI模型产生误判、越权

或违背人类预期的行为。此类风险主要表现为提示词注入攻击和越狱攻击，并可通过多轮 诱导、上下文污染、任务分解、语义伪装和跨模态隐藏指令等方式增强攻击的隐蔽性和持 续性。攻击者的目标不再局限于让模型判断错误，还试图绕过安全策略使模型行为失控。

提示词注入攻击是最具代表性的对抗攻击之一，分为直接提示词注入攻击和间接提

示词注人攻击两类。在直接提示词注人攻击中，由于AI模型通常会将用户当前输人和上 下文一起作为生成条件，因此攻击者可以尝试插入一些恶意指令来破坏模型对于原任务 的执行。在间接提示词注入攻击中，当模型处理外部内容时，如果缺乏内容来源识别、指

令隔离和边界判断，就可能将外部内容中夹带的恶意内容误识别为待执行的指令，从而弓 发越权输出、敏感信息泄露、非授权操作等问题。

越狱攻击主要是针对AI模型的安全对齐机制发动攻击。攻击者通过角色扮演、假设 场景、编码转换、多语言混淆等方式，诱导AI模型弱化或绕过原有的安全策略，生成原本

• -14 -

网络安全人才实战能力报告一AI赋能篇

自然语言 模型误解 权限判断 高危调用 系统执行 审计记录 风险点 表达模糊 用户意图

缺失 缺少确认 不可回滚 不完整

用户自然语言 工具/API 业务链路

业务系统

模型理解 权限判断 日志与审计 请求 调用 执行

任务目标 错误建议 低权限访问 删除/发送 业务影响 难以追溯 发生偏离 或误判 高权限资源 查询等误操作 进一步扩大 责任边界

风险后果

图2-2AI模型应用中的业务安全风险传导路径

间接地访问高权限的资源，对一些工具或接口的使用缺乏二次确认可能会造成模型执行

删除、发送、查询等高风险的操作。

2.1.6 伦理风险

AI模型伦理风险是指模型在训练、部署和应用过程中，因数据偏差、价值对齐不足、

输出不可解释、责任边界不清或使用方式不当，对个人权益、组织决策、社会公平和公共 信任造成负面影响的风险。随着AI模型广泛应用于教育、医疗、金融、政务等领域，其生 成内容正日益影响个人决策、组织管理和社会公共信任。在这些高频应用场景中，一旦模 型输出内容存在偏差、失真或责任边界不清等问题，就可能造成不公平决策、错误信息扩 散、责任追溯困难，从而引发伦理层面的社会争议。

偏见是AI模型面临的主要伦理风险之一。AI模型在生成内容或辅助决策时，因训练

数据的结构性失衡、标注规则偏差或人为设定，极易偏向或排斥某一类群体、文化或观 点，从而固化刻板印象，甚至产生歧视性输出。例如，一些文本生成模型在不同语言和 文化背景下，将性别、职业、地域或族群相关的刻板印象当作一般性知识进行输出；部 分图像生成模型也可能在涉及特定地区、职业或群体的提示下，生成具有标签化特征的

图像。

责任边界不明也属于AI模型伦理风险范畴。当AI模型发生误判、泄露、歧视、违规输

出或者越权时，涉及到的责任主体包括基础模型提供商、二次开发方、数据提供方、模型 部署方、终端使用人员等。如果缺乏完善的AI模型使用规范、审计机制和责任划分制度、 就难以界定和追溯各方责任。因此，在高风险应用场景中，有必要明确模型输出的使用 范围、日志留存要求和异常处置流程。对于涉及个人权益、组织决策和公共服务的模型输 出，应明确其辅助性定位，避免将其作为唯一决策依据。对于敏感数据处理和外部内容发 布等关键环节，应设置人工复核机制，以便在发生异常时及时定位问题、追溯责任并完成

• - 16 -

间取得良好平衡，相比于前代模型显著提高了未授权恶意滥用的门槛。

阿里云千问大模型创新式构建三层防护体系，覆盖模型研发训练、部署应用、运行上 线全流程，通过内置算法安全设计、模型安全训练、内容安全引擎和推理在线防护，确保 大模型技术可控、内容合规、服务可靠。

腾讯基于安全专家能力，深度部析大模型原理，建立了从训练到推理的全链路防护体 系。该体系通过接口输入、内容预处理、模型识别、策略辅助、平台调度分析、人工标注运 营共6个维度为模型提供支撑。基于腾讯混元大模型的实际运营与测试基准，安全体系在 漏洞检测覆盖、资产识别能力、攻击防御能力、合规与标准等指标上表现明确。

华为盘古大模型的安全性主要从四个方面考虑，在数据安全和隐私保护方面，覆盖数 据全生命周期管理，运用加密、审计、脱敏、隐私计算等手段保护敏感数据，防范隐私泄

露；在内容安全方面，通过价值观对齐训练与内容审核，过滤各类有害信息；在模型安全 方面，借助模型动态混淆，防护模型权重与结构泄露；在系统安全方面，依托网络隔离、

身份鉴权、Web安全能力，抵御外部攻击。

火山引擎豆包大模型，基于飞书企业级协作平台的安全合规体系，豆包工作提供严格

的全链路Agent防护与治理能力；同时旗下火山方舟上线基于安全沙箱的大模型安全互信 计算方案，覆盖链路加密、数据高保密、环境隔离和操作审计，目标是把模型和数据资产 的风险控制在源头。

网络安全厂商则更强调在企业部署大模型时提供外挂式安全保护。网络安全厂商侧

重外挂式保护，即在不改造大模型内部架构的前提下，在其外围部署独立的安全能力层。 核心措施包括：过滤违规敏感内容、防御提示词注入和越狱攻击、防止数据泄露、提供合 规评估与加固，并延伸至智能体行为管控和幻觉抑制。此类方案以围栏或防火墙形态旁路 部署，覆盖输入输出、访问及运行全链路，技术上不侵入模型原生架构，可独立部署和快

速接入，是当前国内大模型安全市场中的主要方案之一。

2.2.2大模型企业人才配置情况

当今，国内外主流大模型企业的安全人才配置也呈现差异化特征。国外呈现重模型安 全、辅以应用安全、AI赋能安全多通过云业务或合作伙伴释放的整体特征。其内部组织通

常将Safety（对齐与内容）和Security（系统与权重）作为两条相对独立的线，分别由首席

科学家或独立的首席安全官与首席信息安全官双轨负责。如表2-1所示。

1. OpenAI已设立Security Preparedness Lead,Coding Agents岗位，标志着模型权重与内

部AI代理已被作为国家安全级资产单独编制。

一18 -

表2-1国外主流大模型企业人才配置

1. Anthropic形 成 了Alignment Science、Frontier Red Team、Safeguards Research、Threat

Intelligence相对完整的研究闭环。其中，Alignment Science团队的核心任务是训练、评估

并监控高能力模型，于2026年初推出ClaudeCodeSecurity面向企业客户开放。

1. Google DeepMind是少数在三象限均有大编制的企业；Microsoft的人才重心则偏向

AI应用安全与AI赋能安全两端，AIRedTeam出品的开源框架PyRIT已成为业界主流的红

队工具，2026年5月再度开源RAMPART和Clarity，团队构成由红队研究扩展为Agent安全

工程。

1. Meta团队规模相对精简，主力投入在工程化的安全分类器与评测工具上，公开成

果集中体现在PurpleLlama项目，包含LlamaGuard、PromptGuard、CyberSecEval等开源

组件。

与国外不同，国内大模型企业的人才配置存在一项明显的合规约束。需要说明的是， 相关企业均未公开披露安全人才编制数据，本节内容基于官网、开源项目和行业报告等可

见信息整理：

• 1.阿里巴巴旗下安全团队，在AI安全方向持续投入深入研究，研究方向包括AI安全

评测、外层安全防护、模式内生安全加固、红队及攻防体系、合规化内容溯源与标识等，

兼顾模型本体治理与业务应用防护需求。

• 2.百度旗下百度安全团队，针对AI模型安全、AI数据安全、AI能力滥用、AI硬件系统

安全和AI软件实现安全开展研究，支撑基座模型安全能力建设。

• 3.字节跳动成立AI与数据安全一级部门，为Seed基座模型及AI原生应用提供跨模态

数据服务，覆盖数据生产全流程，包含模型评估标准的制定、数据规模化生产、数据飞轮

19 -

搭建，不断提升数据质量，支持模型快速迭代。旗下火山引擎通过大模型安全测评平台、 智能体安全防护平台等，对外释放安全服务。

1. 腾讯旗下朱雀实验室，专注AI安全领域的实战攻防与前沿技术研究，研究方向涵

盖大模型安全、AI智能体安全、AI赋能安全与AI生成检测等领域。玄武、科恩等安全实 验室矩阵也在传统网络安全业务的基础上，拓展大模型安全、智能体安全、AI攻防等研

究方向。

础模型研发与服务的AI大模型企业，包含云厂商旗下的大模型业务单元；另一类是以安

全产品、攻防服务为主业，并在大模型方向有显著投入的网络安全企业。基于以上样本， 本节系统刻画了模型安全保障人才基本情况、人才实战能力水平、人才能力提升情况等。

从模型安全保障人才从业年限分布可以看出，人才队伍呈现中短从业年限人员占主

体、资深人员占比偏低的特征。从业35年人员占比33%，从业3年以下人员占比32%，两

者合计达到65%，说明当前模型安全保障人才多数是从业年限较短的从业人员，大量人员

由网络安全、AI相关领域转入，队伍整体偏年轻化。从业5一10年的人员占27%，构成队

伍的中坚力量；而10年以上资深人员占比仅为8%，具备长期安全工程积累的资深人才供 给相对稀缺。整体来看，模型安全属于新兴交叉领域，行业缺少大批量原生资深人才，人

才更多依靠现有安全与AI从业者转型成长。如图2-3所示。

8%

27%

33%

• ■3—5年
• ■3年以下

• ■5-10年
• ■10年以上

32%

图2-3模型安全保障人才从业年限分布

从模型安全保障人才的岗位设置来看，国内模型安全专职化组织建设尚不充分，兼职 代管仍是主流，部分企业存在治理责任主体缺位的问题。仅23%的单位设立模型安全专 职团队或实验室；37%的单位依靠现有安全团队兼任，27%的单位依靠研发团队自行承担

相关工作；另有13%企业暂无明确岗位承接模型安全工作。如图2-4所示。

— 20 —

13%

23%

■现有安全团队兼任

37% ■研发团队自行负责

• ■已设立专职团队/实验室
• ■暂无明确岗位

27%

图2-4模型安全人才岗位设置分布

从模型安全保障人才来源结构来看，算法或人工智能背景、传统网络安全背景转型是

人才两大主要输入渠道，占比均超过50%，说明当前模型安全人才主要依靠AI技术人员与 传统安全人员跨界转型而来；校园招聘占比约32%，是人才补充的重要途径；依托外部厂 商或专家支持的占比仅约10%。整体可以看出，模型安全作为交叉新兴领域，原生成熟人 才供给不足，行业高度依赖跨界转型，校园新生力量正在逐步补充，但外部专家引入的模

式使用相对有限。如图2-5所示。

60%

52% 51% 50%

40%

32% 30%

20%

10% 10%

0%

算法或人工智背景 传统网安背景转型 校园招聘 外部厂商或专家支持

图2-5模型安全保障人才来源分布

对比AI大模型企业和网络安全厂商的人才能力可以看到，二者人才能力呈现互补的 格局。大模型研发企业在对齐与可解释性、AI红队与投毒检测、内容安全与合规等模型本 体安全方向能力优势显著；网络安全企业则在AI赋能安全运营、AI应用防护工程化方面

• 21

更具优势。在模型权重与供应链保护维度，两类企业能力相对接近。

总体来看，大模型研发企业优势集中于模型原生本体安全，网络安全企业更擅长应用

侧安全与安全运营能力，完整的大模型安全治理需要融合两类主体的技术优势。同时，模

型安全与供应链保护，是后续两类企业的岗位能力提升的切入点。如图2-6所示。

对齐与 可解释性

模型权重与 AI红队与 供应链保护 投毒检测

AI赋能 内容安全

安全运营 与合规

AI应用防护

工程化

■大模型研发企业 ■网络安全企业

图2-6大模型企业和网络安全企业能力覆盖雷达图

2.2.3网络安全人才模型安全能力现状

本节进一步考察网络安全人才保障模型本体安全的实战能力。参照2.1节模型安全风 险分类，围绕模型资产、训练数据、模型行为、运行底座四个根源，选取架构安全、数据安 全、对抗安全、系统环境安全四个维度开展评估，重点考察模型参数防护、训练投毒检测、

对抗样本加固、框架漏洞挖掘能力。评估采用1一5分自评量表，1分为不了解、2分为了解、

3分为掌握、4分为熟练，5分为精通。

上述四个维度是判断从业人员能否保障大模型自身安全的

关键观察面。覆盖从模型训练、测试到部署运行的主要技术环节，但不涉及模型嵌入 具体业务系统后形成的应用安全问题。

• 1.架构安全：重点考察模型核心参数、结构的防护能力；
• 2.数据安全：重点考察训练输入可信度，识别数据污染、投毒行为的能力；
• 3.对抗安全：重点考察模型遭遇恶意扰动时的识别与安全加固能力；

• - 22

数据安全 46%

系统环境安全 41%

架构安全

对抗安全 24%

0% 10% 20% 30% 40% 50%

图2-7模型安全四维能力达到熟练以上水平的人员占比

数据分类分级、访问控制、脱敏和审计等工作已有较广泛的制度与技术基础，因此相关能

力相对较强。但训练数据来源复杂、规模庞大，污染样本、恶意投毒和隐蔽后门具有较强

伪装性，训练数据完整性验证、异常样本识别、投毒攻击检测、数据版本追踪和训练过程

审计仍需持续加强。

对抗安全方面，平均得分为2.53分，在四个维度中最低，整体处于了解向掌握过渡

阶段。对抗攻击具有持续演化、跨模型迁移和难以穷举等特点，相关任务还依赖较强的

算法基础、攻击构造能力和真实实验环境。掌握常见攻击原理并不等同于能够完成检测

和加固，后续评价应重点考察攻击构造、脆弱性验证、防御策略设计和防护效果复测等完

整任务。

系统环境安全方面，平均得分为3.31分，位列第二，已达到基本掌握水平。网络隔离、

身份鉴别、漏洞管理和依赖治理等传统安全经验可以迁移到模型运行环境，为能力形成提

供基础。但深度学习框架、推理引擎及其依赖组件具有新的运行机制和供应链风险，框架

漏洞挖掘仍需要通过真实框架、典型漏洞和可复现实验进行客观检验。

综合四个维度可以发现，模型安全能力并不是彼此独立的单项技能，而是具有明显的

关联性。训练数据受到投毒可能改变模型内部行为，对抗测试能够帮助发现这种异常，系

统环境漏洞又可能为攻击者窃取参数或篡改训练过程提供入口。面对复杂模型安全事件，

从业人员往往需要同时分析数据变化、模型表现、运行记录和框架状态，才能确定问题来

源。因此，单个维度得分较高并不足以说明具备完整处置能力，能否跨维度组织证据、验

证因果关系并形成可复现结论，是判断模型安全实战水平的重要依据。

• - 24 -

通过数据发现，从业人员已经具备一定的模型安全基础，但高水平实战能力尚未普 遍普及。为进一步厘清能力进阶的制约因素，本次调研还围绕实战短板开展了专项分析。 40%的受访者认为在模型安全能力进阶中，最突出的问题是缺乏真实攻防场景与演练机

会；认为缺乏成熟自动化检测工具和算法及AI原理基础薄弱的比例均为25%；另有10%的

受访者认为技术选代过快、难以及时跟进。由此可见，当前制约模型安全能力进阶的首要 因素，不是缺乏对风险概念的了解，而是缺少将知识转化为风险发现、验证和处置能力的

真实环境。如图2-8所示。

缺乏真实攻防场景与演练机会 40 %

缺乏成熟的自动化检测工具 25%

算法及AI原理基础薄弱 25%

技术迭代过快，难以及时跟进 10%

0% 10% 20% 30% 40% 50%

占比

图2-8模型安全实战能力进阶短板分布

真实攻防场景与演练机会不足，会让能力停留在理论知识层面，无法检验从业人员面

对参数窃取、训练投毒、对抗样本和框架漏洞时的实操水平。自动化检测工具缺失抬高了

安全验证成本；算法基础薄弱，则限制人员对模型机理与攻击原理的深度理解。三类问题 相互叠加，造成部分从业人员仅能够识别模型安全风险类别，却无法完成风险复现、证据 分析、防御加固和效果验证全流程。

工具短板与算法基础薄弱相互制约：工具不足，大量验证工作依赖人工搭建环境；算

法功底欠缺，会出现只会使用工具，但看不懂检测逻辑、分不清误报，无法确认告警是否

为真实攻击。模型安全实战既不能只靠人工经验，也不能简单等同于工具操作。

技术迭代过快占比不高，但具备长期影响。模型、框架、攻击手段持续更新，原有测

试方法容易失效，需要从业人员持续迭代分析手段，跟进新型攻击路径。

综上，AI大模型从业人员在架构、数据、对抗攻击、系统环境维度已有一定基础，能

力整体均衡，但高水平实战能力尚未普及。其中训练数据污染与投毒检测的高水平人员占

-25-

比最低，缺少攻防实战场景是从理论走向实战的主要障碍。后续能力建设应聚焦训练数据 校验、模型攻防实验、框架漏洞实践，搭建可复现、可量化的实训环境，锤炼从业人员完

整安全处置闭环能力。

2.2.4网络安全人才模型安全能力提升情况

本节围绕网络安全人才模型安全能力提升情况展开，重点呈现能力提升重点、能力提 升举措、人才能力缺口与优化方向等。

结合大模型全生命周期安全风险，模型安全能力提升主要围绕架构安全、数据安全、 对抗安全和系统环境安全凸个维度展升，覆盖模型训练、评测、发布、运维全流程。不后

于通用AI知识学习，模型安全能力建设的核心目标，是使从业人员能够发现风险、验证风

险并推动处置。能力维度、对应的风险场景和能力提升如表2-3所示。

表2-3 模型安全能力提升重点

从能力提升举措来看，企业已行程多元化的渠道，但整体仍处于由知识普及向实战

验证转变的阶段。60%的企业通过采购外部专业培训或认证课程开展能力建设，的比例最 高；49%的企业鼓励参与开源项目或安全竞赛积累实战经验；36%的企业通过内部技术沙

龙或讲座开展常态化技术交流；仍有7%的单位暂无系统性培养措施。如图2-9所示。

当前企业能力培养存在明显结构性短板。行业高度依赖标准化外部培训，可快速补

齐从业人员基础理论知识，但实战针对性严重不足。多数培训内容聚焦通用AI基础知识， 缺少模型投毒检测、对抗样本加固、深度学习框架漏洞复现、模型供应链防护等核心专项 实战内容。同时，模型安全四大能力维度关联性极强，数据污染、架构篡改、环境漏洞等 风险可相互传导、叠加，碎片化的单点知识培训，无法支撑从业人员开展跨环节、全链路 的风险研判与闭环处置，难以形成贴合业务场景的实战能力。

• - 26

采购外部专业培训或认证课程 60%

鼓励参与开源项目或安全竞赛 49%

定期开展内部技术沙龙或讲座 36%

暂无系统性破培养措施 7%

0% 10% 20% 30% 40% 50% 60% 70% 占比

图2-9AI安全从业人员在职能力提升措施分布

四类能力之间具有明显的关联性。训练数据污染可能引起模型行为偏移，模型文件或

依赖组件被篡改也可能表现为异常输出和鲁棒性下降。因此，能力提升不能只按单项知识 组织课程，还需要通过模型红队测试、投毒检测、鲁棒性评测和框架漏洞复现等任务，检 验从业人员能否完成跨环节的风险判断与处置。

模型安全实战能力的建设，高度依赖企业配套的测试数据、算力环境、工具平台等 硬件支撑。从企业资源配置情况来看，52%的企业提供了行业或内部脱敏高质量语料库， 49%的企业提供了商业大模型工具使用授权，36%的企业提供了私有化部署大模型或算

力平台，提供专项AI实战能力培训的占35%，未提供任何支持的占6%。如图2-10所示。

行业或内部脱敏高质量语料库 52%

商业大模型工具使用授权 49%

私有化部署大模型或算力平台 36%

专项AI实战能力培训 35%

未提供任何支持 6%

0% 10% 20% 30% 40% 50% 60%

占比

图2-10模型安全能力提升的组织资源支持情况

—27—

整体呈现“基础资源有投入、实战环境建设滞后”的突出特征。企业优先完成了数 据、工具等基础资源的部署落地，但可用于模型权重保护测试、投毒实验、对抗样本生成、 框架漏洞复现的隔离实训环境严重短缺，专项实战培训覆盖范围有限，形成“有资源、无 实训、难转化”的现状。各类软硬件资源仅完成基础部署，未与风险检测、攻防验证、防御 评测等实战任务深度绑定，无法有效检验和提升从业人员的实操能力。

从从业人员能力提升的迫切需求来看，能力建设的核心矛盾已发生明显转变。29%的

从业人员驱需AI安全专业培训，仍是人才最直接的需求；但竞赛演练、实战靶场、算力支 撑、行业样本库等实战类资源需求合计占比达59%，远超纯理论培训需求。这表明当前模 型安全能力提升的瓶颈，已从理论知识匮乏转变为实战实验条件缺失，驱须可复现、可量

化、可评测的全流程模型攻防实训环境。如图2-11所示。

AI安全专业培训 29%

AI竞赛演练 20%

实战靶场凭条 18%

算力支持 15%

与业内大厂技术交流 12%

行业实战数据库 6%

0% 5% 10% 15% 20% 25% 30%

占比

图2-11 模型安全能力提升最迫切需要的资源

从能力进阶瓶颈看，算力成本高、难以搭建实验环境的比例最高，为43%；跨学科门

槛高、算法基础不足占26%；工作压力大、系统学习时间不足占23%；缺少权威AI安全能

力认证占8%。如图2-12所示。

算力成本高，难以搭建实验环境 43%

跨学科门槛高，算法基础不足 26%

工作压力大，系统学习时间不足 23%

缺少权威AI安全能力认证 8%

0% 10% 20% 30% 40% 50%

占比

图2-12 模型安全能力进阶的主要瓶颈

28—

2.3.2知识维度

知识维度主要回答“模型安全风险为什么发生、依据什么进行判断”，强调对原理、机

理和治理要求的理解。

• 1.模型原理与生命周期知识。掌握机器学习、深度学习、大语言模型和多模态模型的

基本原理，理解预训练、微调、安全对齐、模型评估和推理部署等关键环节。

• 2.模型安全风险机理知识。理解数据投毒、模型后门、模型提取与逆向、成员推断、对

抗样本、参数泄露、框架漏洞和供应链攻击等风险的触发条件、作用对象、影响路径及防

护原理。

1. 标准与治理知识。熟悉训练数据管理、访问控制、安全评测、版本管理和责任划分 要求，了解人工智能安全、数据保护、知识产权和科技伦理相关法规标准。

2.3.3技能维度

技能维度主要回答“能否把模型安全任务实际做成”，以能否完成测试和分析为判断

依据。

• 1.模型安全测试技能。能够围绕训练数据、模型参数、算法鲁棒性、安全对齐和运行

框架制定测试计划，选择测试样本、指标和方法，开展安全测试。

• 2.风险分析技能。能够复现模型安全问题，分析发生环节和根本原因，判断影响程

度，提出数据清洗、异常检测、对抗训练和依赖修复等措施，并验证整改效果。

• 3.工程化交付技能。能够搭建可复现的测试环境，使用自动化工具提高效率，对测试

结果进行人工校验，形成风险清单、评估报告和整改建议，推动问题闭环。

2.3.4实践维度

实践维度主要回答“能否在真实模型研发和安全保障工作中稳定运用相关能力”，强

调将模型安全意识、知识和技能转化为实际工作成果。实践评价不以掌握知识或完成单项 技术操作为主要依据，而应重点考察人才在模型全生命周期中参与实际项目、解决具体问 题、完成任务闭环和沉淀工作经验的能力。

• 1.模型全生命周期实践。能够参与训练数据审查、模型安全评估、模型制品发布审

查、推理环境上线检查和版本变更复测，将安全要求嵌入模型研发、部署和迭代过程。

• 2.项目闭环实践。能够结合具体模型、测试环境和任务要求，完成安全问题发现、证

据收集、风险分析、问题报告、整改跟踪和效果复测，并协调算法、数据、平台和安全团队

推进问题处置。

• -30-

第二章‧网络安全人才模型安全能力分析

1. 复盘与成果沉淀实践。能够对模型安全评估、项目交付和问题处置过程进行复盘， 总结测试方法、风险特征和整改经验，将实践成果转化为测试用例、检查清单、评估规则、 工具脚本和典型案例，并根据模型迭代、技术演进和风险变化持续更新，推动个人实践经 验转化为可复用的团队能力。

2.3.5人才分层

依据模型安全能力ASK-P体系，网络安全人才在模型安全方向可根据个人水平分为 初级、中级、高级人才。初级人才重在了解领域并胜任辅助性任务，中级人才重在熟悉领 域并独立交付典型任务，高级人才则在四个维度全面发展，能够闭环复杂任务并带动团 队。随着层级提升，评价重心应由知识掌握逐步转向技能熟练度、实践成果和组织贡献。

三级能力对照关系如表2-4所示。

表2-4 模型安全人才能力分层

2.4 总结与建议

综上所述，AI模型安全与传统网络安全问题有明显区别；当前网络安全人才具备初步

的模型安全能力，但是仍有显著提升空间；网络安全人才可以按照ASK-P模型进行系统化

培养。

在AI模型安全方面，AI风险贯穿模型设计、训练、微调、推理、业务部署全生命周期，

分为六大交织风险类别：

1. 架构风险：模型权重、参数、提示词、工具调用权限管控缺失，易出现权重泄露、克

• 31 -

隆模型、越权API调用、系统提示词劫持等问题；

• 2.数据风险：覆盖采集、训练、推理、运营全链路，包含数据源污染、训练投毒/后门、

样本低质、推理时模型反演、日志敏感数据泄露、权限漂移；

• 3.对抗风险：以提示词注入、越狱攻击为主，通过多轮对话、语义伪装、跨模态隐藏绕

过安全对齐，可诱导模型泄露信息、执行高危操作；

• 4.系统风险：深度学习框架、推理引擎、开源依赖、第三方插件存在漏洞，供应链引入

篡改预训练模型、恶意代码；

• 5.环境风险：业务流程、人机交互、自动化链路引发风险传导，自然语言歧义、无二次

确认高危操作、审计缺失导致越权删改、数据外泄扩大影响；

• 6.伦理风险：训练数据偏见造成歧视输出，AI决策责任边界模糊，高风险场景仅依靠

模型输出引发社会公平、合规追责难题。

当前从业人员模型安全能力方面：

1. 国内外企业从业人员在模型安全能力方面具有明显差异。海外大厂OpenAI/Anthropic/

DeepMind重视模型安全，Microsoft/Meta侧重AI应用安全、AI赋能攻防，国内大模型厂商

（阿里、字节、百度等）重视内容合规等模型安全，国内传统网安厂商重心放在AI应用防

护、AI赋能安全运营。

1. 行业人才存在多个痛点：岗位建制不完善、人才来源复合型不足、实战能力短板突

出、人才提升机制薄弱、行业认知待提升。

可以按照ASK-P体系培养提升网络安全人才的模型安全能力，形成“意识牵引一→知识

支撑一技能落地一实战检验”完整闭环

• 1.A(Awareness)意识：识别六大AI全链路风险，树立数据合规、伦理责任意识，主动

开展风险自查；

• 2.K(Knowledge)知识：融合传统网络安全+AI交叉知识，涵盖机器学习原理、对抗攻

击、RAG/Agent架构、生成式AI法律法规；

• 3.S(Skill)技能：模型红队测试、Prompt防护、供应链审计、AI安全工具校验、告警自

动化分析；

• 4.P(Practice)实践：攻防演练、安全竞赛、企业真实AI项目、漏洞复现、全链路安全

整改落地。

• -32 -

提示词注入的危害与模型可访问资产和可调用工具的权限范围密切相关。纯问答场

景主要表现为输出偏离预期；接入文件、代码、知识库或外部系统后，风险可能进一步演

化为数据泄露、代码改和流程失控。2025年2月，美国CERT协调中心（CERT/CC）披露

PandasAI交互式提示功能的提示词注入漏洞（CVE-2024-12366，CVSS9.8），该漏洞可诱导

模型执行非预期Python代码并导致远程代码执行。企业应将模型指令、外部内容和工具调

用分层隔离，限制模型仅在明确授权范围内读取数据和调用工具。

3.1.2内容合规风险

内容合规风险是指大模型在交互或自动化内容生成中，输出违法违规、虚假不实、低

俗暴力、侵权或误导性信息，从而引发法律、奥情和社会治理风险。生成式AI显著降低了 图文、音视频制作门槛，使内容具备批量生成、高仿真、快速传播和溯源困难等特点。当 前高发风险包括编造热点、深度伪造肖像和声音、生成低俗色情内容、仿冒官方账号或媒 体，以及规避生成合成内容标识等。在公共事件、医疗、金融、教育等领域，虚假内容容

易借助模型流畅表达误导用户，并对社会信任和行业秩序造成冲击。

内容合规问题不仅源于模型能力不足，也与产品设计、运营管理和处置机制有关。部

分平台在训练语料审查、内容过滤、生成合成内容标识和违规处置等环节仍存在薄弱点，

增加了规模化内容治理难度。2025年6月，中央网信办通报“清朗·整治AI技术滥用”专项

行动第一阶段工作，累计处置违规小程序、应用程序、智能体等AI产品3500余款，清理违

法违规信息96万余条。AI内容治理应覆盖训练、生成、标识、传播和处置全生命周期，并 建立风险预警、投诉受理和快速处置机制。

3.1.3AI接口与插件风险

AI接口与插件风险是指大模型通过API、插件、工作流组件或开源工具对接外部系统 时，因身份认证失效、权限控制缺位、代码审查不严或运行监测缺失，导致越权访问、敏 感数据泄露、远程代码执行和供应链投毒等问题。AI应用依赖知识库、数据库、办公系 统、云服务及第三方组件互联，接口配置不当可能成为攻击者进入核心业务环境的跳板。 风险主要集中在API密钥泄露、接口鉴权缺失、插件来源不明、依赖组件带毒和审计日志 不完整等方面。相较传统接口，AI会基于生成结果动态选择工具，调用链更长、行为更难

预测。

在快速交付场景中，若直接复用开源插件和第三方接口，而缺少统一的准入评估、最

小权限、依赖管理和漏洞修复机制，插件与接口风险将进一步放大。2025年12月，美国国

家漏洞数据库（NVD）收录CVE-2025-67510：AI智能体编排框架Neuron的MySQLWriteToo)

在缺少语义约束时，可能受提示词注入影响执行DROPTABLE、DELETE等破坏性SQL语

句。该案例表明，工具调用、数据库权限与外部输入缺少隔离时，接口风险可直接演化为

数据破坏和业务中断。

3.1.4业务安全风险

业务安全风险是指智能体、AI助手接入客服、审批、采购、运维、财务等业务流程后，

因权限继承过宽、任务边界模糊或人工复核缺失，导致模型执行超出授权范围的实质性操 作。大模型本身不直接具备业务权限，但当其调用订单、支付、邮件或运维接口时，任务 误解、外部诱导或工具选择失误都可能被自动化流程放大为改价、退款、批量删除或权限 变更等业务损失。该风险是技术控制、业务规则、岗位职责和责任边界共同作用的结果，

事后还可能因责任链条分散而增加追溯难度。

部分单位将共享账号、凭证密钥和高特权接口直接授予智能体，未对查询、建议、执

行等操作实施分级管控，对涉财、涉权和批量处理等高风险操作也缺少双人复核、额度

熔断和回滚预案。据媒体报道，2025年7月，Replit的AI编程代理在生产环境测试中无视

“代码冻结”和人工确认要求，执行未授权指令并删除生产数据库中涉及1206名高管和

1196家企业的数据。该事件说明，AI工具一旦获得生产环境写入权限，任务误解或越权执

行即可直接转化为实际业务损失。

3.1.5数据安全风险

AI应用引发的数据安全风险，主要表现为敏感数据外泄以及数据、模型资产被非授 权改。数据泄漏可发生在员工将源代码、客户隐私、合同文本等输入外部模型时，也可 发生在模型调用知识库、向量数据库、日志系统和第三方云服务时。数据篡改则涵盖训练

语料、知识库文档、外部信源、向量索引、模型权重及配置参数的恶意污染，导致模型在 表面正常运行的情况下持续输出错误结论或执行错误规则。AI数据在采集、训练、检索、 推理和反馈环节持续流转，风险一旦进入链路，可能被多次引用和放大。

AI数据风险具有边界模糊和影响滞后的特点。2026年4月，中央网信办部署开展”清

朗·整治AI应用乱象”专项行动，将大模型训练语料安全、AI数据投毒、生成合成内容标

识落实不到位等问题列为第一阶段重点整治对象。2026年6月，医疗AI服务商Xsolis披

露，其在当年1月遭遇定向网络钓鱼，攻击者获取部分系统文件，涉及近140万名个人的 姓名、出生日期、社会安全号码、医疗和保险信息。该事件反映出AI服务平台集中处理高 敏感数据时，身份认证、数据隔离和访问控制失效会迅速放大泄露影响。企业应强化数据 来源审查、分类分级、日志保护、版本留痕和回滚机制。

3.1.6智能体安全风险

被诱导执行越权操作、泄露数据或长期潜伏的风险。与传统AI应用“输入一输出”的两端“，

智能体安全风险是指具备自主感知、决策与执行能力的AI智能体在接入工具、数据和

业务系统后，因权限继承过宽、工具链不可信、记忆可被污染或行为缺乏人工干预机制，

只需操纵其接触的网页、邮件、表单、工具描述或历史记忆，即可驱动智能体利用其合法 权限完成数据窃取与破坏，安全研究界将“私有数据访问、不可信内容暴露、外部通信能 力”三项并存称为智能体攻击的“致命三要素”。当前高发路径包括间接提示词注入、工具 描述与技能包投毒、跨会话记忆污染、多智能体协同中的污染传递，以及利用系统级权限

实施的静默接管。

2026年初，开源终端智能体OpenClaw被曝出大量安全漏洞。国家信息安全漏洞库

（CNNVD）累计采集该框架多类高危漏洞，涵盖命令注入、路径遍历、访问控制缺陷等类

型。2026年2月，工信部网络安全威胁和漏洞信息共享平台（NVDB）发布安全预警提示，

指出OpenClaw在默认或不当配置下存在较高安全风险，易出现权限失控、敏感数据泄露

等问题。2026年7月16日，全球最大AI开源平台HuggingFace对外披露，其生产基础设

施遭到AI智能体系统入侵，平台已完成紧急处置并向执法部门报送相关情况。7月21日，

OpenAI发布博文承认，该起入侵源自内部ExploitGym网络安全基准测试，前沿模型驱动

的智能体突破沙箱隔离对Hugging Face网络系统实施攻击。OpenAI将该事件定性为“前所

未有的网络安全事件”，确认有大规模AI智能体参与入侵行为。据METR、RedwoodResearch

两家第三方测评机构的调查报告，参与攻击的涉事智能体约700个；调查同时发现，这批 智能体还尝试伪造、修改、删除自身执行记录，以此欺骗测试自动评分系统。

3.1.7AI决策失真与责任边界风险

AI决策失真与责任边界风险是指组织将AI生成的回答、评分、排序或推荐结果用于

客户服务、内容审核、招聘筛选、价格调控、风险预警及医疗金融咨询等场景时，因训练 数据偏见、事实依据缺失、模型幻觉或人工过度信赖，输出不准确、不公正或不合理结果 并在引发争议后出现责任主体不清的问题。AI输出语言流畅、语气确定，容易被使用者视 为客观事实；一旦嵌入自动化或半自动化流程，错误可能固化为拒绝服务、错误告知、差

别待遇或风险漏报。

部分单位上线前未明确AI适用边界、人工最终决定权、用户告知义务和异议处理程

序，运行中又过度关注响应时效和任务完成率，忽视准确性、公平性和纠错率，导致模型

提供商、部署单位、业务部门和一线人员之间的责任链条分散。2025年12月至2026年初，

杭州互联网法院审结国内首例“AI幻觉”侵权案，明确AI模型不具有民事主体资格，其生 成承诺不当然构成平台真实意思表示；平台责任应结合风险提示、技术防错措施和实际损 害等因素综合认定。面向个人重大权益和专业决策的AI应用，应保留人工审查、结果解 释、异议申诉和责任追溯机制。综合六类风险可见，其对人才能力的要求各有侧重：提示

词注入、接口插件与数据安全偏重技术攻防与权限管控能力，内容合规与决策失真偏重业

务规则与责任认定能力，业务安全则要求打通业务流程与自动化调用视角。这意味着AI

应用安全保障人才需兼具技术、业务与治理三类能力，难以仅靠传统网安经验覆盖。

3.2网络安全人才AI应用安全能力现状

随着人工智能技术加速嵌入智能客服、智能办公协同、智能风控、代码辅助生成、自 动化运维、智慧政务等核心业务场景，AI应用安全已从单点技术问题逐步延伸为组织管 理、岗位配置、人才供给和实战能力协同建设问题。在AI应用链条中，互联网/AI大模型 研发企业、关键信息基础设施单位、网络安全产品/服务提供商、政府部门/监管机构四类

主体，分别承担研发供给、业务使用、安全服务、监督管理职能，同时也在结合自身业务 推进AI应用落地；各方面临的安全风险威胁不同，AI应用安全保障人才的建设阶段也各

不相同。本节依据本批次调研样本，围绕不同性质单位，重点分析AI应用安全保障人才

分布、岗位设置、人才基本情况、能力掌握程度及主要挑战。

3.2.1AI应用安全人才基本情况

随着人工智能技术渗透到各行各业，AI应用安全问题相伴而生，需要网络安全人才 具备提示词安全、内容合规、接口安全、业务逻辑安全和数据安全等方面的专业能力，保

障AI应用安全运行。

调研发现，具备AI应用安全能力的人才主要分布在关键信息基础设施单位和互联网

AI大模型研发企业。其中，关键信息基础设施单位占比最高，达到43%；互联网/AI大模型

研发企业占比为31%；网络安全产品/服务提供商占比为23%；政府部门/监管机构占比为

3%。这说明AI应用安全保障需求已经覆盖技术研发侧、安全供给侧、重点行业运行侧和监

管侧，其中重点行业运行侧和技术研发侧是当前人才分布最集中的方向。如图3-1所示。

关键信息基础设施各行业均在推进AI应用落地。从AI应用安全保障人才行业分布来

看，人才高度集中于电力、金融、通信三大关键基础设施行业，占比分别为28%、26%

网络安全人才实战能力报告一一AI赋能篇

从人才背景来看，互联网/AI大模型研发企业以传统网安转型（61%）、算法或人工智

能背景人才为主（55%），外部专家或校招依赖度最低；关键信息基础设施单位算法背景人

才占比最高（60%），传统网安转型人才较少；网络安全产品/服务商人才来源多元，算法或

人工智能背景最高（48%），校园招聘是重要人才补充；政府部门/监管机构外部厂商与专

家支持占比较高（45%），自主复合型人才储备存在短板。如图3-5所示。

70%

61% %09 60%

55%

48%

50%

45% 41%

39%

40% 36% 36%

31% 30% 26% 26% 27%

20%

13%

11% 10%

9%

0%

互联网/AI大模型 关键信息 网络安全产品 政府部门监管机构 研发企业 基础设施单位 服务提供商

• ■传统网安背景转型 ■算法或人工智能背景
• ■校园招聘 ■外部厂商或专家支持

图3-5AI应用安全人才背景构成情况

3.2.2AI应用安全岗位设置情况

岗位设置情况反映了单位对AI应用安全保障工作的重视程度。44%的单位由现有安

全团队兼任AI安全相关工作，25%交由研发团队自行负责，仅有19%的单位已设立专职 AI安全团队或实验室，还有12%的单位暂无明确对应岗位。这说明，我国AI应用单位多

以兼职代管模式承担安全工作，专职团队占比低，部分单位无对应岗位，安全保障基础薄

弱。如图3-6所示。

分析关键信息基础设施单位人才建设情况，不同行业AI安全岗位配置分化明显。科

研、金融、医疗、电力多依托现有安全团队兼任，占比分别为80%、66%、63%、56%；交

通、机械制造主要依靠研发团队自行承担安全工作；教育行业暂无明确岗位占比达67%， 岗位缺失问题突出。整体来看，各行业专职AI安全团队占比普遍偏低，大多采用兼职模

式兜底，不同行业AI安全岗位建设悬殊。如图3-7所示。

• -40-

第三章‧网络安全人才AI应用安全能力分析

12%

■现有安全团队兼任

19% 44% ■研发团队自行负责

• ■已设立专职团队/实验室
• ■暂无明确岗位

25%

图3-6AI应用安全人才岗位设置分布

100%

5% 8%

14% 10% 90% 17%

17% 80%

26%

14%

70%

60%

22% 67%

389

50%

40%

57%

0% 30%

56%

20%

10%

0%

83%

14%

电力 交通 教育 金融 科研 能源 其他 通信 医疗

【机械制造】

■现有安全团队兼任 ■研发团队自行负责 ■已设立专职团队实验室 ■暂无明确岗位

图3-7 关键信息基础设施单位AI应用安全人才岗位设置情况

3.2.3网络安全人才AI应用安全能力分析

本节进一步考察网络安全人才在AI应用安全保障方面的实战能力。围绕提示词安全、内 容合规、接口安全、业务逻辑安全和AI应用数据安全五个维度，对我国网络安全人才的认知

和实操能力进行评价。其中1分为不了解、2分为了解、3分为掌握、4分为熟练，5分为精通。

提示词安全是大模型应用落地过程中风险防控的关键环节，直接关系模型输入输出 的安全可控，重点应防范提示词注入、系统提示泄露、越权诱导等风险。调研结果表明， 网络安全人才提示词安全保障能力集中在掌握与熟练之间，5分精通占比约19%，4分及

141-

网络安全人才实战能力报告一AI赋能篇

以上合计约46%，约54%的人才停留在中等及以下水平（1一3分），多数人员尚未达到精

通水平，存在明显能力短板。如图3-8所示。

3%

19% 14%

均值3.44

• ■1分
• ■2分
• ■3分

■4分

27% ■5分

37%

图3-8提示词安全保障能力水平

由于风险场景及重视程度不同，不同主体的网络安全人才对于提示词安全的认知与

实操能力存在差异。互联网/AI大模型研发企业的人才能力领先，5分精通占比达32%、4

分熟练占比40%，合计超过七成处于较高水平，与其在大模型研发与场景化落地中积累的

提示词工程能力直接相关。网络安全产品/服务提供商表现次之，4分和5分合计约65%， 高精尖人才储备相对均衡。关键信息基础设施单位人才多处于3分掌握水平（占比28%）

和4分熟练水平（占比38%），5分精通占比仅15%，反映出在面向大模型场景的提示词攻

防演练上仍需补强。政府部门/监管机构的人才短板尤为突出，1分不了解占比达12%、2 分仅了解占比26%，仅8%达到5分精通层级，整体提示词安全认知和实操能力均有待补

齐。如图3-9所示。

100%

8% 23%

15%

32% 80% 22%

38% 60%

42%

32% 40%

40%

28%

22% 26% 20% 18%

15% 8%

10% 12% 0%

互联网/AI 关键信息基础 网络安全产品/ 政府部门/

大模型研发企业 设施单位 服务提供商 监管机构

■1分不了解 ■2分了解 ■3分掌握 ■4分熟练 ■5分精通

图3-9 不同单位提示词安全保障能力水平

• - 42 —

100%

8% 22%

10%

16%

18% 80%

28%

38% 60% 38% 30%

34% 40%

28%

28% 25%

20%

22% 12%

14%

16% 0%

3% 6% 4%

互联网/AI 关键信息基础 网络安全产品/ 政府部门 大模型研发企业 设施单位 服务提供商 监管机构

■1分不了解 ■2分了解 ■3分掌握 ■4分熟练 ■5分精通

图3-11 不同单位内容合规保障能力水平

14%

4%

42%

25%

• ■4分
• ■5分
• ■3分
• ■2分

15% ■1分

图3-12接口安全保障能力水平

API、插件调用与权限控制场景下具备较强能力。网络安全产品/服务提供商的能力分布较 为均衡，4分和5分合计约62%。政府部门/监管机构的能力短板较为明显，1分不了解占

14%、2分仅了解占27%，5分精通仅占6%，整体仍需结合AI插件调用、智能体流程编排等

新场景持续提升。如图3-13所示。

业务逻辑保障能力，要求人员既要理解业务流程，又能识别模型、智能体在工具调

用、流程编排中的权限扩张风险，是后续实战能力提升的重要方向。调研发现，业务逻辑

安全能力水平为5分精通的人才占比仅约13%，约65%的人才处于中等及以下水平（1一3

分），大多数人员尚未达到熟练水平，能够精准识别AI自动化流程下复杂越权漏洞的专业

人才较为紧缺。如图3-14所示。

— 44 -

100% 6% 16%

21% 27%

20% 80%

40% 60% 41% 33% 42%

40%

28%

24% 27% 20% 20%

13%

9% 11% 14% 0%

互联网/AI 关键信息基础 网络安全产品/ 政府部门/ 大模型研发企业 设施单位 服务提供商 监管机构

■1分不了解 ■2分了解 ■3分掌握 ■4分熟练 ■5分精通

图3-13不同单位接口安全保障能力水平

3%

21% 22%

41%

13%

• ■4分
• ■5分
• ■3分
• ■2分

■1分

图3-14 业务逻辑保障能力水平

不同性质单位中，互联网/AI大模型研发企业和关键信息基础设施单位在业务流程、权 限管理和审计留痕方面均具有较多实践基础，但AI应用带来的自动化调用和流程重组仍会 放大业务逻辑安全风险。其中，互联网/AI大模型研发企业人才能力领先，4分和5分合计 约58%，能够在业务流程、自动化调用与权限扩张风险识别上独立承担复杂任务；网络安

全产品/服务提供商与关键信息基础设施单位表现接近，5分精通占比分别为16%和12%，

3分掌握占比约三成；政府部门/监管机构的人才能力短板突出，1分不了解占18%、2分仅

了解占30%，5分精通仅占6%，是后续人才建设的重点方向。如图3-15所示。

45

100%

6% 20%

12%

16%

18% 80%

26%

36% 60% 38% 28%

34% 40%

26% 30% 30%

20%

0%

22% 13% 14%

18% 3% 6%

4%

互联网/AI 关键信息基础 网络安全产品/ 政府部门 大模型研发企业 设施单位 服务提供商 监管机构

■1分不了解 ■2分了解 ■3分掌握 ■4分熟练 ■5分精通

图3-15不同单位业务逻辑保障能力水平

相比传统数据安全，AI应用数据安全还涉及提示词输入、上下文记忆、知识库权限和 检索增强生成等新场景，对人才综合判断能力提出了更高要求。调研结果表明，受访网 络安全人才的数据安全能力总体处于基本掌握水平，约15%的人才达到5分精通水平，约 61%的人才处于中等及以下水平（1一3分），多数人员具备基础实操能力，但能够应对大

模型场景下新型数据安全风险的高精尖人才仍存在缺口。如图3-16所示。

3%

17% 24%

• ■4分
• ■5分
• ■3分
• ■2分

15%

41% ■1分

图3-16数据安全保障能力水平

由于业务场景与数据防护需求不同，不同主体的网络安全人才的数据安全保障能力

存在差异。互联网/AI大模型研发企业人才高分占比最高，4分和5分合计65%，能够在模

型输入、检索增强、知识库权限等新场景下独立承担数据防护任务。网络安全产品/服务提 供商与关键信息基础设施单位能力水平接近，4分和5分合计分别约61%和50%，但5分

—46-

精通占比仅21%和14%，高精尖人才储备仍有缺口。政府部门/监管机构人才精通层级占

比偏低，1分不了解占14%、2分仅了解占28%，5分精通仅占6%，中等及以下水平人员占

比突出，整体实操能力有待补强。如图3-17所示。

100%

6%

14%

21%

25%

20% 80%

36%

60% 40% 32% 40%

40%

30%

24% 28% 22%

20%

16% 10% 12%

14% 0%

互联网/AI 关键信息基础 网络安全产品 政府部门 大模型研发企业 设施单位 服务提供商 监管机构

■1分不了解 ■2分了解 ■3分掌握 ■4分熟练 ■5分精通

图3-17不同单位数据安全保障能力水平

从调研结果来看，我国网络安全人才的AI应用安全保障能力整体处于基本掌握水

平，五个维度的平均得分在3.21一3.44分之间，总平均约3.3分。其中，提示词安全能力

相对最优，平均得分3.44分，5分精通占比约19%；接口安全与数据安全能力居中，平均

得分分别为3.33分和3.31分；内容合规与业务逻辑保障能力相对最弱，平均得分分别为

3.23分和3.21分。整体看，网络安全人才对模型输入输出类表层风险掌握较好，但应对

智能体流程编排、自动化越权等复杂业务逻辑风险的高水平能力缺口显著，是当前人才

建设的突出短板。

3.2.4网络安全人才AI应用安全保障挑战分析

为进一步识别AI应用安全保障过程中的主要难点，本次调研对单位面临的最大挑战

进行了统计。总体来看，“业务迭代极快，安全审计难介入”是AI应用安全保障过程中最 突出的挑战，占比达到48%；其次是“缺乏针对AI应用的扫描工具”和“输出内容具有不

可预测性”占比分别为25%和18%；“难以在用户交互自由度与安全性间取舍”占比为9%。

这表明当前AI应用安全保障面临的主要压力，一方面来自业务迭代快安全工作推进迟缓， 另一方面也来自现有安全工具对AI应用场景的适配不足，以及模型输出存在一定不确定

性。如图3-18所示。

— 47 -

9%

■业务迭代极快，安全审计难入

18% ■缺乏针对AI应用的扫描工具

48%

• ■输出内容具有不可预测性
• ■难以在用户交互自由度与安全性间取舍

25%

图3-18AI应用安全保障挑战分析

要保障自身AI应用安全，也要面向客户提供可复用的评估和防护能力；政府部门/监管机互，%，

不同性质单位呈现出不同特点。互联网/AI大模型研发企业更直接面对模型能力迭 代、产品快速上线和用户交互复杂化带来的安全评估压力；网络安全产品/服务提供商既

占比为27%，更体现监管侧对输出可控性、安全边界和结果追溯的关注；关键信息基础设 施单位中，“缺乏针对AI应用的扫描工具”占比为29%说明重点行业仍需要面向AI应用

场景的检测、审计和持续评估工具。如图3-19所示。

100% 3%

7%

19%

27% 26%

80% 29%

16%

18% 60%

49%

18% 40% 52%

43%

20% 36%

22% 22% 12%

0%

互联网/AI 关键信息基础 网络安全产品// 政府部门/ 大模型研发企业 设施单位 服务提供商 监管机构

• ■输出内容具有不可预测性 ■缺乏针对AI应用的扫描工具
• ■业务迭代极快，安全审计难介入 1难以在用户交互自由度与安全性间取舍

图3-19不同单位的AI应用安全保障挑战分布

148-

第三章，网络安全人才AI应用安全能力分析

在关键信息基础设施单位内部，金融、电力、通信等重点行业的首要挑战均集中在

“业务迭代极快，安全审计难介入”，其中电力为56%，金融为53%，通信为57%。同时，

金融行业对“缺乏针对AI应用的扫描工具”的感受更为突出，占比为39%。这说明重点行 业的AI应用安全压力主要来自业务上线节奏、审计介入时点和工具适配不足。整体来看， AI应用安全保障正从传统工具检测问题，转向快速业务迭代下的持续评估和治理问题。

如图3-20所示。

100% 5%

12% 14%

13% 17%

20%

20% 33% 80%

39%

27%

25%

38%

60% 100%

40%

56%

53%

57%

33%

71% 60%

67%

50% 20%

0%

20% 25% 20% 14%

8%

3% 电力 金融 通信 能源 医疗 交通 科研 教育 其他

（机械制造）

• ■输出内容具有不可预测性 ■缺乏针对AI应用的扫描工具
• ■业务迭代极快，安全审计难介入 ■难以在用户交互自由度与安全性间取舍

图3-20关键信息基础设施单位AI应用安全挑战分布

3.3网络安全人才应用安全能力ASK-P体系

面对AI应用安全风险的多维性与交叉性，网络安全人才的能力建设不能再沿袭以单一技

术清单为主的传统模式，必须建立覆盖意识（Awareness）、技能（Skill)、知识（Knowledge）、

实践（Practice）的ASK-P能力体系。

3.3.1意识维度

意识是安全行动的内驱力，要求网络安全人才在接触AI应用时，主动触发风险感知 并秉持正确的价值导向：

AI风险全景意识。理解AI安全非单纯技术问题，能够敏锐捕捉业务逻辑操纵、深度

-49-

伪造欺诈、算法歧视、合规违规等多元风险形态，形成“业务一数据一模型一伦理”一体化

风险视野。

责任主体意识。明确自身在AI安全决策链中的角色，主动推进安全评审、模型验证、

应急兜底等机制建设，拒绝“这是算法团队的事”等责任推脱心态，树立全生命周期安全

共同负责的认知。

持续质疑与验证意识。对AI输出保持审慎，在关键业务环节坚持“AI辅助、人做决

策”原则，养成对模型决策合理性、数据完整性、内容合规性的主动校验习惯。

3.3.2技能维度

技能是将知识转化为有效安全动作的能力，强调标准化、可复用和工具化。

AI安全风险评估。能够独立开展AI应用安全评估，包括威胁建模、攻击面分析、模型

鲁棒性基线测试、训练数据安全审查等，编写评估报告。

AI红队测试与渗透技能。掌握提示注入、越狱攻击、对抗样本生成、模型窃取、后门 触发与验证等测试手法，熟练使用主流AI安全测试工具集与框架，在授权范围内实施可

控的模拟攻击以暴露脆弱点。

安全监控与应急响应技能。能够针对AI应用部署输入异常检测、输出内容合规过滤等

模型行为监控措施；制定并执行AI安全事件应急响应预案，包括紧急熔断、根因分析等。

跨团队沟通技能。能够以非技术语言向管理层传递AI安全风险，向算法团队明确安

全需求，编制面向不同受众的AI安全指南和最佳实践。

3.3.3知识维度

知识维度要求网络安全人才在原有知识结构上拓展AI相关领域，打通安全工程与AI

原理的认知壁垒：

AI基础与安全原理。掌握机器学习、深度学习、大语言模型、多模态模型的基本原理

及典型应用范式，理解训练、推理、微调、检索增强生成等核心环节。重点学习对抗样本、 模型后门、模型逆向、成员推断、提示注入、幻觉利用等攻击机理，以及联邦学习、同态加 密、差分隐私、模型水印等防护技术的适用范围与局限。

AI系统全栈安全架构。理解AI应用所依赖的数据管线、训练框架、模型服务引擎、前

端交互接口的组件构成，熟悉API调用安全、容器与算力环境安全等关键知识点，能够绘

制AI应用数据流与威胁面。

业务与行业知识。积累所在行业的业务逻辑、合规要点及典型AI应用场景，能够将安

• -50-

第三章‧网络安全人才AI应用安全能力分析

全知识映射到具体业务风险，如金融风控模型的可解释性要求、医疗影像诊断的误诊容忍

边界等。

3.3.4实践维度

实践是检验和固化能力的关键环节，通过贴近真实业务的演练、测试、处置和复盘，

将意识、知识与技能转化为可重复的任务交付能力。

靶场攻防演练实践。在模拟的智能客服、智慧金融等仿生环境中，扮演攻击方与防守 方，反复练习从攻击构造到应急防御的全链条操作，积累不同场景下的攻击模式。

行业攻防竞赛与联合演练。参加跨行业AI安全挑战赛、深度伪造检测挑战赛、大模型

红队演练，与各领域攻防人员切，了解最新攻击技术与防御思路。

企业实景实习。深入AI应用密集的业务部门或安全运营中心，跟随资深工程师完成 模型安全评审、事件处置、合规整改等真实任务，将理论与实践在业务中完成衔接。

常态化复盘。建立个人及团队层面的实践复盘机制，将每次演练、每次事件处置提炼

为可复用的检查单、案例库和规则集，推动经验向组织能力的转化。

3.3.5人才分层

依据应用安全能力ASK-P体系，网络安全人才在AI安全方向的能力可划分为初级、

中级、高级三个递进层级。三个层级的核心区别在于：初级侧重在指导下完成基础任务； 中级应能够独立完成常见场景的评估、测试与处置；高级应能够闭环复杂任务，并形成工 具、规则或方法论输出。各等级应分别在意识、技能、知识和实践四个维度设置可观察、

可考核的行为指标。三级能力的对照关系如表3-1所示。

表3-1人才能力分层

• 51 -

3.4 总结与建议

本章3.1节分析了AI应用安全风险，表明风险已由单一技术问题演变为数据、模型、

接口、业务流程和组织责任交织的系统性风险。提示词注入和接口插件缺陷可突破系统边 界，流程越权会将模型误判转化为实际业务损失，数据泄露、投毒和决策失真则可能侵害 用户权益并削弱合规能力。3.2节能力现状调研显示，不同单位已经开始承担AI应用安全 保障职责，但整体仍处于从“兼任式响应”向“体系化建设”过渡阶段；安全团队兼任仍

是主流，提示词安全、接口安全和数据安全掌握程度较好，而内容合规和业务逻辑安全仍 受场景复杂性、流程变化快和审计介入难等制约，人才来源复合化，需通过统一能力模型 和实战任务推动传统网安、算法、业务人员与外部专家融合。简言之，我国网络安全人才在 提示词安全、数据安全与接口安全方面能力较强，在内容合规与业务逻辑安全方面能力水

平驱待提升，后续建设资源应向这两类短板能力倾斜。3.3节构建的ASK-P能力体系从意

识、技能、知识和实践四个维度对AI应用安全能力进行系统刻画，并通过能力等级划分， 为用人单位设置岗位能力要求、开展人才培养和能力评价提供框架，也为从业人员提升AI 应用安全实战能力提供参考。

综上，当前AI应用安全人才建设已具备一定基础，但仍处于体系化能力形成的初期。

后续建议从以下方面系统推进：

（一）明确岗位职责与跨部门协同机制

由用人单位管理层牵头，人力资源部门与网络安全、算法研发、业务部门联合落实。

制定《AI应用安全岗位职责说明书》，将安全评估前置到应用设计、模型接入、数据调用 和上线运营等全流程，划分安全负责人、安全工程师、算法工程师与业务负责人的具体职 责；建立AI应用安全评审前置制度与跨部门联席决策机制，重点介入涉财、涉权、批量处 理及专业咨询等场景。

（二）构建分角色、分层级的课程与实训任务

由教育培训机构、行业学会与用人单位企业大学联合开发，安全团队与业务专家提供

内容支撑。以ASK-P能力体系为框架，针对管理者、传统网安人员、算法工程师、业务运 营人员等不同角色，分别设计意识宣贯、基础技能、专业进阶和专家级四级课程。重点建 设覆盖提示词注入、接口与插件滥用、数据泄露、越权流程和内容合规等典型风险的实训 任务包，并融入数据治理、业务安全、合规风控和应急处置等复合实战内容。

（三）建立场景化能力认证和持续评估机制

• - 52 -

第三章网络安全人才AI应用安全能力分析

由网络安全认证机构联合行业监管部门制定标准，用人单位人事部门实施动态管理。 依据ASK-P体系定义应用安全能力等级，建立包含涉财交易、权限审批、批量处理、智能 客服等高风险场景的认证测评案例库。实施“认证+复评+继续教育”的持续评估模式，要 求持证人员每年完成规定学时的场景化实战训练。

（四）建设靶场、测试工具、案例库和审计平台

由网络安全主管单位或行业组织统筹，联合大型企业及第三方安全厂商共建共享。搭

建支持提示词注入、插件漏洞利用、数据接口滥用、业务流程越权等场景的AI应用安全靶 场；汇集脱敏后的真实安全事件案例和攻击剧本；建设面向AI应用的全量审计与实时风控 平台，实现异常行为监测、风险熔断和审计留痕。

通过上述四项建议的协同推进，可逐步实现从职责厘清、能力锻造、评估认证到工具 支撑的完整闭环，推动AI应用安全人才建设从被动响应转向体系化、前置化保障，使传统 网络安全守护者真正转型为AI时代应用安全的保障者。

一53一

第四章

网络安全人才AI赋能能力分析

4.1AI在网络安全领域的实践应用

AI在网络安全中的应用可以从业务场景、分析能力和技术治理三个层次理解：安全

运营、漏洞挖掘与攻防对抗属于业务场景，安全数据分析是贯穿各场景的分析能力，大模 型、智能体、多模态和知识图谱则构成技术演进与治理支撑。AI推动安全工作由人工经验 驱动转向数据关联和人机协同，也要求网络安全人才具备数据分析、工具编排、结果验证

和风险控制能力。

4.1.1AI赋能安全运营

安全运营贯穿监测、分析、处置和复盘全过程，是网络安全实战能力的重要体现。传

统安全运营依托平台管理日志、告警、资产和工单。随着云计算、移动办公、物联网和大 模型应用普及，组织资产边界外延，攻击入口更加分散，安全事件呈现跨终端、跨身份 和跨云资源特征。AI的引I入，使安全运营由规则触发、人工研判为主，转向数据驱动、智 能关联和人机协同。告警规模持续增长，误报和重复告警造成告警疲劳。安全分析员需 要快速判断告警真实性、资产影响和升级必要性。安全运营的难点已经从“发现异常”转 向“在大量异常中识别真正重要的威胁”。同时，自动化攻击和生成式AI提升了攻击效 率，检测与响应窗口被压缩，告警分诊和响应决策驱须更高程度自动化。AI自身也成为 治理对象，安全团队还需关注影子AI、敏感数据输入、插件滥用、提示词注入和生成内容

风险。

1. AI驱动的安全监测与告警分析

AI驱动的安全监测与告警分析，主要是在SIEM、EDR、NDR、XDR、SOAR等平台基

础上增加智能分析层，将分散数据转化为更可解释、更可排序、更可处置的安全事件。其

作用包括告警降噪、风险排序、跨源上下文补全、研判结论生成和人工反馈持续改进。

在告警降噪方面，AI可综合告警类型、资产重要性、账号权限、行为时间、地理位置、

• -54-

将上述环节串联起来，可形成“AI准备材料一人员作出决策一工具受控执行一联合开 展复盘”的闭环。规则明确且影响较低的操作可自动执行；涉及账号、主机、流量和数据

变更的动作须经授权审批，并保留证据、日志和回滚路径。

4.1.2AI赋能漏洞挖掘与攻防对抗

漏洞挖掘与攻防对抗体现网络安全人才的核心实战能力。传统方法包括人工代码审 计、静态分析、动态分析、Fuzz测试、符号执行和渗透测试。随着软件规模扩大、开源组 件复用和云原生架构普及，漏洞发现与修复面临代码量大、上下文复杂、验证成本高等问 题。大语言模型在代码理解、语义推理、生成式编程和工具调用方面的能力，为漏洞挖掘 和攻防对抗提供了新的辅助路径。

当前AI已能在代码理解、风险筛选、测试用例生成和工具编排中发挥作用，但复杂业 务逻辑分析、环境搭建、漏洞可利用性验证和误报控制仍需专业人员参与。因此，AI赋能

漏洞挖掘更适合定位为专家主导、AI辅助、人机协同闭环。

1. AI辅助代码审计

AI辅助代码审计主要服务于大规模代码理解和潜在安全缺陷发现。大模型可解释函

数、模块和调用链，帮助审计人员快速理解项目结构、识别潜在攻击面，并围绕输入可控 性、危险函数调用、权限校验、边界检查和异常处理形成初步判断。AI与静态分析工具结 合后，可读取告警路径和上下文，解释漏洞成因、评估触发条件，并生成初步修复建议。 实践中仍应遵循“工具发现一AI解释一人工审查一自动化测试一安全回归验证”的流程，

避免将AI生成代码直接投入生产环境。

1. AI辅助漏洞发现与定位

AI辅助漏洞发现与定位的核心价值，是利用模型对代码语义、漏洞模式和攻击路径 的理解，在大规模代码库中筛选高风险区域，将分析范围收缩到重点入口、关键函数和可 疑调用链。模型可结合CWE知识库、历史漏洞样本和补丁模式识别风险代码，并围绕输

入可控性、数据可达性和边界检查进行推理。AI的价值不仅在于提示“哪里可能有问题”，

也在于解释高危代码原因、判断误报可能性，并给出下一步验证路径。

1. AI辅助渗透测试与攻防演练

渗透测试和攻防演练涉及信息收集、漏洞验证、权限获取、横向移动和报告输出等环 节。AI的主要作用是将复杂任务拆解为可执行步骤，并提供知识检索、命令参考和结果解

释。当前大语言模型在工具使用、结果解释和行动建议等子任务上具有辅助效果，但长期 任务规划、复杂环境适应和真实场景决策仍存在不足，更适合作为渗透测试副驾驶。未来

一56-

胁狩猎假设和排查查询。

恶意软件分析涉及样本分类、行为分析、家族识别、配置提取和攻击意图判断。AI可

结合文件结构、导入函数、字符串、代码片段、沙箱行为和网络连接，生成样本风险摘要，

解释混淆脚本、PowerShell命令、宏代码和恶意配置，并辅助判断样本家族和攻击链阶段。

但模型结论仍需与沙箱记录、人工逆向和威胁情报交叉验证。

1. 网络安全态势感知

态势感知面向组织整体安全状态、威胁趋势、资产风险和防护能力开展持续评估。传

统平台多展示资产数量、漏洞数量、告警数量、攻击来源和风险评分，容易停留在静态看 板层面。AI可对资产、漏洞、告警、威胁情报和处置结果综合建模，识别主要风险来源、 攻击趋势和潜在扩散路径，并生成差异化摘要。总体来看，AI赋能安全数据分析的重点， 是将分散、复杂、异构的数据转化为可理解、可关联、可验证的安全知识。

实际应用中，态势感知可形成分层输出机制。AI向一线分析人员提供可操作的线索、

查询建议和事件关联结果，向安全管理人员汇总风险趋势、整改进度和资源使用情况，向 组织决策层呈现关键业务影响及风险变化。各层级输出均需保留数据来源、分析过程和人 工确认记录，确保态势结论能够追溯和复核。

4.1.4AI驱动网络安全技术创新

AI在网络安全领域的应用正在从单点工具增强走向体系化技术创新。随着大语言

模型、多模态模型、智能体、知识图谱和自动化编排技术发展，AI正在深入安全运营、 漏洞挖掘、威胁狩猎、应急响应、安全开发和人才培养等环节，推动安全技术体系持续

演进。

1. 大模型与安全智能体

大模型在网络安全中的价值，体现在自然语言理解、代码理解、知识推理和工具调用 的结合。它能够理解日志、告警、代码、脚本和情报报告，并生成查询语句、分析摘要、检 测规则、修复建议和处置方案。安全智能体更强调任务自标、工具调用、过程规划和结果 反馈，可调用日志平台、情报库、检测系统、扫描器、沙箱和工单系统，完成调查、验证和

报告输出。

1. 多模态与知识图谱融合

网络安全数据具有明显多模态特征，既包括结构化日志和告警，也包括代码、脚本、 二进制样本、网络包、系统截图、钓鱼邮件、配置文件、漏洞公告、情报报告和工单记录。 多模态AI可同时分析文本、代码、图像、表格和行为序列，突破单一日志或样本的限制。

-58-

4.2.1AI安全工具使用能力分析

1. AI工具操作核心能力认知

AI安全工具操作环节中，结果校验、模型微调、提示词工程是三大核心技术模块，结 果校验、模型微调、提示词工程和多工具集成是四项核心能力模块，各环节占比分别为：

结果校验（人工纠偏与真伪判定）41%，模型微调（针对特定任务的模型微调）27%，Prompt

Engineering（精准描述需求）22%，多工具集成与自动化流转10%。数据分布说明，从业者

普遍认识到AI输出存在不确定性，人工校验与判断仍是AI工具使用链条中的核心环节。

如图4-1所示。

41%

10%

22%

■多工具智能自动流转

• ■PromptEngineering（精准描述需求）
• ■模型微调（针对特定任务的模型微调）
• ■结算校验（人工纠编与真伪判定）

27%

图4-1AI安全工具操作核心能力模块

这一发现与ISC2的调研结论方向一致，《2025年ISC2网络安全劳动力研究报告》（2025

ISC2CybersecurityWorkforceStudy）显示仅28%的企业真正集成了AI安全工具，69%仍

处于评估或测试阶段，全球范围内AI工具尚处于早期渗透期。

组织类型差异进一步丰富了上述结论。互联网与AI大模型研发企业对Prompt Engi

大模型的业务特征相符。安全产品与服务提供商在多工具集成与自动化流转方面的重视度

15.2%）领先于其他类型组织。政府部门对结果校验的重视度最高（54.5%），该类组织对

输出准确性和合规性有更严格的要求。见表4-1。

1. AI工具在实际安全场景中的赋能效果

调研发现，AI工具已在安全运营的多个场景中产生实质性助益。从实际落地情况看，

海量日志审计与告警降噪的选择比例最高，达58%；安全事件自动化响应次之，为48%；

自动化漏洞挖掘与分析占35%；恶意代码行为分析与逆向占28%。人均选择约1.7项，说

— 09 —

第四章‧网络安全人才AI赋能能力分析

表4-1不同组织类型AI工具核心能力认知对比

明多数受访组织已在两个左右的安全场景中受益于AI工具。如图4-2所示。

日志审计与告警降噪的领先地位与当前安全运营自动化的需求高度吻合。该场景具 有数据量大、规则明确、重复性高的特点，是AI工具天然的优势领域。相比之下，漏洞挖 掘和恶意代码分析涉及更深层次的推理与判断，AI的渗透率仍有较大提升空间。从方向 上看，这一场景分布与国际调查所呈现的运营自动化偏好相近，但场景定义和统计口径不

同，以下仅作趋势参照：ISC22025年的调查显示，AI在网络安全领域影响最大的前两个

场景分别为网络监控（60%）和端点保护（56%），均为运营自动化密集型场景。

海量日志审计与告警降噪 $ 8%

安全事件自动化响应 48%

自动化漏洞挖掘与分析 359

恶意代码行为分析/逆向 28%

0% 10% 20% 30% 40% 50% 60% 70%

图4-2AI工具在各安全场景中已产生实质性助益的覆盖率

1. AI辅助效率提升满意度评估

调研从漏洞挖掘、响应处置、合规文档编写、威肋狩猎与流量分析四个场景，以五级 量表测量了从业者对AI辅助效率提升的满意度。数据表明，从业者对AI的整体满意度较

高，四维度满意率分布在67%至78%之间。

漏洞挖掘效率的满意率最高，达到78%（满意49%，很满意29%）。合规文档编写以

75%（满意44%，很满意31%）紧随其后，表明AI在标准化、重复性较高的任务中获得了

较高的认可度。

61-

网络安全人才实战能力报告一 一AI赋能篇

威胁狩猎与流量分析满意率为68%（满意40%，很满意28%），响应处置速度为67%

（满意41%，很满意26%），反映出从业者对AI在复杂分析、实时决策等场景中的效率提

升认可度相对较低，仍有明显提升空间。四维度的不满意率均在6%以内。如图4-3所示。

100% 5% 6%

18%

20% 80%

27% 27%

49% 44%

40% 41% 40%

20%

0%

29% 31% 28% 26%

漏洞挖掘效率 合规文档编写 威胁狩猎/流量分析 响应处置速度

■很满意 ■满意 ■一般 ■不满意 ■很不满意

图4-3AI辅助各安全任务效率提升满意度分布

与国际调查相比，中国调研显示的任务满意率整体较高，但两者的指标、样本和调查

口径并不完全一致，以下仅作趋势参照。《2025年ISC2网络安全劳动力研究报告》中，63%

的受访者报告AI提升了团队效能。

需要指出的是，2025年国际调研中AI工具的实际采用率较低（28%），大量企业仍处

于评估与测试阶段，满意率的差异可能部分源于近一年来AI技术的快速发展，此外还可

能与中国部分行业在AI工具部署上的先行先试有关。如图4-4所示。

100

81

■中国 (本调研) 80 73

69 ■国际（ISC2/SANS等）

67

60

47 48

39 40

37

归一化数值(0-100)

20

16

AI效率提升 AI工具实际 AI技能 大型企业AI 公共部门AI

满意率 采用率 缺口感知 领先度 准备度

图4-4 中外AI安全人才能力调研核心指标对比

62-

网络安全人才实战能力报告一一AI赋能篇

1. 能力进阶的核心瓶颈分析

针对阻碍AI能力进阶的最主要瓶颈，调研结果显示：47.5%的受访者认为算力成本高

昂、个人难以搭建实验环境，26.8%选择了跨学科门槛高、缺之算法基础知识，18.6%选择

了业务工作压力大、缺乏系统学习时间，7.1%选择了行业缺乏权威的AI安全能力水平认

证。

算力成本以近半数的占比成为最首要应该突破的瓶颈，这一发现揭示了AI安全能力

建设的普惠性挑战：算力成本已成为制约个人从业者与中小企业大规模技能提升的首要 瓶颈，算力获取的可及性问题值得重点关注。跨学科门槛位列第二，表明安全从业者在 向AI领域拓展时，算法与机器学习基础知识的缺乏构成了实质性的学习壁垒。如图4-5

所示。

50%

47.5%

40%

26.8%

20% 18.6%

10%

7.1%

0%

算力成本高昂 跨学科门槛高 业务工作压力大 行业缺乏权威的 个人难易搭建实验环境 缺乏算法基础知识 缺乏系统学习时间 AI安全能力水平认证

图4-5AI安全能力进阶最主要瓶颈分布

在国际对标方面，Fortinet《2025年全球网络安全技能缺口报告》（2025GlobalCyberse

curitySkillsGap）指出，48%的企业将AI与机器学习技能短缺列为首要问题。中国调研中

以算力成本为首要瓶颈（47.5%），国际调研中以技能缺口为首要问题（48%），这一差异可

能反映了中国GPU算力资源供给的结构性约束，也可能提示国际企业在AI技能培训方面 面临同等严峻的挑战。两种障碍本质上具有互补性：算力是硬件基础，技能是人力基础、

两者共同构成了AI安全能力建设的供给侧短板。

4.2.3不同组织与人员特征的能力差异分析

1. 组织类型维度的能力差异

本调研将受访组织划分为四类：互联网与AI大模型研发企业（占30.7%）、关键信息

— 64 -

基础设施单位（占42.8%）、网络安全产品与服务提供商（占23.3%）、政府部门与监管机构

（占3.2%。以下从AI工具使用认知、效率提升满意度、核心瓶颈、未来AI地位和资源投

入五个层面展开对比（见表4-2、表4-3）。

• 表4-2不同类型组织AI安全能力多维度对比
• 表4-3不同类型组织AI赋能资源投入对比

在AI工具使用认知上，互联网与AI企业对PromptEngineering的重视度最高（32.7%）

显著高于关基单位（16.6%），与其深度使用大模型的日常业务特征相符。关基单位和安全

厂商对模型微调的重视度接近（32.4%和34.2%），均高于互联网与AI企业（14.4%），反映

出这两类组织更看重AI工具在具体业务场景中的定制适配能力。

在效率提升满意度上，关基单位在全部四个维度的满意率均处于最低或次低水平，特

别是在威胁狩猎（63.4%）方面，与互联网与AI企业及安全厂商（均为72%）的差距约9个

百分点；响应处置（61.4%）与安全厂商（73.4%）的差距达12个百分点，与互联网与AI企

业（68.3%）的差距约7个百分点。关基单位通常承担严格的合规要求和重保任务，对AI工

• 65 -

网络安全人才实战能力报告一AI赋能篇

80% 82% 80% 76%

77% 72%

80% 77%

72%73%

73% 68%

72%

63%61% 60% 54% 54%

40%

20%

0%

互联网/AI 网络安全产品 关键信息 政府部门 大模型研发企业 服务提供商 基础设施单位 监管机构

■漏洞挖掘 ■合规文档编写 ■威胁狩猎流量分析 ■响应处置速度

图4-6不同组织类型AI辅助效率提升满意率对比

具的可靠性和可控性要求更高，这可能是其满意率偏低的一个重要原因。政府部门对合规

文档编写较为满意，但在漏洞挖掘以及威胁狩猎上抱有更高的期望。如图4-6所示。

在核心瓶颈认知上，关基单位的算力成本瓶颈最为突出（54.5%），明显高于互联网与

AI企业（43.3%）和安全厂商（41.8%）。政府部门的业务工作压力占比最高（45.5%），在四

类组织中唯一以工作负荷为首要瓶颈。

在未来AI地位预期上，安全厂商认为AI是重要增效手段、仍需专家深度参与的占比

最高（67.1%，关基单位次之（55.9%。认为AI将占据核心主导地位、替代大部分基础人

力的比例，以互联网与AI企业最高（31.7%），安全厂商最低（12.7%）。安全厂商作为AI安

全工具的研发与交付方，对AI能力边界和局限性有最直接的体验，其相对审慎的判断具

有参考价值。

在资源投入上，互联网与AI企业在商业大模型工具使用授权（56%）和私有化算力部 署（38%）两个指标上领先，这与其较高的资源投入水平相一致。关基单位在行业与内部

脱敏高质量语料库建设方面最为积极（57%），但私有化算力部署（19%）和专项技能培训

（21%）两项投入偏低。政府部门在专项技能培训上的投入比例最高（45%），但算力资源

最为匮乏（私有化部署仅18%）。

国际调查可提供企业规模和公共部门的外部参照，但其分类与本调研并不完全对应。

— 99 -

《2025年ISC2人工智能采用趋势调查》（2025ISC2AIAdoptionPulseSurvey）显示，万人

以上大型企业AI工具采用率为37%，而百人以下微型企业仅为20%；政府部门整体采用率

最低（16%）。《2025年全球网络安全展望》（GlobalCybersecurityOutlook2025）指出，49%

的公共部门缺乏足够人才实现网络安全目标。这些结果可作为外部趋势参照，但由于分 类、样本和指标口径不同，不宜直接与本调研进行数值比较。

1. 企业规模维度的能力差异

以漏洞挖掘效率满意率为观测指标，以漏洞挖掘效率满意率为观测指标，不同规模企

业呈现出明显的组间差异（见图4-7a）：500至2000人企业满意率最高（85.7%），2000人以

上企业次之（81.1%），100人以下企业为76.8%，100至500人企业最低（74.8%），最高与最

低组相差10.9个百分点。其中100至500人企业既不具备大型企业的算力预算优势，也缺

乏小微企业的决策灵活性，处于能力建设的相对薄弱地带。

1. 从业年限维度的能力差异

按从业年限分组，漏洞挖掘效率满意率呈现5至10年组最高（83.3%）、10年以上组最

低（58.3%）、3年以下组（78.0%）和3至5年组（77.6%）居中的分布（见图4-7b）。10年以上

资深从业者的满意率（58.3%）显著低于其他组别，与满意率最高的5至10年组（83.3%）差

距达25.0个百分点，与3年以下（78.0%）和3至5年（77.6%）组相比也低约20个百分点。

这一现象可能源于两方面因素：资深人员对AI工具能力边界的判断标准更为严格，在长 期实践中形成了对工具可靠性的更高期待；同时，资深群体在跨学科转型过程中可能面临 更大的学习成本与适应阻力。

95%

90%

90%

83.3% 85.7%

78.0%

85% 80%

77.6% 81.1%

76.8%

74.8% 70% 满 75%

意率

58.3% 70% 60%

65%

50%

510年 3年以下3—5年 10年以上

a.按企业规模 b.按从业年限

图4-7漏洞挖掘效率满意率:企业规模与从业年限维度对比

67 -

4.3网络安全人才A能力ASK-P体系

本章节选取低空、区块链、人才训练、工业控制、数据跨境和AI系统安全六个具有代 表性的应用对象，用于展示ASK-P在不同风险类型和业务对象中的适配方式；六个场景不

构成完整场景清单，后续可按同一框架扩展。为便于横向比较，各场景统一从A（意识）、

S（技能）、K（知识）、P（实践）四个维度描述，并根据场景风险设置评价重点。表中权重

用于示例说明，具体应用前还需结合试测和专家校准。

4.3.1AI辅助低空漏洞挖掘和安全攻防场景

AI辅助低空漏洞挖掘和安全攻防场景，主要面向无人机、eVTOL、低空飞行器、地面

站等相关业务系统的安全评估、漏洞挖掘和攻防演练。在该场景中，AI可以辅助完成低

空资产识别、攻击面梳理、漏洞线索发现、协议与接口分析、代码审计、固件分析、测试

用例生成、攻击路径推演、风险报告撰写和修复建议生成等工作。AI的引入能够提升漏

洞挖掘效率和攻防分析深度，但其输出结果仍存在不确定性，不能直接替代安全人员的

专业判断。

在低空安全人才培养方面，部分高校已开展面向智能无人系统安全的课程建设与实 践探索。西安电子科技大学构建《智能无人系统》课程，面向网络空间安全、低空技术与 工程等相关专业，聚焦低空经济、智能无人系统和国家安全领域的发展需求，围绕无人机 系统安全这一核心方向，融合飞行控制、导航定位、无线通信、人工智能、网络安全、密码 学和可信计算等多学科知识，构建“基础知识一核心原理一安全分析一工程实践”四层递

进式课程体系。课程以无人机控制原理为基础，将飞控安全、通信安全、可信启动、安全 通信、集群控制、异常检测等关键技术有机融合，依托自主研发的教材、半实物仿真平台 和真实实验平台，采用“理论教学、仿真验证、攻防演练、科研创新”相结合的教学模式， 培养学生在智能无人系统安全分析、攻防测试、安全防护和工程设计等方面的综合能力， 为低空经济发展、无人智能作战和智能无人系统产业培养具有创新能力和工程实践能力 的高层次复合型人才。

表4-4展示了AI辅助低空漏洞挖掘和安全攻防场景人才AI能力的评价维度、评价方法

以及分层级权重划分。

评价维度。本场景对人才的评价过程中，应重点考察人才是否能够理解低空业务系统

的安全边界，是否能够利用AI辅助提升漏洞挖掘和攻防分析效率，是否能够对AI输出进

行人工复核，是否能够形成可验证、可复盘、可交付的安全成果。

一 68 -

表4-4AI辅助低空漏洞挖掘和安全攻防场景人才AI能力评价权重表

评价方法。本场景的评价方法采用笔试、答辩、场景实操、机考、证书核验、成果材

料评审等方式综合开展。A（意识）维度主要通过案例笔试和现场答辩，考察人才是否具 备低空安全责任意识、授权测试意识、公共安全意识、数据合规意识和AI工具审慎使用意 识；S（技能）维度主要通过仿真靶场、场景实操或机考，考察人才能否利用AI辅助完成资 产梳理、攻击面分析、漏洞线索发现、测试脚本生成、漏洞验证和攻防路径推演；K（知识） 维度主要通过客观题与主观题结合的笔试方式，考察人才对网络安全基础、漏洞原理、低 空系统架构、通信链路、飞控系统和AI基础知识的掌握情况；P（实践）维度主要通过项目 材料、测试报告、工具成果和答辩评审，考察人才是否能够在授权环境下完成低空安全评 估、攻防演练、风险复盘、修复建议和工程化交付。

分层级评价权重划分。从权重设置看，初级岗位以K（知识）为主，强调人才对低空

系统、安全基础和AI基础能力的理解；中级岗位逐步提高S（技能）和P（实践）比重，强 调独立测试、场景分析和任务交付能力；高级岗位以P（实践）为核心，同时保持较高的S （技能）权重，突出复杂场景攻防设计、工程化建设和产品化成果输出能力。

— 69 -

4.3.2AI辅助区块链安全运营与告警研判场景

AI辅助区块链安全运营与告警研判场景，主要面向公链、联盟链、智能合约、区块链

应用平台的安全运营工作。在该场景中，AI可以辅助完成告警聚合、异常交易识别、链上 行为分析、智能合约风险摘要、研判报告编写等任务。通过AI对链上数据与日志信息进行 关联分析，可以提升告警研判效率，降低重复性分析成本，并帮助安全运营人员更快识别

真实风险。

AI生成的研判结论不能直接作为最终处置依据，重要处置动作必须经过人工复核和

流程审批。表4-5展示了AI辅助区块链安全运营与告警研判场景人才AI能力的评价维度、

评价方法以及分层级权重划分。

评价维度。本场景对人才的评价过程中，应重点考察人才是否能够利用AI提升告警 研判效率，是否能够结合链上链下证据形成准确判断，是否能够识别AI误判、漏判和不当 处置风险，是否能够形成持续优化的规则库、案例库和知识库。

表4-5AI辅助区块链安全运营与告警研判场景人才AI能力权重评价表

70-

系统思维、实践能力、安全意识和工程责任的复合型人才。该课程将系统认知、专业知识、 实验技能和安全实践贯通，为大模型相关人才的场景化培养与综合能力评价提供了实践

参考。

表4-6展示了AI辅助网络安全人才训练与靶场内容生成场景人才AI能力的评价维度、

评价方法以及分层级权重划分。

评价维度。本场景对人才的评价过程中，应重点考察人才是否能够利用AI辅助完成 训练内容生成和靶场场景构建，是否能够对AI生成内容进行人工审核，是否能够保证训

练任务与岗位能力目标一致，是否能够形成可复用、可迭代、可运营的靶场内容体系。

评价方法。本场景的评价方法采用方案评审、实操考核、内容审核和成果答辩相结合 的综合评价方式。A（意识）维度主要通过笔试和答辩，考察人才是否具备教育责任意识、 内容合规意识、AI安全使用意识、数据脱敏意识和公平评价意识；S（技能）维度主要通 过训练任务生成、靶场环境编排、攻防剧本设计、日志样本生成和自动评分配置等实操任 务，考察人才能否利用AI辅助完成课程设计、题目生成、环境配置、评分规则编写、学习

表4-6AI辅助网络安全人才训练与靶场内容生成场景人才AI能力评价权重表

72—

在意识层面，从业者需突破传统信息安全范畴，树立“安全与生产并重”的底线思 维。在工控环境中，一次误报（如将正常振动误判为攻击并触发停机）造成的损失可能高 于一次漏报。因此，从业者须对任何可能中断生产的AI输出保持高度审慎，清醒认知AI 模型在处理含噪声、非平稳OT物理信号时的天然局限，坚守“最小干预”原则，AI应定位 为辅助决策工具而非自动执行者，所有自动化响应均需人类最终确认。

在知识范畴，合格的安全专家应是“OT+IT+AI”复合型人才：既需掌握工控协议与

PLC、DCS运行机制等OT基础，又需熟悉IEC62443等工业控制系统安全标准与威胁模

型，更需理解LSTM等时序模型识别异常模式、孤立森林与自编码器进行无监督检测的AI

原理。同时须熟知《网络安全法》《数据安全法》及关键信息基础设施相关规定，确保AI

部署合规。ISO/IEC42001:2023为构建这一知识体系提供了顶层框架。

在技能维度，核心要求在于可解释性与低侵入性。因OT工程师需快速明确警报成因，

相关人才应熟练运用SHAP、LIME等工具将模型决策转化为可读说明。同时，工业边缘设

备资源有限，掌握TinyML等轻量化部署技术对降低延迟、减少对主控系统的依赖至关重

要。此外，人才须具备在数字李生环境中复现SCADA拒绝服务、PLC篡改等攻击并验证

AI防御模型的能力。

在实践领域，鉴于工控系统具备高风险、高成本特性，实践应聚焦数字李生仿真攻防 演练，在“零风险”环境中检验AI监测与响应机制的效能。同时须建立IT安全、OT运维 与AI算法专家的常态化协作机制，共同制定模型更新策略与应急预案，并将关键性能指 标纳入绩效考核，形成持续改进闭环。腾讯云在智慧水务等领域的实践案例表明，AI风险 预警的落地必然历经大量实践迭代。

4.3.5AI赋能的数据跨境流动安全

全球数字经济时代，数据已成为第五大生产要素，其安全有序跨境流动是推动国际贸 易与技术创新的关键。然而，各国出于数据主权、国家安全与隐私保护的考量，相继建立

了复杂的数据出境监管体系。我国密集出台《网络安全法》《数据安全法》《个人信息保护 法》，配套发布《数据出境安全评估办法》《个人信息出境标准合同办法》等规范性文件， 形成了以“安全评估、专业认证、标准合同”为核心的多层次监管格局。在此背景下，AI 技术呈现出显著的双重属性：一方面可助力企业自动化识别、分类海量数据，提升合规工 作效率；另一方面，将包含隐私或商业秘密的数据输入通用大模型时，存在极高的数据泄 露风险。如何依托AI提升合规效率的同时保障数据安全，是数据跨境安全领域的核心矛

盾。本节基于ASK-P框架，对解决该矛盾所需的核心能力展开分析，见表4-8所示。

一74一

第四章网络安全人才AI赋能能力分析一

表4-8AI赋能的数据跨境流动安全ASK-P维度评价表

在意识层面，从业者须具备高于普通技术人员的法律意识与政治敏感性，树立“数据 主权”与“合规至上”的红线意识。数据跨境并非单纯技术或商业问题，而是严肃的法律 与政治议题，违规操作可能导致巨额罚款乃至刑事责任。从业者不仅需熟知“三驾马车” 确立的基本原则，还应深入研习配套规章细节，明确何种数据、何种情形需申报安全评 估，何种可采用标准合同。更关键的是，数据一旦跨境，后续处理将受接收国法律约束， 引发不可预知的合规与安全风险。因此，对任何未经严格去标识化的敏感数据跨境行为，

必须保持高度警觉。

在知识领域，从业者需构建“硬约束”与“软联通”兼备的复合型知识体系。一方面， 全面掌握中国数据分类分级制度及重要数据识别指南，精准界定重点保护范围；另一方

面，熟知GDPR、CCPA等主要经济体法规，设计全球通用合规方案。同时，应掌握差分隐

私、联邦学习、同态加密等隐私增强技术的原理与适用场景，深入理解《个人信息出境标

准合同办法》具体条款。NIST隐私框架与AI风险管理框架（AIRMF）为构建此类复合知

识体系提供了良好参考。

在技能范畴，AI的核心价值在于依托模式识别与自然语言处理，实现海量异构数据 的自动化合规处理。从业者须能配置训练AI模型自动扫描存储系统，精准识别PI、财务 数据等敏感信息并完成自动分类打标；精通泛化、抑制、扰动等多种脱敏策略并可灵活组

合运用一一如统计分析数据可采用差分隐私添加噪声，模型训练数据可运用联邦学习实现

“数据不动模型动”；同时具备评估第三方AI合规工具的有效性与潜在风险的能力。

在实践领域，数据跨境是贯穿数据全生命周期的持续性管理活动，核心在于构建可审

-75-

计、可监控的闭环体系。首要任务是设计覆盖数据产生、处理、传输及销毁全过程的日志 审计系统，确保每一次数据出境皆有迹可循。其次，建立定期内部合规审查机制并引入第 三方独立评估。最为关键的是构建出境后动态监控机制，当接收方的法律环境发生变化， 或出现《数据出境安全评估办法》第十四条规定的需重新申报情形时，企业须及时启动应 急预案。这种兼具前瞻性与动态性的管理实践，是企业在复杂国际数据流动环境中稳定运

行的根本保障。

4.3.6AI系统自身的安全防护

随着AI技术在金融、医疗、交通、政务等关键领域实现规模化部署，AI系统已从被动 工具转变为具备决策能力的“资产”，其自身安全已成为战略性问题。攻击者可通过数据

投毒、对抗样本攻击、模型窃取、提示注入及后门植入等多种路径发起攻击。ENISA《2024

年AI威胁态势报告》显示，针对AI模型的攻击事件年增长率超过140%，部分攻击已在生

产环境造成实质性损失。与此同时，我国《生成式人工智能服务管理暂行办法》等法规已 对内容安全、数据合规提出明确要求。该领域要求网络安全人才跨越网络安全与机器学习 的学科边界，具备全生命周期AI风险治理与实战化对抗能力。本节基于ASK-P框架对该 高阶能力模型展开分析。

如表4-9所示，在意识层面，从业者需完成从传统软件漏洞视角向“AI资产”视角的

深刻转变，建立全局性、前瞻性的风险治理意识。AI模型不仅是代码与参数权重的集合，

表4-9AI系统自身的安全防护ASK-P维度评价表

-76-

第四章网络安全人才AI赋能能力分析

还蕴含训练数据的分布特征与内在逻辑，属于高价值敏感资产，其数据采集、训练、部署、 监控直至退役的全流程均需保持同等程度的风险警惕。从业者需突破纯技术视角的局限， 明确AI安全交织法律、伦理与社会责任维度。一处看似无涉的模型偏见，即可在信贷审批 或人员招聘环节引发歧视性后果。更需警惕AI被恶意操控引发的系统性风险，例如被植

入后门的医疗诊断模型，其危害程度远超传统IT系统。NISTAIRMF与ISO/IEC42001均

强调全生命周期风险管理理念，为培养该全局意识提供了理论指引。

在知识范畴，本场景是各场景中知识壁垒最高的领域，要求从业者同时具备攻防能

力。攻击层面，需深入掌握FGSM、PGD等对抗样本生成技术，以及数据投毒、模型窃取、

后门攻击等复杂攻击模式；防御层面，需掌握对抗性训练、输入净化、梯度遮蔽、鲁棒性

验证等安全加固技术。治理层面，需熟知NISTAIRMF[10]、ISO/IEC42001等国际框架，

准确理解《生成式人工智能服务管理暂行办法》中关于内容安全、数据来源、标注规范的

强制性要求。此外，持续跟踪PETs与可解释性AI的最新发展，也是构建完整知识体系的

必要环节。

在技能层面，核心在于“以攻促防”的实战能力。第一，AI模型渗透测试能力：熟练

运用微软PyRIT、IBMART等红队工具主动探测系统脆弱性边界，覆盖对抗样本生成、提

示注入设计及模型窃取尝试等环节。第二，定量鲁棒性评估能力：通过攻击成功率、准确

率下降幅度、置信度漂移等指标科学衡量模型安全水平。第三，多层纵深防御架构设计能

力：综合运用输入过滤、输出拦截、运行时监控、异常检测等技术，构建动态自适应防御

体系。

在实践层面，AI安全需构建持续、动态且常态化的治理运营机制。首先，上线前需主

导安全评估与红蓝对抗演练，输出结构化风险报告作为系统上线的否决依据。其次，上线

后建立运行阶段持续监控基线，实时检测对抗攻击并自动触发降级、告警或熔断等应急机

制。再次，积极参与AI漏洞披露与CVE申报，推动行业防御知识共享。最后，将AI安全

控制点系统嵌入DevSecOps流程及供应商采购审查标准，落实安全左移要求。

4.4 总结与建议

综合本章应用分析、调研结果和场景化建模可以看到，AI更适合承担重复性、标准化

和数据密集型任务，复杂研判、风险定级和高影响处置仍需安全人员核验和决策。当前人

才能力建设的重点，不是单纯增加工具数量，而是建立任务拆解、工具约束、结果验证和

一77-

方法沉淀的协同机制。

本章以ASK-P为共同框架，将不同场景的专业能力与AI协同能力结合起来；六个场

景作为代表性样例，而非完整场景清单，并根据业务对象、岗位层级和风险特征实施差异

化评价。

后续应进一步明确人机协同边界和自动化权限，完善人工复核、操作审计和风险控制 机制。同时，加强场景化实训、仿真靶场和案例资源建设，将AI工具应用、结果核验和复 杂任务处置纳入人才培养与评价，并根据技术演进和实际安全需求持续更新能力要求。

一78

网络安全人才实战能力报告一 一AI赋能篇

信息安全 60%

网络空间安全 55%

密码科学与技术 31%

信息对抗技术 %6l

其他2%

0% 10% 20% 30% 40% 50% 60% 70%

图5-1高校网络安全相关专业设置情况

已开设独立选修课，20%将相关内容融入传统课程，12%仍处于规划阶段。独立必修课和

独立选修课合计占68%。若将融合式教学计算在内，已有88%的院校以不同形式纳入AI

安全内容，如图5-2所示。

12%

34%

■独立必修课

20% ■独立选修课

• ■融合在传统课程中
• ■规划中

34%

图5-2AI安全专项课程开设情况

独立必修课占比较高，表明AI安全已不再局限于专题讲座或临时教学内容，而是进 入相对固定的课程安排。与此同时，必修课与选修课占比接近，说明不同院校对AI安全 课程的定位尚不一致：部分院校将其作为网络安全人才的基础能力，部分院校则将其作为 方向性或拓展性课程。

1. 不同专业AI安全课程设置情况

从专业领域看，网络空间安全专业开设独立课程的比例最高，为79%，其中独立必修

课为49%。信息对抗技术专业开设独立课程的比例最低，为68%，独立必修课仅41%。信

息安全专业和密码科学与技术专业开设独立课程比例分别为75%、73%。如图5-3所示。

-80-

第五章AI时代网络安全人才培养体系

信息对抗技术 41% 27% 27% 5%

密码科学与技术 42% 31% 18% %6

信息安全

33% %6%9

网络空间安全 49% 30% 10%11%

0% 10% 20%30% 40% 50% 60%70% 80% 90% 100%

• ■已开设独立必修课 ■融合在传统课程中
• ■已开设独立选修课 ■正在规划中，尚未正式开设

图5-3不同专业领域AI安全课程设置情况

上述差异与各专业学科定位密切相关。网络空间安全侧重整体安全架构，AI安全更 容易被纳入必修模块；信息对抗技术聚焦实战对抗，AI内容更适宜嵌入既有课程；密码科 学与技术与AI安全的结合仍处于前沿探索阶段，课程规划空间较大；信息安全专业则需 要在传统安全基础与新兴AI安全内容之间保持衔接，因此独立课程与融合式教学并存。 总体来看，各专业均已开始以不同方式布局AI安全课程，但课程边界和能力递进关系仍

需进一步明确。

课程覆盖程度提高的同时，“AI内容更新滞后”仍是当今网络安全人才实战能力培养 的主要矛盾。从院校的反馈来看，40%的高校教师认为“课程体系落后于技术更迭”是人 才培养面临的最大挑战。这说明高校课程体系建设中的痛点，已从“是否开设AI安全课 程”转向“如何构建动态迭代的课程内容”。高校要密切跟踪AI安全前沿风险类型与技术

手段的演进，及时将相关内容转化为可教学、可训练、可评价的课程单元。在后续课程建 设不仅要增加课程供给，还需要明确课程内容边界和先修关系，完善理论教学、实验实训 和考核评价的配套设计。

1. AI赋能教学模式的更新变革

AI技术不仅改变了网络安全的教学内容，也在深刻重塑教学方式和学习形态。随着

大语言模型、智能问答系统和开源社区的普及，学生获取基础知识的渠道已大幅拓宽，传 统以教师讲授为主的课程模式需要相应调整。

• 81 -

首先，教学资源的来源结构正在发生变化。调研显示，在“教学资源最紧缺的是什么” 的回答中，“配套的实操案例库与代码示例”和“行业真实攻击案例库”合计占比超过六成， 明显高于“体系化的理论教材”的选择比例，反映出高校对实践性、情境化学习资源的需

求更加突出。

其次，教师角色正在从知识传授者向学习引导者转变。当学生可以通过AI工具自主 获取基础知识和解决常见问题后，教师最需要的已不再是“如何讲好概念”，而是“如何

设计高阶学习任务”和“如何保持对前沿技术的敏感度。此外，“课程体系落后于技术更迭”

被列为高校培养AI安全实战人才面临的最大挑战之一，进一步说明课程建设的重心应从

“教什么”拓展到“怎么教”，从知识传授转向能力建构和个性化学习。

5.1.2实验体系建设现状

网络安全是一门实践性极强的学科，我国高校普遍以实验室为载体对学生开展AI安 全实训。大模型及AI应用的广泛使用使得安全威胁场景大幅拓展，也对高校的实验环境、 实验场景提出了更高要求。

1. 实验环境对于AI安全实训的支撑情况

调研数据显示，在AI安全实训方面，38%的高校具备基础实验环境，但算力受限， 仅能运行小型模型或简单脚本；26%的院校具备充足算力，可开展模型训练和对抗攻击实 验；18%无自有算力，主要依赖云端或第三方实训平台；16%的实验室仍仅支持传统网络 安全实验，2%的院校暂无网络安全实验室。这说明我国高校AI安全实验环境建设仍处于 “能开课、难实训”的初期阶段，算力不足是最突出的瓶颈，基础设施覆盖也存在明显缺

口，制约了实训教学的规模化推进。如图5-4所示。

16%

2%

18%

26%

• ■充足算力，可开展模型训练与对抗实验
• ■基础环境，算力受限
• ■依赖云端/第三方平台

• ■仅支持传统安全实验
• ■暂无网络安全实验室

38%

图5-4实验环境对AI安全实训的支撑情况

— 82 -

第五章‧AI时代网络安全人才培养体系■

1. 实验场景对于AI安全实训的支撑情况

从实验教学场景来看，55%的高校注重AI模型自身脆弱性检测，46%的高校更注重

AI赋能的攻防工具使用，37%的高校注重AI应用的合规与安全。这一分布反映了当前高 校对AI安全实验教学内容的优先级判断：模型安全问题已成为安全领域最紧迫的议题， 因此覆盖最广；AI赋能攻防工具使用次之，表明AI在自动化挖掘漏洞、渗透测试等方面 的突破，已经快速进入高校教学研究视野；而AI应用的合规与安全虽在理论教学中日益 受到重视，但转化为实验教学的比例仍有较大提升空间。如图5-5所示。

AI模型自身脆弱性检测

(投毒、对抗样本)

AI赋能的攻防工具使用

(AI自动挖掘漏洞)

AI应用的合规与安全

其他1%

0% 10% 20% 30% 40% 50% 60%

图5-5实验场景对于AI安全实训的支撑情况

5.1.3教材与教学资源建设情况

教材是课程内容的核心载体，也是连接培养方案与课堂教学的关键环节。AI安全涉

及机器学习、深度学习、对抗攻防、大模型安全等多个交叉领域，知识更新迅速，对教材 内容的时效性和体系性提出了较高要求。

1. 教材来源与使用情况

在AI安全教学中，50%的院校选用国内出版的最新教材，39%使用校企合作开发的 实战型讲义，38%翻译或参考国外原版教材，22%尚无固定教材，主要依靠教师自编课件 和开源资料。不同教材来源在实际教学中并行使用，说明不少院校已不再依赖单一教材 而是通过正式教材、实战讲义、国外资料和教师自编资源组合支撑教学，如图5-6所示。

国内教材占比最高，为课程内容规范化提供了基础；校企合作讲义和国外资料占比接 近四成，是补充前沿技术和真实案例的重要来源。仍有22%的院校主要依赖教师自编课 件和开源资料，反映出部分课程尚缺少稳定教材。

• 83-

国内出版社的最新教材 50%

校企合作开发的实战性讲义 39%

翻译/参考国外原版教材 38%

教师自编课件和开源资料 22%

0% 10% 20% 30% 40% 50% 60%

图5-6AI安全教学教材来源情况

1. 不同课程体系建设阶段的资源差异

在已经开设独立课程（包括开始独立必修课、独立选修课）的院校中，59%选用国内 最新教材，45%参考国外原版教材，44%使用校企合作讲义，主要依赖教师自编课件和 开源资料的比例为14%。在融合式开设和规划中的院校中，主要依赖教师自编课件和开源

资料的比例分别为40%和41%，如图5-7所示。

这一差异说明，课程体系建设阶段与教学资源稳定性具有较强关联。必修课／选修课 通常具有明确的教学目标、学时和考核要求，更容易形成正式教材、专题讲义和配套实验； 融合式教学或规划阶段的课程则需要依靠教师快速整合公开资料，以适应尚未定型的课

程体系。

59% 国内出版社的最新教材 129%

133%

1 44% 校企合作开发的实战型讲义 33%

22%

45% 翻译参考国外原版教材 33%

7%

14%

教师自编课件和开源资料 40%

141%

0% 10% 20% 30% 40% 50% 60%

■已开设独立课程 ■融合式开设 规划中

图5-7不同课程建设阶段的教材来源情况

第五章AI时代网络安全人才培养体系一

1. 教学资源紧缺情况

在教学配套资源方面，35%的高校认为AI安全教学最缺少配套的实操案例库与代码 示例，24%的高校认为最缺少行业真实攻击案例库；认为最缺少实验指导书与视频资源、

体系化理论教材、教学评估或考试题库的高校，分别占比21%、18%、2%，如图5-8所示。

实操案例、真实攻击案例和实验指导资源合计占80%，说明当前资源短板主要集中在

“如何把知识转化为可操作训练”，而不仅是理论教材数量不足。

配套的实操案例库与代码示例 35%

行业真实攻击案例库 24%

教学用实验指导书与视频资源 21%

体系化的理论教材 18%

教学评估考试题库2%

0% 10% 20% 30% 40% 50%

图5-8AI安全教学资源紧缺情况

5.1.4师资队伍建设情况

师资队伍是高校网络安全人才培养体系的核心支撑。AI安全教学同时涉及网络攻防、 系统与软件安全、人工智能技术等，单一学科背景难以覆盖全部内容。当前高校主要通过 原有网络安全教师学习AI技术、人工智能教师跨界研究安全、组建跨学科团队以及引I入 行业专家等方式补充师资。

1. 教师背景结构

在高校从事AI安全教学教师的背景方面，45%的教师来自传统网络安全背景，通过

自学或培训研究AI安全；28%的教师来自人工智能或机器学习背景，后跨界研究安全； 21%具备安全与算法双重经验；以企业专家作为校外导师或兼职教师为主要来源的比例

为5%，如图5-9所示。

传统网络安全教师和人工智能教师跨界转型合计占74%，说明当前师资建设主要依 靠既有教师扩展知识边界。传统网络安全教师具有安全基础和攻防经验，但需要补充算法

-85-

网络安全人才实战能力报告 一AI赋能篇

21%

5%

45%

• ■传统网络安全背景转型
• ■人工智能/机器学习背景跨界

• ■安全与算法双重背景
• ■企业专家校外导师或兼职教师

28%

图5-9 AI安全教学教师主要背景

原理、模型训练和大模型应用机制；人工智能教师熟悉模型和数据处理，但需要进一步理 解安全工程流程、攻击路径和合规要求。兼具安全与算法经验的教师占21%，尚未成为师

资主体。

1. 师资能力提升障碍

在师资能力提升障碍方面，37%的院校认为最突出的问题是缺乏产业界真实的AI安 全实战经验，27%认为教学任务繁重、缺少前沿技术迭代时间，27%认为跨学科知识沉淀

不足、难以兼顾AI与安全，10%认为学校专项投入不足，如图5-10所示。

前三项合计占90%，表明师资问题主要表现为知识结构、工程经验和持续学习时间不 足。AI安全技术更新较快，教师需要同时承担教学、科研和实验平台维护任务，单次培训

难以解决能力更新问题。

缺乏产业界真实的AI安全实战经验 37%

教学任务繁重，缺少前沿技术送代实践

跨学科知识沉淀不足，难以兼顾AI与安全

学校专项投入不足 10%

0% 10% 20% 30% 40%

图5-10师资队伍AI安全教学能力提升障碍

网络安全人才实战能力报告一 一AI赋能篇

合仍是当前的主要短板。

1. 典型合作模式

当前校企合作已形成多种典型模式，占比排名前五的合作模式依次为：企业导师进课

堂/讲座（50%）、共建AI安全实验室/靶场（50%）、联合开发AI安全课程/教材（35%）

订单式专班培养（25%）和产学研联合攻关（23%）。如图5-12所示。

良好的运行机制是保障产教融合的关键。院校最具亮点的做法方面，课程共建是最主 要的合作形式，43%的院校与企业共同开发AI安全课程；39%的院校与企业共同选拔网

络安全实战人才；38%的院校推行双导师制；34%的院校和企业共同建立了竞赛实训联

动机制；仍有15%的院校反映暂无明确运行机制。如图5-13所示。

企业导师进课堂 50%

共建AI安全实验室/大模型供方平台 50%

联合开发AI安全课程/教材 35%

订单式专班培养

产学研联合攻关 23%

企业提供实习岗位 7%

0% 10% 20% 30% 40% 50% 60%

图5-12 校企合作主要模式分布

校企共同制定课程体系 50%

校企共同考核学生实战能力 39%

双导师制(校内导师十企业导师) 38%

校企共建竞赛/实训项目 34%

暂无明确运行机制 15%

0%5%10%15%20%25%30%35%40%45%

图5-13 院校校企合作亮点做法

第五章‧AI时代网络安全人才培养体系■

1. 产教融合成效与瓶颈

在网络安全人才实战能力提升方面，34%的高校认为学生通过产教融合，在“复杂 AI安全工具的熟练使用”方面有明显提升；33%的高校认为学生在“解决真实场景安全问 题的逻辑能力”方面有显著提升；27%的高校认为学生提升了“行业前沿威胁的敏感度”。

如图5-14所示。

用人单位同样认可产教融合对网络安全人才实战提升的积极作用。在各类合作模式

中，用人单位最认可的模式依次为“深度实习实训，参与企业一线AI安全项目”（44%)“举

办模拟真实环境的AI攻防竞赛”（33%），“校企联合实验室，承接真实科研课题”（17%）

和“企业专家进校园，讲授实战案例课”（6%），如图5-15所示。这说明企业更看重真实

任务、真实环境和真实评价，而不仅是课堂讲授或短期交流。

6%

34%

27% ■复杂AI安全工具的熟练使用

• ■解决真实场景安全问题的逻辑能力
• ■行业前沿威胁的敏感度
• ■团队协作与工程化实践能力

17%

33%

33%

图5-14产教融合实战能力提升效果

6%

44%

■深度学习实训，参与企业一线项目

• ■举办模拟真实环境的AI攻防竞赛
• ■校企联合实验室，承接真实科研课题
• ■企业专家进校园，讲授实战案例课

图5-15企业最认可的产教融合模式

-89-

网络安全人才实战能力报告一AI赋能篇

但当今产教融合仍面临多重结构性障碍。院校侧反映最大的障碍为“算力／平台采购

成本高，实践环境投入不足”（32%）其次为“缺乏同时懂AI和安全的双师型师资（31%合

作流于形式，深度不够”（18%）、“企业不愿开放真实数据和案例”（15%），如图5-16所示。

用人单位则将“缺乏支撑大型模型实验的算力与环境”列为首要瓶颈（40%），其次为

“缺乏统一的人才实战能力评价标准”（35%）“教学内容与产业界实际需求严重脱节”（15%)

人才供需双方在“算力资源不足”上高度共鸣，反映出AI安全实训的基础设施建设是当

前产教融合的共同短板，如图5-17所示。

1. 供给侧核心诉求

院校对企业支持的核心诉求集中在提供高性能算力平台访问权（32%、开放真实业务

场景的安全数据（29%）、建立长效的毕业生定向接收机制（28%）。数据与算力是AI安全实

训的基础条件，开放程度直接影响产教融合的深度与质量。如图5-18所示。

18%

4%

15% ■算力/平台采购成本高，实践环境投入不足

32%

• ■缺乏同时懂AI和安全的“双师型”师资
• ■合作流于形式，深度不够
• ■企业开放真实数据和案例难以获取

■暂无成熟的产教融合模式可供借鉴

31%

图5-16产教融合主要瓶颈(院校视角)

-90-

15%

35%

9%

40%

■缺乏支撑大型模型实验的算力与环境

• ■缺乏统一的人才实战能力评价标准
• ■教学内容与产业界实际需求严重脱节
• ■校企沟通成本高，合作模式流于形式

图5-17产教融合主要瓶颈(用人单位视角）

第五章‧AI时代网络安全人才培养体系

提供高性能算力平台访问权 32%

开放真实业务场景的安全数据 29%

建立长效的毕业生定向接收机制 28%

派遣资深技术专家参与教学方案制定 10%

0% 5% 10% 15% 20% 25% 30% 35%

图5-18院校最希望企业提供的支持

5.2.2竞赛与实战演练的育人成效

竞赛与实战演练是AI安全人才培养的重要补充手段，其“以赛促学、以战代练”的特 性恰好弥补了传统课堂教学在真实对抗场景上的不足。本节从竞赛参与情况、人才能力培

养实效、产教融合情况等维度，梳理当前竞赛与实战演练在育人方面的实际成效。

1. 竞赛参与的覆盖面持续扩大

院校学生参与网络安全竞赛的整体活跃度较高。经常组织参赛并获得奖项的比例为 44%，另有30%的院校学生偶尔参与但缺乏专项指导，两者合计超过七成。然而，竞赛内

容的结构性矛盾同样突出：15%的院校反馈学生“仅关注传统CTF竞赛”，4%的院校表示

“很少能看到AI安全竞赛”，这意味着当前竞赛仍以传统攻防为主，大模型安全检测、AI

智能体安全攻防、多模态伪造检测等新兴赛道的赛事供给明显不足。如图5-19所示。

4% 7%

■经常组织并获得奖项

15% ■偶尔参与，缺乏专项指导

44% ■仅关注传统CTF竞赛

■极少参与

■很少能看到AI安全竞赛

30%

图5-19院校学生AI安全竞赛参与情况

91

网络安全人才实战能力报告一一AI赋能篇

从学生参与的AI安全实训形式看，26%的院校将“AI安全竞赛集训”作为主要方式

之一，与“企业AI安全部门顶岗实习”（30%）和“校企联合项目实战”（27%）共同构成

三大实训支柱，如图5-20所示。这反映出竞赛与实战演练已不仅是课外活动的补充，而 是逐渐被纳入正式的实践教学体系。

17%

26%

30%

• ■企业AI安全部门顶岗学习
• ■校企联合项目实战

• ■AI安全竞赛集训
• ■仅传统安全实习，无AI内容

27%

图5-20F 院校AI安全实习主要形式

1. 实战型竞赛获高度认同

用人单位也高度认同竞赛演练对培养网络安全实战化人才的实效，41%的用人单位 认为“深度实习实训，参与企业一线项目”是最有效的人才培养方式，30%的用人单位认 为“举办模拟真实环境的AI攻防竞赛”是最有效的人才培养方式，两者合计超过七成。 这表明无论是企业还是院校，都高度认同“以赛代训、按需补强”的实战型培养理念。如

图5-21所示。

深度实习实训，参与企业一线项目 41%

举办模拟真实环境的AI攻防竞赛 30%

校企联合实验室，承接真实科研课题 16%

企业专家进校园，讲授实战案例课 6%

0%5%10% 15% 20% 25% 30% 35% 40% 45%

图5-21用人单位视角网络安全人才实战能力培养实效

92—

第五章AI时代网络安全人才培养体系

同样，从用人单位参与校企合作的具体切入点看，34%的用人单位与高校“共同举办 竞赛演练”，这表明竞赛与演练已成为用人单位参与产教融合的重要载体，其高效率、可

复制的特点使其在众多合作模式中脱颖而出。如图5-22所示。

选派企业专家担任校外导师 49%

提供实验环境 44%

共同举办竞赛演练 34%

联合开发实战教材或课件 22%

选拔学生实习 21%

单位不涉及产教融合 7%

0% 10% 20% 30% 40% 50%

图5-22用人单位参与校企合作的主要切入点

5.2.3实习实训体系建设经验

AI安全实战能力的培养，离不开体系化的实习实训体系建设支撑。本节从实习实训 体系建设现状、核心模块构成、平台建设路径、实习形式、考核评价和特色创新六个维度， 梳理当前院校的实习实训体系建设情况。

1. 体系建设现状

我国院校实习实训体系建设整体处于起步阶段。有实训但尚不成体系的占38%；以零

散实验课程为主、尚无体系化安排的占37%；尚未开展AI安全专项实训的占15%；已建 成完整实训体系的院校仅10%。这说明多数院校已开始探索AI安全实训，但体系化、连

续性的训练安排仍明显不足。如图5-23所示。

10%

15%

37%

38% ■有实训但不成体系

• ■仅零散开设实验
• ■暂无AI安全相关实训

已建成完整体系

图5-23AI安全专项实习实训体系建设现状

-93-

网络安全人才实战能力报告一一AI赋能篇

层递进式实训体系（39%）建立“双师型”指导机制（26%）建立实战化考核评价机制（22%）

整体来看，创新做法已覆盖平台建设、课程设计、师资配置、考核机制等多个维度。如图

5-28所示。

打造“课堂十实验室十企业”三位一体实训平台 48%

开设专项AI安全实训模块 47%

构建分层递进式实训体系 139%

建立“双师型”指导机制 26%

建立实战化考核评价机制 122%

构建“竞赛十就业”闭环培养体系 17%

实训学分与学位挂钩 17%

建立稳定的企业实习基地 7%

0% 10% 20% 30% 40% 50%

图5-28AI安全实训体系特色创新点

5.2.4当前问题与着力方向

综合用人单位与院校两端数据，当前产教融合在AI安全人才培养中面临的核心瓶颈 可归纳为资源、标准和协同三个层面：

第一，资源瓶颈。37.5%的企业受访者认为“缺乏支撑大型模型实验的算力与环境”是

产教融合的首要障碍，32.3%的院校将“算力/平台成本高、投入不足”列为校企合作最大

障碍，如图5-29所示。仅26.2%的高校实验室“具备充足的算力资源”，38.4%的实验室仅

能运行小型模型或简单脚本，15.7%的实验室完全无法支持AI实验，如图5-30所示。

7%

9% 38%

• ■缺乏支撑大型模型试验的算力与环境
• ■缺乏统一的人才实战能力评价标准

14% ■教学内容与产业界实际需求严重脱节

■校企沟通成本高，合作模式流于形式

33%

(跳过/不涉及）

图5-29产教融合面临的主要瓶颈(企业端)

网络安全人才实战能力报告一AI赋能篇

解决这一问题可以从以下三点切入：一是赛事内容的AI化升级，从传统CTF向大模

型安全、智能体安全、多模态安全等新型赛制拓展；二是训练平台的普惠化建设，通过政 府引导、企业开放、院校共享的方式降低算力门槛；三是评价体系的标准化建设，建立贯 通课程、竞赛、实训和岗位评价的一体化实战能力评价链路。

5.3在职人员能力提升机制

5.3.1企业内训与在职培训现状

AI技术快速演进，推动网络安全从业人员能力结构由传统单一安全能力向安全能力

与人工智能能力深度融合的复合型能力转变。在此背景下，企业内训与在职培训已成为网 络安全人才培养体系的重要组成部分，培训内容正由传统网络安全知识更新，逐步拓展至

模型安全、AI应用安全和AI赋能网络安全等方向。

为提升在职人员的AI安全能力，用人单位采取的措施也各有不同。61%的用人单位 采取“采购外部专业培训或认证课程”的方式，占比最高；45%的用人单位采取“鼓励参 与开源项目或安全竞赛”；也有31%的用人单位定期开展内部技术沙龙/讲座。总体来说，

用人单位通常依赖外部力量提升自身人才的AI安全能力。如图5-32所示。

采购外部专业培训或认证课程 61%

鼓励参与开源项目或安全竞赛 45%

定期开展内部技术沙龙/讲座 31%

暂无系统性培养措施 6%

0%10%20%3 30%40% 50% 60%70%

图5-32企业针对在职人员的AI能力提升措施分布

5.3.2从业人员继续教育需求分析

网络安全从业人员迫切需要相应的资源，提升个人AI安全能力。28%的从业人员驱

需用人单位开展AI安全专业培训，提升AI安全知识水平；22%的从业人员驱需用人单位 开展或个人参加AI竞赛演练，提升AI安全技能，完善个人网络安全技能树；20%的从业

整体来看，网络安全从业人员迫切需要一套从零起步、覆盖机器学习核心原理、兼顾 安全攻防实践的体系化课程，帮助他们跨越“懂安全不懂AI”的鸿沟；并希望用人单位提 供必要的算力支持，让AI真正进入安全运营、告警研判、威胁分析等实际工作场景，切 实为日常工作提效减负。

然而，在用人单位为提升员工能力所提供的资源中，仅有5%的用人单位为员工提供 了“私有化大模型／算力平台”，甚至有5%的用人单位未提供任何支持。提供“专项AI

实战能技能培训”“商业大模型使用授权”的占比最高，分别为29%、28%。

这说明，用人单位更倾向于提供培训、工具授权等轻量支持，但私有化模型和算力平

台等重投入资源供给不足，而后者恰恰是网络安全从业者开展深度实训的重要支撑，如图

5-35所示。

专项的AI实战能力技能培训 46%

商业大模型工具的使用授权 29%

行业内部脱敏的高质量语料库 28%

未提供任何支持 5%

私有化部署的大模型/算力平台 5%

0%5%10%15%20%25%30%35%40%45%50%

图5-35用人单位提升人才AI安全能力所提供资源

5.3.3当前面临的主要问题

随着人工智能技术深度融入网络安全攻防体系，传统

网络安全从业人员在向AI安全能力转型与提升过程中，面临四个相互关联的系统性

挑战。

1. 知识结构跨代与跨学科学习壁垒

传统网络安全知识体系侧重网络协议、系统漏洞、入

侵检测，而AI安全要求掌握机器学习、深度学习原理、模型架构及对抗攻击等全新 内容。许多从业者反映算法基础薄弱是深入理解模型安全风险的核心障碍，同时AI技术 本身的高速迭代加剧了持续学习压力。

-100-

第四，将培训与演训、认证和岗位评价打通。对关键岗位建立岗位能力清单和内部认 证标准，将攻防演练表现、案例处置质量、漏洞验证能力等作为评价依据，与岗位晋升、

职级评定适度联动。

第五，依托平台和案例资源提升培训支撑能力。围绕模型安全、AI应用安全和AI赋 能安全业务开发岗位化课程，建设涵盖漏洞事件、攻击事件、模型风险事件的案例库，依 托攻防靶场、仿真平台和模型测试环境开展演练。

第六，建立企业与高校、科研机构、行业平台协同培养机制。推动与高校联合开发课 程、与科研机构联合设置专题研修、与行业平台联合开展实战训练、与安全厂商共建案例

库和实验环境。

第七，建立面向技术演进和事件变化的动态更新机制。将新上线AI系统、新暴露典 型事件作为培训更新触发条件，及时组织专项培训和复盘分析，推动培训内容动态迭代、

持续完善。

总体来看，AI时代企业内训与在职培训提升的重点，不在于简单增加培训频次，而在 于围绕网络安全岗位实际，明确培养对象、训练场景、课程模块、评价标准和协同机制，

推动在职人员能力更加贴近实战需求、贴近业务场景、贴近技术演进，为AI时代网络安

全保障提供持续人才支撑。

5.4 总结与建议

AI技术的快速演进正在深刻重塑网络安全人才培养的底层逻辑。从高校课程体系到

段进入“怎么做、做多深”的关键时期。本章从高校培养体系、产教融合实践和在职人员 能力提升三个维度展开分析，现将核心发现总结如下。

1. 高校课程覆盖已较广，但实训体系与师资短板突出

多数院校已将AI安全纳入教学，但完整实训体系尚未普遍建立，过半院校仍处于零 散实验或未开展阶段。具备充足算力的院校占比较低，兼具安全与算法经验的复合型教师 仍然有限，实操案例库与真实攻击案例是最紧缺的教学资源。

1. 产教融合已成主流，但深度合作机制尚未普遍形成

绝大多数院校已有合作经历，超六成拥有长期稳定合作伙伴。用人单位最认可的模式 是深度实习实训和AI攻防竞赛。但院校侧普遍反映算力成本高、双师型师资缺之；企业侧

—102—

第六章 （

总结与建议

人工智能加速融入经济社会发展和国家安全各领域，正在重塑网络安全的风险形态、 攻防方式和人才能力结构。综合调研与分析表明，AI时代网络安全人才建设的关注重点， 已由单纯弥补“数量缺口”转向推动“能力重构”：保护对象由网络、主机、应用和数据扩 展至模型、算法、接口、智能体等新型对象，并延伸至人机协同流程，工作方式由人工主 导逐步转向人机协同，人才能力也由侧重单项技术技能，向技术、业务、治理相融合的综 合实战能力演进。由此，人机协同正在成为网络安全实战的基本形态，AI素养正在成为基

础能力，“利用AI、保障AI、对抗AI”正在构成新的核心能力要求。

与人才能力边界快速扩展相比，现有人才供给和培养支撑的适配速度仍显不足，成为 当前AI时代网络安全人才建设面临的突出矛盾。从实战任务看，模型安全、AI应用安全 等新型风险已贯穿智能系统设计、训练、部署、调用和运营等环节，人工智能也持续嵌入

安全运营、漏洞挖掘、攻防对抗和安全数据分析等核心工作，对结果核验、复杂推理、工 具编排、风险治理和跨域协同提出更高要求；从人才供给看，相关能力建设虽然已经起步， 但高阶实战能力、复合型人才和关键新兴岗位人才仍显不足；从培养支撑看，课程体系、 复合型师资、算力平台、真实案例和评价标准等基础条件，与快速演进的技术和实战需求 之间仍存在一定差距。实质上，当前面临的已不是某一能力、某一岗位或某一培养环节的 局部短板，而是能力要求、人才供给与培养体系之间的系统性适配问题。与此同时，这类 跨学科、强工程、重实践的问题难以依靠单一主体解决，产教深度融合正成为贯通岗位需 求、培养过程与实战评价，促进人才供给与产业需求有效衔接的重要路径。

基于上述判断，AI时代网络安全人才建设需要从能力重构、培养改革和协同生态三个

合能力；在培养层面，推动课程、师资、平台、实践和评价协同改革，加快知识学习向实战 胜任能力转化；在生态层面，强化国家统筹、教育供给、产业牵引和个人持续提升，形成 需求有效传导、优质资源共享、培养实践贯通、人才评价协同的长效机制。基于这一总体 逻辑，本章进一步凝练人才实战能力重构、供需结构性差距、培养体系挑战和产教融合等

一104一

总体来看，模型安全、AI应用安全和AI赋能网络安全虽然面向不同对象和任务，但

其人才能力要求均体现出由风险意识、交叉知识、专业技能向实战实践递进的共同规律。

ASK-P由此构成AI时代网络安全人才培养、训练与评价的一条基本能力主线。

6.1.2人才能力与实战需求存在结构性差距

综合人才能力、岗位配置与培养实践调研可以看出，我国AI时代网络安全人才队伍

建设已经形成一定基础，但能力供给与岗位任务之间仍存在结构性错位，突出表现为基础 工具应用与复杂任务处置能力之间、高层次岗位需求与复合型人才供给之间、知识技能积 累与真实场景实践之间存在明显差距。

首先，基础工具使用较快普及，高阶能力仍显不足。调研数据显示，从业人员对AI效 率提升的满意率总体处于较高水平，日志审计与告警降噪、自动化响应等场景应用相对广 泛，但漏洞挖掘、恶意代码分析等需要深度推理的任务应用程度较低；模型安全与AI应用 安全自评总体达到基本掌握水平，但深度学习框架安全等前沿方向仍较薄弱。这表明人才 能力正在从“不会用”向“会使用”迈进，但距离能够独立完成复杂风险分析、工具组合、 结果验证和高影响操作控制仍有差距。

其次，新兴专业岗位需求加快增长，复合型人才供给相对不足。模型安全领域存在岗 位建制不完善、复合背景不足、实战能力短板和提升机制薄弱等问题；应用安全领域则仍 较多依托既有安全团队兼任，专职团队比例不高，岗位职责和协同机制尚在形成。随着模 型安全评测、AI应用安全保障、智能体安全和AI赋能安全运营等任务持续增加，仅依靠传 统安全人员或算法人员转岗已难以充分满足相关岗位需求，兼具安全、AI和业务理解能 力的复合型人才将成为当前人才供给中的突出短板

再次，知识认知向实战能力转化仍不充分。部分人才已经了解提示词注入、数据投

毒、模型后门等风险，但真实模型、业务数据、攻击样本和复杂环境不足，使其难以完成 从风险识别、攻击验证到应急处置和整改复盘的完整任务。同时，算力成本和跨学科知识 门槛是能力进阶的重要障碍，不同类型组织之间在平台、资源和人才基础方面也存在差 异。由此可见，知识技能能否有效转化为实战能力，不仅取决于个人学习积累，也与算力、 平台、真实场景和组织支持等实践条件密切相关。

总体来看，当前AI时代网络安全人才供需矛盾已不再主要表现为单纯的数量不足，

而更多体现为能力层级、岗位结构和实践转化等方面的结构性失衡。人才队伍建设需要在 保持培养规模的同时，更加突出质量提升和结构优化，重点加强复合型、高层次和关键新 兴岗位人才培养，强化真实场景训练和实战能力评价，推动人才供给与技术演进、岗位需

第六章总结与建议

求和安全治理要求更加精准匹配。

6.1.3人才培养体系面临课程、师资、平台三重挑战

人才培养侧调研表明，AI安全人才培养已由初步探索阶段逐步进入体系化、纵深化建

设阶段，课程、师资和平台成为影响培养质量的三项关键基础条件。

一是课程覆盖已有基础，但体系化和递进性不足。多数院校已不同程度将AI安全内

容纳入人才培养体系，模型安全、AI应用安全和AI赋能攻防等新内容持续进入课程与实

践教学。但课程之间的先修关系、能力层级和实践衔接尚不清晰，高质量教材、代码、案

例和真实攻击样本仍显不足。课程建设的重点已由“增加内容”转向“形成体系”，既要保

持网络、系统、软件、密码和数据安全等传统基础，文要将AI安全能力有序嵌入人才培养

全过程。

二是复合型、实战型师资仍是关键短板。AI安全教学要求教师同时理解网络安全、人

工智能和工程实践，现有师资主要依靠原有学科教师跨界转型，兼具安全与算法经验的教

师数量有限；企业专家虽具备实践经验，但参与教学仍存在短期化、碎片化现象。教师能

否持续接触真实系统、真实风险和真实项目，直接影响课程深度和实践质量。

三是实训资源与平台支撑不足。调研显示，仅10%的院校已建成较为系统完整的AI 安全专项实训体系，仅26%的高校实验室具备较充足算力，可支持模型训练和对抗攻击 等实验。算力、模型、数据、攻击样本以及隔离环境投入较高，真实案例又受数据安全、商

业秘密和知识产权约束，导致“有课程、缺实战”“有平台、缺内容”的问题较为突出。课

程是培养内容的基本载体，师资是提升教学深度的关键，平台则是实战能力形成的重要支

撑，三者需要协同建设。

上述课程资源、师资能力和平台条件等约束并不局限于学历教育，在职人员能力更新

同样面临算力成本、跨学科门槛、工学矛盾以及高质量实践资源不足等问题。这表明，AI

时代网络安全人才培养需要由入职前教育进一步延伸至职业全周期，形成持续更新的能

力发展机制。

6.1.4深化产教融合是促进能力提升的关键路径

AI安全具有跨学科、强工程、重实践、快迭代等特征，仅依靠高校或企业单一主体均 难以充分满足人才培养需求。调研显示，校企合作已成为人才培养的重要方式，绝天多数

院校已有合作经历，超六成拥有长期稳定合作伙伴；共建实验室与攻防靶场、企业导师参

与教学、联合开发课程、竞赛集训和产学研协同等模式不断发展。

一107-

但当前产教合作的深度和稳定性仍不均衡，部分合作仍以专题讲座、设备支持、短期

实习或阶段性项目为主，企业真实岗位需求尚未充分转化为课程内容、实训任务和人才评 价标准。院校与企业共同反映，算力资源不足、复合型师资短缺、真实案例供给有限、评 价标准不完善等问题依然存在，反映出AI时代网络安全人才培养所需的需求信息、技术

资源、实践场景和评价能力分布于不同主体之间。单一主体难以独立形成从能力要求定 义、教学训练到实战评价的完整培养闭环，产教深度融合因而成为促进人才培养与产业需 求有效衔接、提升实战人才培养质量的关键路径。

竞赛、攻防演练、实习实训和联合项目已经成为连接教育培养与产业实践的重要载 体。调研表明，企业和院校均对深度实习实训、AI攻防竞赛等实践形式给予较高认可，但 现阶段部分活动仍主要覆盖少数骨干学生，竞赛、实习和项目成果与课程评价、学分认 定、岗位能力评价及人才选用之间的衔接仍不充分，实践成果尚未有效转化为稳定、可持 续的人才培养成效。这表明，当前产教融合已由“是否开展合作”进一步进入“合作能否 深入、培养能否贯通、成效能否持续”的阶段，其作用也正在由单项资源补充向贯通教育 培养与产业实践的协同机制演进。

6.2 对策建议

面对AI时代网络安全人才能力重构提出的新要求，以及实战能力、资源保障和协同

机制等方面存在的突出短板，应加强系统谋划和多主体协同，围绕能力标准、培养体系、

实践支撑、评价机制和持续发展等关键环节，构建权责清晰、优势互补、衔接贯通的人才 能力建设体系。国家层面重点加强战略统筹、标准引领、资源配置和评价机制建设，强化 共性基础支撑；教育层面重点完善人才培养体系和实践教学机制，促进知识、技能向实战 能力有效转化；产业层面重点发挥需求牵引和实践主体作用，推动真实场景、技术资源和 岗位要求深度融入人才培养；个人层面重点强化AI素养、实战能力和持续学习，不断提升 对技术演进和岗位变化的适应能力。通过各主体协同发力，逐步形成国家统筹引导、教育 系统深化改革、产业主体深度参与、从业人员主动提升的网络安全人才发展格局。

6.2.1国家层面：加强顶层设计，完善政策标准

一是完善AI时代网络安全人才能力标准。围绕“利用AI、保障AI、对抗AI”三类任务，

统筹模型安全、应用安全、AI赋能安全运营等能力要求，形成与ASK-P体系相衔接的分层

分类能力框架，明确不同岗位、不同层次人才的知识基础、实操技能和实践要求。建立动

引导企业专家深度参与课程、项目和评价。同步建设教材、案例库、代码库、攻击样本库 等资源，并建立快速更新和质量审核机制。

四是完善人才培养评价和继续教育衔接。综合采用知识测评、实验操作、项目成果、

竞赛表现和企业评价等方式，突出真实任务中的分析判断、团队协同和规范操作。面向在 职人员建设模块化、可持续的课程和专项实训，推动学历教育、职业培训、项目实践和能 力评价有机衔接。推动课程实验、竞赛演练、企业实习和毕业设计等培养环节围绕统一能 力主线贯通衔接，人才培养评价由关注课程设置和教学投入进一步转向关注能力形成和

培养实效。

6.2.3产业层面：深化产教融合，发挥主体作用

一是发挥企业需求牵引作用。企业应结合业务场景和安全责任明确AI时代网络安全

岗位群及典型任务，及时将模型安全、应用安全、智能体安全和AI赋能安全运营等岗位需 求反馈教育端，为课程设置、实训内容和人才评价提供真实依据。建立岗位需求动态反馈 机制，将新系统应用、重大风险、实战演练和岗位能力变化及时反馈至人才培养环节，推 动课程、实训和评价内容持续更新。

二是有序开放实践资源。对典型安全事件、模型漏洞、业务流程和攻击样本进行合规 脱敏，转化为课程案例、实验任务、竞赛题目和联合科研项目；有条件的企业可开放算力、 模型接口、测试工具和仿真环境，提高真实场景资源的育人价值。

三是建立常态化联合培养机制。推动企业由提供设备、讲座和短期实习，转向参与培

养方案、课程开发、项目指导、实习实训和质量评价全过程。通过高校教师与企业导师共 同指导，使学生完整经历需求分析、技术实施、风险控制、成果交付和复盘改进，提升工 程实践与协同能力。

四是完善企业内部培养和人机协同治理。将AI安全学习纳入岗位培训和职业发展规 划，通过项目历练、攻防演练、导师带教和复盘评估提升在职人员能力；明确AI工具使用 范围、人工复核要求和高影响操作审批机制，推动AI增效与安全可控同步实现。

6.2.4个人层面：提升AI素养，主动适应变革

人工智能正在重塑网络安全岗位的知识结构和工作方式。网络安全从业人员应增强 主动学习和自我革新意识，将提升人工智能素养、强化实战能力和完善复合知识结构作为 职业发展的长期任务。 一是夯实网络安全基础并系统提升AI素养。人工智能工具可以提升效率，但不能替 代对系统、网络、程序、漏洞和密码机制的深入理解。从业人员应掌握大模型、智能体、检

五是培养与评价将更加场景化、动态化。实训平台将从单一攻防靶场向融合模型测

试、应用评估、智能体对抗和业务仿真的综合环境演进，人才评价将更加重视真实任务表 现、任务完成过程、结果质量和项目贡献，课程和能力标准也需要随技术与风险变化持续

更新。

六是终身学习和多主体协同将成为人才发展的基础机制。技术迭代将持续缩短知识 有效周期，学历教育、企业培训、职业认证、在线学习和实战演练需要进一步贯通；政府、 高校、科研机构和企业也需在标准、师资、算力、案例和平台方面形成更稳定的资源共享

与协同育人格局。

总体来看，AI时代网络安全人才建设将呈现能力复合化、培养实战化、协同常态化、 评价多元化和学习终身化的特征。应坚持以国家战略需求为牵引，以实战能力为核心，以

产教融合为关键路径，持续提高人才自主培养质量，加快形成与人工智能发展水平和网络 安全保障需求相适应的高水平人才队伍，为推进网络强国、数字中国建设筑牢人才基础。

一112