黎声旭这两年安全圈最热的话题，不是哪个漏洞又上了头条，也不是哪家厂商又发了新品，而是“AI安全”这块蛋糕到底该怎么切。我明显感觉到，身边做安全的朋友，聊天的内容变了——从“这个季度业绩压力好大”变成了“我们在看AI安全的哪个方向”。这种变化不是空穴来风，一家深耕赛道的安全公司，一年时间营收翻了五倍，这个增速放在整个企业服务市场里，都算得上现象级。
这不禁让人想问一个问题：AI时代的安全主线到底是什么？是真刀真枪跟攻击者对抗的攻防技术，还是搭上大模型顺风车的概念包装？今天不聊虚的，用我这些年看安全市场、看技术演进的视角，把这条线彻底捋清楚。
1. 安全行业的基本盘变了：从“合规驱动”转向“AI驱动”
过去十年，安全行业的主旋律是什么？合规。等保、GDPR、行业监管要求，企业买安全产品，很多时候是为了“过关”，而不是为了“防住”。但是AI时代，这个逻辑被彻底改写了。
1.1 安全不再只是“成本中心”，而是“增长杠杆”
以前我跟很多企业的CIO聊，问他们为什么采购安全产品，十个里有八个会回答“监管要求”，剩下的两个会说“出了事担不起责任”。这个心态决定了安全在企业的地位——它是一个花钱的部门，一个拖慢业务节奏的部门，所以安全预算永远紧张，安全部门的话语权永远偏弱。
但AI来了之后，情况完全不一样了。企业开始把大模型接入核心业务流程，让AI参与决策、处理数据、甚至跟客户直接对话。这时候安全问题的性质变了——它不再是“可能被黑客攻击”的远期风险，而是“今天不上安全措施，明天就可能出大事”的即时威胁。
一家公司如果正在用AI做智能客服，结果AI被提示词注入攻击诱导，泄露了客户隐私，这种事故对品牌的影响是毁灭性的。一个金融机构如果让大模型参与风控决策，结果模型被投毒，做出的判断全是错的，这个损失也是不可承受的。在这种压力下，企业对安全的认知自然而然地从“我不得不买”变成了“我必须买到真正能解决问题的方案”。
1.2 安全部门的角色变了：从“守门员”到“加速器”
更深层的变化在于，安全部门在AI时代的角色彻底转变了。以前安全团队是“守门员”，职责是把风险挡在门外，业务部门常常觉得他们“碍手碍脚”。现在安全团队变成了“加速器”——因为如果安全问题解决不了，AI项目就根本不敢上线，安全团队越早介入、越高效解决问题，AI业务就能越早上线、越快产生价值。
我认识的一位安全负责人说得特别直白：“以前我们是被动响应的，业务推着走；现在我们是被倒追的，所有的AI项目从立项第一天就把安全拉进来了。因为大家心里都清楚，没有安全背书，大模型根本过不了审批。”
这种角色的转变，带来的是安全采购逻辑的根本变化。企业要的不再是一堆合规报告，而是实打实能看懂AI风险、能拦住AI攻击、能让AI业务安全落地的能力。
1.3 增长5倍的公司到底做对了什么
回到那家一年增长5倍的公司的案例。它做的不是传统的防火墙、入侵检测，不是把老产品贴个“AI”标签的套壳升级。它踩中的是AI落地过程中的安全刚需——帮助企业在大模型应用的全生命周期里做好安全保障。
从数据准备阶段的隐私保护与合规检查，到模型训练阶段的投毒攻击防护，再到上线运行阶段的实时对抗与内容安全审核，每一个环节都对应着真实存在的痛点。而这三层需求在过去是不存在的——没有大模型落地，就没有模型投毒的问题；没有AI生成内容，就没有内容合规审核的爆炸式需求；没有智能体代替人做决策，就没有权限失控的担忧。
安全行业的增长引擎，从“合规政策”切换到了“技术变革”，这是一次换挡提速。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 拆解AI时代的三条安全主线：哪条才是真正的黄金赛道
说清楚了行业背景，我们来仔细拆一拆。AI时代的安全需求，在我看来可以归结为三条主线，三者各有不同的商业价值和技术门槛，而增长5倍的那类公司，往往抓住了其中一条或者两条。
2.1 主线一：模型与应用安全——AI跑起来之后的攻防对抗
第一条主线是模型本身的安全。大模型不再是一个静态的软件，它像一个有“思考能力”的黑盒，可以被诱导、被欺骗、被利用。模型安全的核心攻击面包括：
- 提示词注入攻击：攻击者精心构造恶意指令，诱导模型忽略原始约束，执行非预期操作。现在已经出现了很多真实的攻击案例，比如诱导客服AI泄露内部资料，或者诱导写作AI生成钓鱼邮件。
- 训练数据投毒：如果攻击者能够在模型训练数据中植入恶意样本，就可能让模型在特定场景下做出错误判断。这个攻击方式的影响极其隐蔽，因为模型的问题往往要到特定触发条件下才会暴露。
- 模型窃取与逆向：通过大量的API查询，尝试逆向还原模型参数或训练数据。大模型的训练成本动辄上千万美金，模型本身是企业最核心的知识资产。
这条主线的特点是：技术含量高，解决的是“未来一定会发生”的问题，但市场教育成本也高。很多客户现在还理解不了“提示词注入”到底是什么，更不要说预算了。不过，随着大模型应用越来越普及，这类攻击事件会越来越多，市场接受度也在飞速提升。
2.2 主线二：数据与隐私安全——AI赖以生存的“燃料”保护
第二条主线是数据安全。大模型的训练和推理需要海量数据，这些数据里充满了企业的核心资产、用户隐私、商业机密。数据安全在AI时代呈现出几个新的趋势：
- 数据全生命周期防护：从数据采集开始，到清洗、标注、训练、微调，再到最终部署，每个环节都可能发生数据泄露。AI让数据流转的链路变得更长、更复杂了，攻击面也随之扩大。
- 隐私计算与脱敏：联邦学习、差分隐私、同态加密这些隐私计算技术，过去几年一直是“叫好不叫座”的状态。但大模型的爆发给了它们一个绝佳的落地场景——在不暴露原始数据的前提下完成模型训练和推理。
- 数据防泄漏（DLP）的智能化升级：传统的DLP基于规则匹配，AI时代的数据防泄漏则需要对上下文进行理解。比如，一份包含客户身份证号的文档被员工上传到AI工具，传统的DLP可能识别不出来，而智能DLP可以理解这是隐私数据泄露。
这条主线的市场天花板极高，因为任何要用AI的企业都离不开数据处理。但它同时也是竞争最激烈的赛道——传统安全厂商、云厂商、甚至数据治理公司都在往里挤。
2.3 主线三：身份与访问安全——AI智能体的“权限管理”
第三条主线是我认为被大多数人低估的方向：身份安全与访问控制。AI时代，身份安全的范畴被急剧扩大了。
以前我们说的是“人的身份”——员工账号、权限、登录认证。现在我们要面对的是“非人身份”：API密钥、服务账号、AI智能体、自动化脚本。一个AI智能体在企业内部执行任务时，它需要访问数据库、调用API、读取文件，它就像一个“超级员工”，如果不加控制，它会拥有比任何普通员工都大得多的权限。
更棘手的是，大模型应用往往通过API和外部工具连接，供应链攻击面大大增加。如果企业的一个API密钥泄露，攻击者完全可以冒充合法的AI应用来执行恶意操作。
因此，AI时代身份安全的核心挑战是：
- 如何管理海量的机器身份？
- 如何给AI智能体设定合理的、最小化的权限边界？
- 如何实时监控AI应用的API访问行为，识别异常？
这条主线的商业模式虽然比前两条更偏传统，但它的增长动能非常强劲。因为AI落地的速度越快，企业就越迫切地需要搞明白“AI到底能干什么、不能干什么”——这本质上就是权限治理的范畴。
2.4 三条主线的商业价值对比：天花板、增速与竞争度
为了更直观地比较，我做了一个简单的对比：
| 主线 | 解决的核心问题 | 技术成熟度 | 市场教育难度 | 竞争激烈度 | 商业天花板 |
|---|---|---|---|---|---|
| 模型与应用安全 | 大模型被攻击、滥用 | 中等 | 高 | 中 | 极高 |
| 数据与隐私安全 | AI数据泄露、合规 | 较高 | 低 | 高 | 极高 |
| 身份与访问安全 | AI智能体权限失控 | 较高 | 中 | 高 | 很高 |
回到那家增长5倍的公司，大概率不是押注某一条主线的“独苗”，而是找到了一条“主线组合”：以数据安全和身份安全为基本盘，用模型安全作为差异化竞争的技术高地。这样既能保证现阶段的商业化落地能力，又能为未来三到五年的技术演进留出足够的想象空间。
3. 为什么是“现在”爆发：三个市场拐点的叠加效应
技术方向摆在那里，但为什么是在最近这段时间集中爆发？这背后其实有三个拐点叠加到了一起，才促成了安全公司“5倍增长”的奇迹。
3.1 拐点一：大模型从“玩具”变成“生产力工具”
早几年也有大模型，也有AI安全的概念，但市场始终没有爆发。原因很简单——企业没有真正把AI用起来。一个金融公司做一个“AI助手”放在官网上，偶尔闲聊两句，这种场景下确实不需要复杂的AI安全防护。
但2024年以来，大模型在企业端的应用进入了真正的深水区。AI不再是一个给用户“试用”的玩具，而是切入了销售分析、代码编写、自动化运维、合同审查等核心生产力环节。当AI的行为会直接影响企业的经营结果时，安全投资的优先级就被无限拉高了。
一位做AI应用厂商的朋友跟我透露，2024年下半年开始，他们的客户在采购合同里几乎都会附上安全方面的要求，明确询问“你们的AI应用有没有做安全测试？”“有没有对抗攻击的预案？”这种情况在2023年是完全不存在的。
3.2 拐点二：监管的“靴子”落地，安全从推荐项变成必选项
全球范围内，AI治理的法规体系都在加速成型。从欧盟的《人工智能法案》到国内的生成式AI管理办法，监管的核心逻辑非常一致：谁提供了AI能力，谁就要为AI的安全负主体责任。
这就意味着，AI应用方和模型提供方必须主动证明他们的AI系统“安全可靠”——包括数据来源合规、算法可解释、内容安全可控、具备对抗恶意攻击的能力。而这些证明的出具，都需要依赖专业的安全产品和服务。所以监管落地不是市场热度的“终结者”，反而是安全产业爆发的“点火器”。
3.3 拐点三：安全工具链的成熟度达到临界点
早几年想做AI安全，最大的痛点不是需求不够，而是工具链极度匮乏。安全人员想让模型跑起来都费劲，更不要说做攻击测试和防护部署了。
但经过两三年的发展，AI安全的工具工具链已经成熟了很多。一方面，主流的云平台和安全厂商都提供了AI安全相关的API和服务；另一方面，开源社区也涌现了大量针对大模型安全的测试工具。工具链的成熟直接降低了安全服务的交付门槛，也给了安全公司快速迭代产品的土壤。
我自己尝试过几个开源的大模型安全测试框架，确实能比较快速地发现提示词注入、越狱攻击等问题。这种“即插即用”的工具体验，放在两年前是难以想象的。
4. 增长的故事背后：技术产品化和商业化落地缺一不可
看明白了主线，我还想再拆一层：为什么有些公司踩中了同样的主线，却没能实现5倍增长？这就涉及到“故事背后的执行力”——从技术到产品、从产品到商业化的转化能力。
4.1 技术再先进，不能产品化也是零
安全行业最不缺的就是“技术神话”，但大多数技术神话最终都死在了实验室里。一个东西再厉害，如果只能以“项目制”的方式交付，需要专家驻场、深度定制、长期调优，它就很难规模化，也就谈不上高速增长。
那家5倍增长的公司，大概率是把复杂的AI安全技术封装成了标准化的产品。客户部署起来简单，操作界面友好，输出结果清晰，而不是需要依赖一堆安全专家反复沟通。我在行业里见过太多“叫好不叫座”的安全产品，本质都是产品化做得不够好，非核心技术不行，而是交付太笨重。
4.2 安全产品必须回答“业务价值”而非“技术指标”
还有一个常见误区是，安全厂商喜欢讲技术参数——我们的检测准确率99.9%，我们的误报率低于0.1%。但对客户来说，这些数字是模糊的。客户真正关心的只有三件事：
- 用了你这个产品，我能避免什么损失？
- 用了你这个产品，我的AI项目能顺利上线吗？
- 用了你这个产品，我在客户和监管面前能不能更自信？
真正实现高速增长的安全公司，在对外输出的时候，永远讲的是业务场景，而不是技术指标。他们不会说“我们用了什么什么算法”，而会说“你有一个大模型客服系统，我们可以确保用户永远没办法通过恶意输入让它泄露数据”。
这个“翻译”能力，是安全公司从“技术型玩家”成长为“商业型玩家”的必经之路。我知道有很多技术出身的安全创业者，不太愿意花力气去做这种市场教育的工作，但在当前的市场阶段，谁能把话说清楚、说到客户的心坎里，谁就拿到了增长的钥匙。
4.3 落地的关键动作：找到“买单的人”并持续运营
做安全产品的朋友应该都深有体会：安全采购的决策链条太长，用的人和技术部门，买的人却往往是一把手或预算管理部门。这导致销售周期极长，售前成本极高。
AI安全产品的销售路径要顺畅，必须重新定义“买单的人”。以我观察到的成功案例看，他们的策略是：把目标客户锁定在已经有AI项目落地、并且对安全有明确需求的企业，而不是去教育那些还在观望阶段的客户。前者有预算、有痛点、有紧迫感，后者则需要大量的市场培育，投入产出比极低。
同时，安全产品卖出去只是开始，持续的运营与服务才是建立客户粘性的关键。AI威胁变化极快，今天出的防护规则明天可能就失效了。安全厂商必须保持高强度的威胁情报更新和技术服务响应能力，这既是挑战，也是护城河——服务得越深入，客户替换成本就越高。
5. 给安全从业者和创业者的几个判断：别被概念冲昏头脑
作为在这个领域看了很多年的人，最后给同行们说几句掏心窝的话。
5.1 选方向时，先问“客户今天痛不痛”
在决定切入AI安全哪个细分方向时，一个非常有效的判断标准是：你的目标客户今天是否有真实的、可感知的痛点？如果客户还没有AI应用，很难为AI安全买单；如果客户的AI应用已经上线并开始担惊受怕，他们就会主动找上门来。
从这个标准看，数据安全与身份安全是更稳妥的切入点，因为它们的客户基数大、需求紧迫；模型安全虽然前景广阔，但目前还在市场教育的早期阶段，更适合有一定技术积累和品牌影响力的头部厂商去做。
5.2 别把“AI安全”做成“伪需求”
AI行业本身就有很多“伪需求”和概念包装，AI安全领域也开始出现这种苗头。有些产品号称是“AI安全防护”，实际上只是把传统的WAF规则改了个名字，对真正的模型攻击完全无能为力；有些产品扯上“大模型”，实际上只是做了一个聊天机器人来回答安全咨询。
我对这种做法的态度非常明确：它或许能在短期内拿到一两单订单，但绝对走不远。因为AI威胁是技术含量极高的攻防对抗，客户一旦真正遭遇攻击，产品的成色立刻就会见分晓。搞AI安全，必须有敬畏心，扎实做技术，才能真正吃到时代的红利。
5.3 关注“安全服务化”的机会
除了产品化，我还特别看好“AI安全服务化”方向。中小型企业没有能力建设专职的AI安全团队，但如果完全外包又担心数据安全。于是出现了“安全托管服务”的模式——由专业安全公司提供持续监控、威胁响应、渗透测试、模型红队评估等服务，甚至成为大模型开发团队的一个延伸。
这种服务模式的好处是门槛低、启动快、客户关系深。对于中小规模的安全创业者来说，这可能是比“硬核产品研发”更现实的第一步切入点。
5.4 人才结构需要更新换代
必须承认，传统安全技术人才与AI安全的需求之间，存在不小的错位。懂AI不一定懂安全，懂安全不一定懂AI，两者都精通的更是凤毛麟角。我自己在招人的过程中，明显感受到这个领域的复合型人才极度稀缺。
所以，无论你是准备加入AI安全领域的安全从业者，还是准备在这个赛道创业的创始人，都应该有意地拓宽自己的知识结构。学点机器学习的基础理论，弄明白大模型的基本架构和API调用方式，理解AI应用的开发和部署流程——这些虽然不是传统安全的必修课，但在AI安全领域是决定你能否走得远的分水岭。
我在实际接触中最大的一个体会是：AI安全不会替代整个安全行业，但它一定会把安全行业重新洗牌。那些只停留在旧范式里的公司会越来越难，而那些真正理解AI技术、能够解决AI风险的公司，会得到可怕的加速度。一年增长5倍当然让人兴奋，但它只是一个开始。AI的浪潮足够大，足够长，这波红利会给真正做事的人足够丰厚的回报。