人工智能尚未就绪用于工业控制系统网络安全
Google Duplex初登餐厅电话，听近乎真人。演示展示当前AI能力：以不可思议流利度执行窄域脚本对话。同技术现向43州Pixel用户开放，却凸显AI局限——擅长例行交互，离驾驭工业控制系统（ICS）复杂性尚远。
其他高调AI项目凸显此鸿沟。IBM Project Debater能构建有说服力论证，但语音仍机械、理解停留抽象。两例均说明最先进AI源自深口袋与海量数据公司——彼等仍警示算法可能失效、数据可偏见、不当实践侵蚀信任。
营销叙事常将AI描绘为业务挑战万能药，承诺理清海量工业数据、筑牢控制系统安全。工业分析应用于机器数据，驱动OT与IT融合，据工业互联网联盟《工业物联网分析框架》推动第四次工业革命。
网安老将Jason Haward-Grau，PAS Global CISO指出：“从AI视角，机器人流程自动化远比安全领域AI更有趣。”他主张厂商可声称对每问题提供AI，但企业应先问“组织需要什么？”，再判AI是否为答。
威胁等级居高不下。2018年Kaspersky研究显示：321工业受访者中49%报告年均至少一次攻击——低报倾向致真实数字可能更高。
定义AI本身即哲学挑战。技术作家Jaron Lanier 2016年警示：无可度量基线，“你便在幻想国度”。实践中，许多贴“智能”标签的系统缺乏实证支撑。
具体用例之一：恶意代码或异常检测。拥有可靠网络基线与充分数据训练的稳健机器学习算法，AI可快速标记威胁、降低误报。鉴于网安人才短缺，此价值显著。
然成败系于数据相关性。若系统不知特定业务流程，可能誤报。有缺陷数据训练可致恶意代码被误判为良性。对手甚至可逆向工程模型特征以逃避检测。
工业环境增设障碍。OT设备常不使用标准IT协议，遗留控制总线（如25年系统）难为AI解读。Haward-Grau以炼厂例证：500 IT设备可网络追踪监控，但28,500 OT端点来自多厂商（ABB、施耐德、西门子、横河、飞利浦、GE、霍尼韦尔），呈碎片化数据全景，复杂化AI翻译与定义“良性行为”。
从“迟早被攻破”转向“已被攻陷”，放大建立正常网络行为基线的复杂性。IBM背书2018研究显示：企业平均197天发现失陷——这会侵蚀在演进网络拓扑上训练的机器学习模型可靠性。
AI对工业网安存希望，但采纳应从限制数据复杂度的明确用例起步。如E.F. Schumacher所言：“反其道行之，需一点天才与大量勇气。”对工业领袖，意味着从小型可管项目起步，而非跨全OT全景铺开AI。
物联网技术