在最近的發展中，全球人工智慧格局中像 Sam Altman 這樣的人物發揮了重要作用，可能會影響人工智慧發展的監管方面。這種焦點向監管捕獲的轉變引發了人們對 OpenAI 等組織對開源人工智慧的立場的質疑。然而，本文超越了人工智慧開發的領域，深入探討了圍繞人工智慧安全和標準化的關鍵問題。

在快速發展的網路威脅環境中，自動化和人工智慧系統處於最前沿，強調安全自動化能力的作用至關重要。考慮一下當今世界檢查和回覆電子郵件的簡單行為，您將發現保護這一日常活動所涉及的複雜的人工智慧和自動化層。

規模龐大且複雜的組織越來越依賴安全自動化系統來有效執行其網路安全策略。然而，在對自動化的依賴中，有一個經常被忽視的關鍵面向——網路安全「元策略」領域。這些元策略包括自動威脅資料交換機制、歸因約定和知識管理系統。它們共同為通常所說的「主動防禦」或「主動網路安全」做出了貢獻。

令人驚訝的是，國家網路安全政策經常缺乏對這些元政策的明確提及。它們往往透過影響和模仿而不是正式或策略審議而隱性地納入國家實施。

這些安全自動化元策略在人工智慧治理和安全的背景下具有極其重要的意義，因為人工智慧系統，無論是純數位的還是網路物理的，都存在於更廣泛的網路安全和戰略框架內。因此，問題就出現了：改造現有的自動化元策略是否適合塑造人工智慧的未來。

需要統一的網路安全性元策略

一個重要趨勢是將輪上軟體領域的安全實踐整合到各種複雜的汽車系統中。這從完全數位化的坦克、承諾減少人員規模和增加殺傷力，到自動化車隊安全管理和無人機運輸系統的標準。這種演進催生了車輛安全營運中心 (SOC)，它們沿著網路安全 SOC 的路線運行，利用類似的資料交換機制和安全自動化實施。然而，盲目地改造現有手段以適應新出現的威脅情勢是遠遠不夠的。

例如，大多數網路安全威脅資料交換依賴交通燈協定（TLP），主要用作資訊分類系統。然而，TLP 的執行和任何限制分發的加密機制通常由安全自動化系統設計者自行決定。這突顯出需要對自動化系統的資料共享進行更精細的控制並確保合規性。

另一個元策略不一致的例子可以在最近語言生成系統和對話式人工智慧代理的激增中看到。並非所有會話代理程式都是像 ChatGPT 這樣的大型神經網路；許多程式作為基於規則的、針對特定任務的語言生成程式已經運行了數十年。彌合傳統 IT 基礎設施和新興 AI 自動化範式之間的差距給正在進行數位轉型的組織帶來了挑戰。