“如果一家公司的智能体利用了过时或不准确的数据 ，AI幻觉可能会虚构出并不存在的引爆御策漏洞，或错误解读威胁情报 ，网络危机导致不必要的安全警报或忽视真正的风险。此类错误可能会分散对真正威胁的揭示注意力，创造新的大防漏洞 ，并浪费本已紧张的幻觉安全运营团队资源 。”Tanium的服务器租用引爆御策AI副总裁Harman Kaur在接受采访时表示 。
一个新兴的网络危机担忧是“包幻觉”现象 ，即AI模型会建议不存在的安全软件包 ，这一问题已被识别为供应链攻击的揭示潜在媒介 ，被称为“slopsquatting” 。大防攻击者可以利用这些幻觉 ，幻觉创建具有建议名称的引爆御策恶意软件包 ，导致开发者无意中将有害代码集成到他们的网络危机系统中。
“如果未经彻底验证和人工审查就使用AI生成的代码，源码下载可能会引入重大风险和复杂性 。初级开发者尤其容易受到错误代码或配置文件的风险影响，因为他们缺乏足够的能力来正确审核代码。对于高级开发者而言 ，他们可能会及时发现错误 ，然而 ，越来越多的人过度依赖GenAI ，盲目信任其输出 。”ImmuniWeb的CEO Ilia Kolochenko表示。
另一个担忧是AI可能产生虚假的威胁情报，亿华云如果这些报告被当作事实接受 ，可能会分散对实际威胁的注意力，导致真正的漏洞得不到处理 。当AI输出未与可靠来源进行交叉验证时 ，风险会进一步加剧。
缓解AI幻觉的策略“AI幻觉是概率模型的预期副产品 ，”Qwiet AI的CTO Chetan Conikee解释道 ，他强调重点不应放在完全消除它们上 ，而是放在最小化对运营的建站模板影响上 。“CISO的首要任务应该是通过设计 、监控和政策来限制运营影响 。”
这始于有意的架构设计 ，Conikee建议在AI系统周围实施结构化的信任框架，这种方法包括实用的中间件 ，通过确定性检查和特定领域过滤器来审查输入和输出 ，这一步骤确保模型不在孤立环境中运行 ，而是在明确界定的范围内运行 ，高防服务器反映企业的需求和安全态势 。
可追溯性是另一个基石 。“所有AI生成的响应都必须包含元数据 ，包括来源上下文、模型版本 、提示结构和时间戳 。”Conikee指出 。当出现不准确时 ，此类元数据能够加快审计和根本原因分析的速度 ，这是将AI输出集成到业务运营或面向客户的工具中的模板下载关键保障措施 。
对于部署大型语言模型(LLM)的企业 ，Conikee建议除非必要 ，否则应避免开放式生成。相反 ，企业应依赖基于精心策划的内部知识库的检索增强生成(RAG) 。“这确保了模型从经过验证的信息中提取数据，并与内部标准保持一致。”Conikee解释道 。
严格的测试也很重要 。“在测试阶段应纳入幻觉检测工具 ，”Conikee说。在模型进入生产环境之前 ，安全领导者应定义可接受的风险阈值和故障模式。“目标不是完美的准确性 ，而是对GenAI的使用地点和方式进行可衡量和可审计的控制。”
通过将信任 、可追溯性和控制嵌入到AI部署中 ，CISO可以在创新与责任之间取得平衡 ，在不影响进展的情况下控制幻觉：
1. 实施检索增强生成(RAG) ：RAG结合了AI的生成能力与从经过验证的数据源中提取信息的检索系统 ，这种方法使AI输出基于事实数据 ，降低了产生幻觉的可能性 。
2. 采用自动化推理工具 ：像亚马逊这样的公司正在开发使用数学证明来验证AI输出的工具 ，确保它们与既定规则和政策保持一致 ，这些工具可以提供一层保障，特别是在关键应用中 。
3. 定期更新训练数据 ：确保AI系统基于当前和准确的数据进行训练 ，可以最小化产生幻觉的风险 ，过时或有偏见的数据可能导致AI生成不正确的输出。
4. 融入人工监督 ：在关键场景中 ，人类专家应审查AI生成的输出，这种监督可以捕捉AI可能遗漏的错误 ，并提供AI所缺乏的上下文 。
5. 教育用户了解AI的局限性 ：培训用户了解AI的能力和局限性 ，可以培养对AI输出的健康怀疑态度 ，鼓励用户验证AI生成的信息 ，可以防止不准确信息的传播 。
GuidePoint Security的进攻性安全高级副总裁Victor Wieczorek解释说 ：“我们需要实际的护栏 ，这意味着将AI响应直接与记录的政策相关联 ，标记或记录高风险输出，并确保在重大事项到达客户之前由人类进行审查 。将模型视为一名新实习生：它可以帮助起草想法和处理常规问题 ，但不应就任何敏感事项做出最终决定 。”
