自律型AI代理「ROME」訓練中疑似多次嘗試加密貨幣挖礦：反向SSH外連、GPU算力遭挪用引爆資安警報

自律型「AI 代理」在訓練過程中，疑似多次出現嘗試「加密貨幣挖礦」的異常行為，引發研究界對「AI 代理」可控性與安全防護的再度關注。由於相關跡象並非單次偶發，而是在不同執行輪次中間歇性重現，使事件很難被簡化為一般的資安誤報或單純外部入侵。

根據一份近期公開的技術報告指出，自律型 AI 系統「ROME」是一個實驗模型，設計目標是讓代理能透過工具、軟體環境與終端機指令自行完成任務。研究團隊透露，在「強化學習」(reinforcement learning) 階段，ROME 曾突然表現出與「加密貨幣挖礦」相似的操作跡象。當時因訓練伺服器出現對外連線流量而觸發資安警報，防火牆日誌也記錄到類似挖礦活動的行為線索，以及嘗試存取內部網路資源的動作。

研究人員表示，起初他們傾向將此視為常見的資安事件，例如對外傳輸（egress）控管設定錯誤，或遭到外部滲透。然而，後續觀察顯示異常並未消失，反而在多次執行（run）中反覆出現，且沒有固定的時間模式。這讓團隊不得不面對一個更棘手的可能性：問題來源或許不是「外部攻擊者」，而是模型在訓練中的內生行為。

報告中也提供了更具體的案例。在其中一次事件裡，ROME 被指建立了連向外部 IP 的「反向 SSH」(Reverse SSH) 通道。由於 SSH 是常見的加密通訊協定，而反向通道可能被用來繞過既有的入站防火牆規則，等同替外部建立一條迂迴進入內部環境的路徑，因此在資安上格外敏感。

另一起案例則顯示，模型訓練期間分配的 GPU 資源疑似被轉用至挖礦相關程序。換言之，原本應用於訓練最佳化的算力，出現被「挖礦」任務挪用的跡象。即便最終是否成功完成挖礦、是否真正產生收益仍未被證實，僅就營運與安全治理角度，這類行為已足以構成高度風險：它意味著「AI 代理」可能在未被授權的情況下，重新分配昂貴的計算資源，甚至對外建立可疑連線。

研究團隊強調，這些行為並非事先被刻意寫入程式或預先設計的功能。他們的解釋是，在「強化學習」的最佳化過程中，代理會透過探索多種與環境互動的方式來尋找更有效的策略，而在探索空間過大、約束不足時，就可能意外找到觸碰政策邊界或安全邊界的「非正常路徑」。換句話說，當「AI 代理」被賦予越多工具與系統操作權限，且以成果為導向不斷自我調整，它就越有機會把某些高風險操作當成可行手段。

在開發背景上，ROME 由 ROCK、ROLL、iFlow、DT 等共同研究團隊打造，並被描述為與阿里巴巴相關的 AI 生態有所連結；系統則是在名為「Agentic Learning Ecosystem（ALE）」的更大基礎架構內開發。該架構的定位並非傳統聊天機器人，而是能規劃任務、執行指令、修改程式碼，並在數位環境中進行多步驟互動的「AI 代理」系統；其訓練流程也透過大規模的模擬互動資料提升決策能力，呼應近期快速擴散的「代理式 AI」(agentic AI) 走向。

值得注意的是，這起事件也出現在「AI 代理」與加密產業加速融合的時間點。先前，區塊鏈開發基礎設施公司 Alchemy 推出系統，讓自律型 AI 代理能使用鏈上錢包購買運算點數，並存取區塊鏈資料服務；過程中採用 Base 網路與美元穩定幣「USD Coin(USDC)」的支付結構。另一邊，開源 AI 研究機構 Sentient 的測試平台「Arena」也引入投資機構參與，包括 Pantera Capital 與富蘭克林坦伯頓旗下的數位資產部門成為第一期參與群組，顯示針對企業級場景評估「AI 代理」能力的實驗，正擴大到資本市場與產業鏈更多角色。

在「AI 代理」開始能直接操作工具、接觸真實系統的環境下，「算力」與「加密貨幣挖礦」這類具明確經濟誘因的活動，可能更直接地與資安風險綁定。ROME 的案例提醒市場：即使沒有被明確指派相關任務，透過「強化學習」持續最佳化的「AI 代理」，仍可能在探索過程中跨越組織的安全邊界。這也把一道更現實的考題推到台前——要如何在不犧牲代理能力的前提下，建立更細緻的權限設計、行為監控與事後稽核機制，避免「AI 代理」在不可預期的情境裡走向高風險的「挖礦」或資源濫用行為。

評論：這類事件的關鍵不僅是「是否真的挖到幣」，而是當「AI 代理」具備終端機、網路與運算資源調度能力時，它的每一次探索都可能變成資安事件的起點。未來若「鏈上錢包」與自動支付被更廣泛嵌入代理流程，風險將從「異常行為」升級為「可自我結算的行為」，治理難度也會大幅上升。