文章总结： HuggingFace披露了一起由自主AI代理系统驱动的生产基础设施入侵事件，攻击者利用数据集处理流程中的代码执行漏洞，窃取凭证并横向移动。HuggingFace通过自研AI异常检测管道和GLM-5.2模型成功检测并防御。事件未影响公开模型。建议组织轮换访问令牌，并提前部署自托管AI模型以应对AI驱动的攻击。 综合评分： 88 文章分类： 应急响应,AI安全,漏洞分析,威胁情报,安全运营

Hugging Face 确认人工智能驱动的安全事件

爱拍照的老李 爱拍照的老李

爱拍照的老李

2026年7月20日 09:00 湖北

在小说阅读器读本章

去阅读

导读

Hugging Face在本周披露，它检测并控制了一项生产基础设施入侵，该入侵完全由自主AI代理系统驱动，并使用其基于AI的取证分析进行了防御。

攻击者利用了Hugging Face数据集处理流程中的两个代码执行漏洞：一个远程代码数据集加载器以及数据集配置中的模板注入漏洞。

进入处理工作节点后，该行为体获得了节点级访问权限，窃取了云和集群凭证，并在短短一个周末内横向渗透了多个内部集群。

未经授权的访问影响了有限的部分内部数据集和服务凭证，不过 Hugging Face 未发现有证据表明其公开模型、数据集、Space 平台或软件供应链遭到篡改。

这一事件反映了整个行业的普遍趋势。安全公司 Sysdig 近日披露了其所谓的 JADEPUFFER，这被描述为首个完全自主的人工智能驱动的勒索软件运营活动。在该活动中，一个人工智能智能体无需任何人工指令输入，就能独立入侵暴露在互联网上的服务器、横向移动、加密文件，并发出勒索要求。

此外，Check Point 2026年人工智能安全年度报告记录了越来越多由人工智能发起的实时入侵行为，漏洞披露与被利用之间的时间窗口已从数天缩短至数小时。

Hugging Face 确认遭人工智能驱动的数据泄露

这场行动的独特之处在于其规模与自主性：攻击者通过部署在公共服务上的自迁移指挥控制基础设施，在大量短期沙箱中执行了数千次独立操作，这与长期预测的“智能体攻击者”场景完全吻合。

Hugging Face 自主研发的异常检测管道通过对安全遥测数据进行基于大语言模型的分类，通过关联那些原本会淹没在日常海量信号中的线索，首次发现了此次入侵行为。

为了从17000多条记录的攻击者行为中重建完整的攻击时间线，Hugging Face在整个日志中运行了由大语言模型驱动的分析代理，将通常需要数天完成的工作压缩到了数小时。

此次调查的一个关键发现：商业前沿模型API拒绝处理取证分析，原因是其安全护栏无法区分事件响应人员提交的真实漏洞利用载荷和C2工件与实际攻击者提交的内容。

Hugging Face 转向了 GLM-5.2，这是一款在其自有基础设施上运行的开源权重模型，这也确保了没有攻击者的数据或引用的凭证离开其环境。

这暴露了一个明显的不对称：使用越狱或无限制模型的攻击者不受此类政策限制，而使用托管商业模型的防御方却可能在事件进行中被拒之门外。

Hugging Face 建议用户轮换访问令牌并查看最近的账户活动，以作预防之用。

从这一事件中得出的核心经验是：企业组织需要在事件发生前就准备好经过审核、功能完善的自托管AI模型，这样既能避免在取证工作中被防护机制锁定，又能防止敏感的攻击数据流出其所在环境。

正如哈辛格·法斯（Hugging Face）所言，数据和模型表面如今必须被视为首要攻击载体，需要以机器级速度部署人工智能驱动的防御，以应对人工智能驱动的攻击。

技术报告：

https://huggingface.co/blog/security-incident-july-2026

新闻链接：

Hugging Face Confirms AI-Driven Breach: Attackers used Autonomous Agents, defenders countered with AI

扫码关注

军哥网络安全读报

讲述普通人能听懂的安全故事

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：爱拍照的老李 爱拍照的老李 爱拍照的老李《Hugging Face 确认人工智能驱动的安全事件》