Booz Allen 开展的一项研究显示，人工智能代理能够探索陌生的运营技术（OT）环境，适应障碍，并在数分钟内执行会影响实体设备的更改。这些结果的重要性在于，潜在风险可能从数字入侵范围延伸至对工业系统和实体设备的控制。
研究结果在纳什维尔举行的 SecurityWeek 工业控制系统（ICS）安全会议上公布，报告随后才向公众开放。该公司在隔离的 OT 实验室内进行测试，使用的先进人工智能模型事先并不了解相关环境，包括源代码、工程文档或专业 OT 指南。
测试结果
研究人员称，这些模型在八个场景中均实现了既定目标。相关任务并不局限于单一步骤，而是结合了资产发现、设备特征查询和攻击规划等环节；通常情况下，这些阶段需要由多名人员和多个团队分别完成。
在其中一项测试中，这些模型从外围入侵转而在工业控制网络内执行操作，用时略超过 16 分钟。在另一项测试中，一个模型找到了机械臂，确定了其保护区域和运动边界，随后在数分钟内使其移动。
部分现有防御措施能够阻止或延缓某些操作，但研究发现，在测试场景中，没有任何单一控制措施能够持续阻止自主模型实现其目标。
实际发生了什么变化？
该研究表明，变化不仅在于人工智能能够执行攻击步骤，还在于它能够快速串联起通常需要人类依次介入的多个阶段。在 OT 环境中，这种加速可能使网络活动在安全团队理解或切断攻击路径之前就转化为实体影响。
Booz Allen 认为，依赖 OT 环境的隐蔽性，或依赖攻击者不了解环境细节，已经不再足够，尤其是在模型能够通过直接探索推断设备特征并与系统交互的情况下。不过，该研究也承认，该公司的实验室不一定与每一种企业 OT 环境完全一致，这是推广这些结果时需要考虑的重要限制。
研究提出了哪些建议？
研究人员建议，系统所有者和运营者应重点提高环境内部横向移动的难度，消除隐式信任，快速发现具有影响的工业变更，并缩小攻击者在获得访问权限后能够影响的范围，无论其最初是通过网络手段还是实体手段获得访问权限。
Booz Allen 使用的“超级智能”一词究竟指什么仍未确定；截至本文撰写时，该公司尚未说明其指的是通常意义上的先进人工智能，还是更具体的概念。此外，测试并不能证明每一种工业环境都会出现相同结果，但它提供了一个实际 संकेत：面对能够高速且自主运行的代理，单一防御措施可能并不足够。