幾項研究強調了機器學習作為網絡犯罪媒介的隱患：對數字安全的威脅不僅涉及隱私和數據盜竊，還涉及完全連接的生態系統中人們的功能安全。這項研究由來自牛津、劍橋、斯坦福、耶魯和巴斯等多所大學的眾多專家進行。

　　人工智能和相關技術的出現為網絡安全帶來了新的潛力，這實際上是一把雙刃劍，如果落入壞人之手，可能會變得危險。多年來，擁有完美的網絡安全策略或解決方案的重要性日益增加。所有功勞都歸功于智能設備的普及。此外，由于不斷增長的端點始終連接到 IoT 生態系統，網絡犯罪分子現在有大量機會滲透設備。由于存儲的數據量很大，大數據泄露可能在系統性能和功能安全方面造成毀滅性后果。這是因為大規模的數據安全漏洞可能會影響大量的人，其后果不僅是從聲譽的角度來看，但會產生巨大的法律影響。組織需要確保他們在數據有用性和隱私之間取得適當的平衡。在存儲數據之前，應刪除用戶的任何唯一標識符。這本身就是一個安全挑戰，因為刪除可能不足以確保數據在未來保持匿名。

　　隨著組織存儲更多數據，他們面臨著硬件和軟件加密的挑戰。如果云需要執行分析，則用戶無法加密發送數據。一種解決方案是使用“完全同態加密”(FHE)，它允許存儲在云中的數據對加密數據執行操作。當數據被解碼時，對純文本數據執行的操作的結果將是相同的。因此，云將能夠在不知道明文數據的情況下對加密數據執行操作。行業專家分析了黑客和安全專業人員對機器學習算法的大量使用。一場無拘無束的戰斗，將拉緊企業防御，如果處理得當，還可用于對特定目標進行系統內攻擊，從錯誤中吸取教訓，成為一個不可戰勝的系統。在漏洞搜索中與自動化共生將促使網絡犯罪分子加快實施病毒的操作，并隨后搜索進一步的系統弱點。例如，網絡犯罪分子可以使用這些功能掃描軟件以查找以前未知的漏洞，并將其用于非法目的。機器學習可以提供對不良行為的洞察，補充通過其他方式獲得的情報。它還允許更大的敏捷性和靈活性，因為基于 AI 的工具通常比其他工具更快地部署和更快地交付操作效果。畢竟，智能安全系統可以戰勝任何復雜的威脅，

　　由于世界各地的高科技公司和政府的投資，人工智能已經成為一個競爭激烈的行業，并且正在迅速擴張。Markets and Markets 最近的一項研究預測，未來幾年的復合年均增長率 (CAGR) 將超過 60%，價值將超過 150 億美元。硬件創新也出現了強勁增長，這些創新提高了計算機的操作能力，能夠在不同的 GPU 平臺上執行更復雜的模型。

　　大多數單獨的人工智能技術將用于自動化各種機器人控制的任務，這些任務能夠做出可能對整個數字生態系統產生負面影響的關鍵決策。自動化的智能機器可以評估最有可能受到攻擊的目標。使用先進技術，人工智能可以通過操縱系統和禁用安全組件來隱藏“網絡感染”。一旦系統被感染，它們就可以用來傳播各種計算機病毒，包括高級形式的勒索軟件。

　　目前，大多數網絡犯罪組織通過修改其源代碼來使用各種知名的勒索軟件系列來產生不同的樣本。以類似的方式，人工智能技術將能夠創建自己的自定義惡意軟件，可能從頭開始并通過實施先進的機器學習算法。物聯網設備(例如醫療設備)很可能是主要關注點，它們背后的資源和數據也是如此。要考慮的案例不僅關注計算機病毒，還關注與機器人和無人機相關的方面。從用于消費或工業活動的簡單機器人，到無人機和未來用于民用的飛行出租車，這些都可能變成潛在的危險武器并容易受到遠程操縱。

　　許多工程師和分析師估計，下一次主要的人工智能支持攻擊可能會在幾年內發生。最大的問題仍然是身份盜用、拒絕服務攻擊和密碼破解。在日益數字化的世界中，此類攻擊可能會削弱許多人的權力并影響公共機構的行政活動。人工智能可能是魚叉式網絡釣魚攻擊的關鍵，收集和處理數據庫以輕松鏈接來自不同來源的信息并發起最佳攻擊。許多攻擊可以與人工智能協調，這可能會混淆醫生的診斷。惡意 AI 可用于在理論上無法衡量的規模上協調黑客攻擊。安全專家推測，最大的危險可能來自利用機器的巨大計算能力創建新病毒樣本的人工智能。通過設計，他們可以分析當前的病毒弱點并生成高級表格。第一個缺點可能是計算成本高。但隨著時間的推移，它們將不可避免地減少。許多組織已經開始與人工智能惡意軟件作斗爭，為未來的潛在攻擊做準備，網絡安全專家正在了解這一風險，但隨著人工智能理論上的無限潛力，管理變得復雜并嚴重危及 IT 安全。此外，人工智能有望支持物理、化學和醫學各個領域的研究。