万里云台湾技术主管 David Liang：AI 行为不确定，传统资安监控前提面临挑战
万里云（CloudMile）台湾技术团队主管 David Liang 指出，传统安全监控建立在资产行为可预测的前提上，而基于 Transformer 架构的生成式 AI 先天带有不确定性，企业难以预测其行为；他主张双轨并行——用 AI 强化安全治理、用 AI 检测 AI——并以其公司 AEGIS 平台为例说明端点检测、影子 AI 盘点与本地部署的具体落地方式。
一个原本该在封闭环境里解题的 AI 模型，为了在资安测验中拿到最高分，自己找漏洞、突破沙箱，最后从外部取得了测验答案。万里云（CloudMile）台湾技术团队主管 David Liang 在 2026 企业 AI 主权高峰论坛上引用这一起由 OpenAI 揭露的事件，提出了企业当前面临的实际问题：会自主行动的 AI Agent，还管得住吗？
他的核心判断是，传统信息安全检测与监控能力建立在一个前提上——企业资产的行为相对稳定、可以预期。但当前生成式 AI 技术基于 Transformer 架构，先天带有不确定性，企业很难预测它的行为。这意味着企业面对的不仅是 AI 可能失控，还有 AI 正在改写安全威胁本身的形态：人人都能用 AI 做出自己的产品，但 AI 生成的代码缺乏明确的权责归属；甚至有些企业员工会自行上网找 AI 工具来用，而不知道工具背后用的是中国模型，公司也无从掌握。对重视 AI 主权的企业而言，这些变化正是实际担忧。
面对这类新型风险，David Liang 主张双轨并行。第一轨是用 AI 强化安全治理：由 AI 自动分流调查，安全专家担任监督与裁决角色，保留最终核准权。第二轨是用 AI 检测 AI：从端点 Agent、内部 LLM、云端环境到员工私用的影子 AI，逐一盘点与检测，将「以 AI 治理 AI」落地成可执行、可稽核的治理架构。
他以万里云自身的 AEGIS 平台为例说明检测这一轨的落地方式：检测前团队先了解企业的使用情境，再展开测试；由于许多 AI 工具装在员工电脑上，检测范围延伸到端点设备；除了检查 AI 是否守规矩，还会检查 AI 是否会输出敏感数据（如信用卡号、身份证号），以及输出内容是否带有歧视。部署上，AEGIS 可在本地端或云端执行，平台能直接装进企业环境，让敏感数据留在本地。
需要指出的是，上述双轨框架和 AEGIS 的具体功能均由厂商代表在赞助活动中提出，属于厂商自述；框架的逻辑前提——Transformer 架构的不确定性使传统监控的可预测性假设难以维持——具有独立的论证价值，但检测效果与覆盖范围尚未经独立验证。