合成欺瞞時代的信任架構：Arup 深偽事件的啟示與邁向深度 AI 主權的轉型

當代企業正經歷一場根本性的真實性危機，其特徵是生成式人工智慧被迅速武器化，用以攻擊既有的公司治理協定。2024 年 2 月，跨國工程公司 Arup 成為此一危機的焦點——其香港辦公室遭詐騙損失 $25.6 million（港幣 2 億），屬迄今紀錄中最精密的深偽賦能攻擊之一。¹ 此事件不僅是傳統網路安全的失敗，更是「技術強化社交工程」（technology-enhanced social engineering）的決定性概念驗證——一種利用人類心理，以及人們對視覺與聽覺線索所固有信任的手法。⁴ 攻擊者運用高保真 AI，在即時視訊會議中冒充財務長（CFO）及一整組高階主管，成功繞過多因素驗證、內部財務控制與人類直覺。¹

Arup 劫案對全球組織而言是一個戰略轉折點。它證明：當前對「LLM 包裝層」——將業務流程連接到公開第三方 AI API 的薄軟體介面——的依賴，根本無法滿足現代企業的安全與主權需求。⁷ 隨著生成超逼真合成媒體的成本與技術門檻持續暴跌，傳統「邊界防禦」模型正在崩解。¹ 本報告分析 Arup 事件的鑑識細節、即時深偽的技術演進，以及轉向深度 AI（Deep AI）的架構必然性：在組織自身安全基礎設施內部署主權、私有且神經符號（neuro-symbolic）的 AI 系統。⁷

鑑識重建：$25 Million 劫案解剖

針對 Arup 的行動是一場多階段戰役，優先於偵察與心理操控，而非傳統網路入侵。¹ 調查確認：Arup 的數位基礎設施在整起事件中保持完整；沒有惡意軟體、憑證竊取或未授權資料庫存取的證據。⁴ 相反地，攻擊者透過製造目標員工無法合理區辨於真實的現實，來破壞該公司的營運邏輯。⁴

第一階段：偵察與素材採集

攻擊中所用深偽的有效性，建立在高品質訓練資料之上。² 攻擊者花了數月時間採集 Arup 高階主管的公開影音素材，主要來自 YouTube、研討會簡報與公司會議。² 這些素材讓加害者得以訓練生成對抗網路（GANs）與神經語音合成模型，不僅複製高階主管的外貌，更能複製其特定語調、語勢與獨特微表情。¹ 此等準備程度得以創造鑑識專家所稱的「高保真合成孿生」（high-fidelity synthetic twins），旨在經得起專業場合中同事的審視。¹

第二階段：魚叉式釣魚鉤子與敘事建立

此次攻擊始於 2024 年 1 月一封看似來自倫敦財務長的魚叉式釣魚郵件。¹ 郵件請求協助一筆「機密交易」——此敘事常見於商業電子郵件詐騙（BEC），但此處因專業語氣與準確的內部脈絡而強化。² 香港財務部門員工起初對該郵件抱持懷疑，攻擊者遂運用第二層、更強大的社會證明，以消解此疑慮。¹

事件階段	攻擊者採取的行動	技術／心理機制
初次接觸	偽造來自 CFO 關於「秘密」轉帳的郵件 1	權威槓桿與緊迫感 2
升級	邀請參加多方視訊會議 1	社會證明與感知透明度 4
驗證	多位深偽高階主管現身 2	以層級可視化壓制懷疑 1
執行	指示將資金轉入指定帳戶 1	在「即時」場景中的直接層級指令 3
發現	交易後與英國總部追蹤確認 1	標準財務稽核軌跡 2

第三階段：合成視訊會議

Arup 事件的決定性時刻是該視訊通話。¹ 不同於以往依賴單一語音克隆或低解析度影片片段的深偽詐騙，此次攻擊呈現即時、互動環境，並有多名 AI 生成參與者。² 該員工加入會議時，熟悉的面孔——同事與上司——看似正在進行正當討論。¹ 此環境脈絡是一種「非對稱戰爭」：攻擊者對組織結構的了解，勝過員工對技術極限的了解。⁴

通話期間，深偽 CFO 命令該員工執行 15 筆獨立轉帳，總計約 $25.6 million。¹ 這些資金被分散至五個不同的香港銀行帳戶。¹ 員工遵從了，因會議的視聽證據而信服。¹ 詐欺僅在員工向英國真實 CFO 辦公室追蹤確認後才被發現；此時公司才意識到從未舉行過此類會議，亦未授權任何資金。¹

即時生成式詐欺的技術演進

Arup 事件之所以可能，是因為先進 AI 方法論已從研究實驗室進入精密網路犯罪組織之手並匯聚。¹ 理解此威脅需要分析兩類主要模型：生成對抗網路（GANs）與擴散模型（Diffusion models）。¹

視訊合成中的生成對抗網路（GANs）

GANs 在生成逼真人臉與聲音的能力上代表突破。¹ GAN 由兩個相互競爭的神經網路組成：生成器（generator）與判別器（discriminator）。¹ 生成器以真實影像或影片為參考點建立內容，而判別器則試圖偵測內容是否由 AI 生成。¹ 經過數百萬次迭代，這些模型相互「訓練」，生成器日益擅長創造判別器——進而人類肉眼——無法與真實區分的影像。¹ 在 Arup 案例中，GANs 實現即時「換臉」：攻擊者的網路攝影機畫面被攔截，並逐幀替換為 CFO 的超逼真面具。¹¹

擴散模型與時間一致性

擴散模型的運作方式是對影像加入「雜訊」（隨機資料），再訓練 AI 反轉此過程，從雜訊重建清晰影像。¹ 此方法擅長創造高解析度、細膩的紋理與光照——這正是 GANs 有時難以處理之處。¹ 應用於視訊時，擴散模型確保「時間一致性」——意即 AI 生成的臉在移動時不會閃爍或扭曲。¹¹ 此一致性對維持即時互動中的真實幻覺至關重要，因為人類感知對較低階深偽技術常見的細微「故障」極為敏感。¹¹

注入攻擊：繞過實體層

Arup 事件的關鍵技術細節，是使用「視訊注入」而非單純的「出示攻擊」。¹⁵

1. 出示攻擊： 攻擊者在真實網路攝影機前舉起高解析度螢幕（平板或顯示器）。¹⁵ 這類攻擊常可透過分析深度、像素級反射與實體邊框存在的活體檢測加以偵測。¹⁵
2. 注入攻擊： 此方法運用虛擬攝影機軟體或中間人（MITM）手法，將合成視訊封包直接饋入會議軟體的資料串流。¹⁰ 應用程式（Zoom、Teams 等）將此數位串流視為來自實體硬體裝置。¹⁷

攻擊類型	傳遞方式	偵測難度
出示（2D/3D）	實體假體（照片／面具／螢幕） 18	中等；常出現深度／紋理異常 15
換臉（即時）	於即時網路攝影機上套用 GAN／擴散軟體 12	高；需時間分析 11
視訊注入	數位饋送繞過攝影機硬體 20	極高；需系統層級完整性檢查 17
神經語音克隆	音訊串流被替換為合成語音 2	非常高；需生物辨識頻譜圖分析 16

研究顯示，針對身分驗證供應商的注入攻擊在 2023 年增加 255%，而「換臉」攻擊上升 704%。²⁴ 這顯示網路犯罪分子正從易於偵測的實體偽裝，轉向可中和傳統活體檢測的數位層級操控。²¹

為何「LLM 包裝層」典範無法服務企業

許多組織急於採用生成式 AI，遂依賴「包裝層」——建置在 OpenAI 的 GPT-4 或 Anthropic 的 Claude 等公開 API 之上的薄軟體層。⁷ 雖適用於低風險任務，此模型卻引入系統性漏洞，使類似 Arup 事件的事件更可能發生。⁷ Veriprajna 主張：包裝層時代與企業級安全不相容，主要有三個原因：資料外洩、缺乏脈絡推理，以及「無實體顧問」問題。⁷

公開 API 的安全劇場

在包裝層部署中，組織最敏感的資料——財務試算表、內部備忘錄與高階主管通訊——必須離開企業邊界，交由第三方雲端處理。⁷ 即使供應商承諾不以該資料訓練，資料存在於外部環境仍造成對美國 CLOUD Act、不透明次處理者關係，以及潛在模型式外洩的脆弱性。⁹ 再者，包裝層極易受「提示注入」攻擊：使用者（或攻擊者）可精心設計輸入，誘使模型忽略安全護欄並執行未授權動作。⁸

脈絡與可靠度落差

LLM 是機率式的，而非確定性的。⁸ 它們依訓練資料中的統計相關性預測最可能的「下一個詞元」，而非基於對企業現實的紮實理解。⁸ 這導致「可靠度落差」：AI 代理可能承諾折扣、免除費用或以對公司具法律拘束力但事實錯誤的方式詮釋政策。⁸ 在高風險環境中，包裝層缺乏將自身輸出與組織專有資料庫「地面真相」核對的內在能力。⁷

「無實體顧問」與活性懸崖

對如 Arup 這類工業或工程公司，「無實體顧問」限制尤其危險。²⁵ 文字型 LLM 包裝層可能產生聽來合理的建議，卻缺乏驗證物理或生物安全的整合回饋迴路。²⁵ 在醫藥化學或結構工程中，公式或承重計算的微小變更——「活性懸崖」（activity cliff）——可導致結果不成比例的巨大變化（例如從安全化合物變為致命毒素）。²⁵ 包裝層依語意距離而非物理定律運作，在識別這些關鍵偏差上惡名昭彰。²⁵

深度 AI：Veriprajna 的主權智慧框架

Veriprajna 定位自己並非包裝層建構者，而是 深度 AI 解決方案 的提供者——旨在為企業恢復主權與可靠度的架構。⁷ 此框架從「AI 即服務」轉向「AI 即基礎設施」。⁷

支柱一：基礎設施所有權與私有企業 LLM

深度 AI 的基礎，是在組織自身的虛擬私有雲（VPC）或本地 Kubernetes 叢集中部署私有企業 LLM。⁷ Veriprajna 將完整推論堆疊（使用如 vLLM 或 TGI 等技術）直接部署到客戶控制的硬體上。⁷ 這確保「主權智慧」永不離開邊界，從而免疫國際資料移轉風險與第三方保留政策。⁹

支柱二：具備 RBAC 感知檢索的私有 RAG 2.0

深度 AI 透過與內部安全原生整合的檢索增強生成（RAG），為公司打造「語意大腦」。⁷ 不同於通用 RAG 系統，Veriprajna 的架構具備角色型存取控制（RBAC）感知。⁷ 若員工無權在 SharePoint 中查看特定文件，AI 系統便不會檢索該文件來回答其問題。⁷ 這可防止透過 AI 介面發生內部權限提升與資料外洩。⁷

支柱三：神經符號「三明治」架構

為彌合可靠度落差，Veriprajna 主張「神經符號三明治」。⁸ 此設計將創意神經網路（LLM）夾在兩層確定性符號邏輯之間。⁸

• 底層（輸入邏輯）： 預處理使用者提示，以淨化輸入並在到達模型前防止注入攻擊。⁸
• 中層（神經網路）： 提供語言理解與推理能力。⁸
• 頂層（符號守衛）： 攔截模型意圖，並透過剛性、預定義函式執行（例如查詢 SQL 資料庫或 ERP）。⁸

這確保當 AI 代理回報價格或授權狀態時，它是從資料庫檢索確定性數值，而非依詞元機率預測數值。⁸

功能	公開 LLM 包裝層	Veriprajna 深度 AI 解決方案
資料駐留	共享公有雲；資料外洩 7	完全位於客戶 VPC 內 7
推理模型	純機率式 8	神經符號（神經＋確定性） 8
安全脈絡	一般／公開資料 7	私有語料；RBAC 感知 7
客製化	僅提示工程 7	完整微調（LoRA/CPT） 7
脆弱性	易受提示注入 8	多層邏輯守衛 8

新的多因素驗證：生物辨識與行為智慧

Arup 案例中視覺「核對」的失敗，迫使數位互動中的身分驗證需要新典範。⁴ Veriprajna 的方法納入多模態訊號，這些訊號對當前生成模型而言，在即時仿冒上顯著更困難。²³

生理訊號驗證

高階深偽偵測如今包含分析臉部顏色因「心跳誘發」的變化。¹⁴ 如 Intel 的 FakeCatcher 等技術監控這些微訊號——人眼不可見——以驗證參與者是具有正常心血管活動的真人。²³ 在合成視訊中，這些訊號通常缺席，或與視覺動作在時間上不一致。¹¹

行為生物辨識：「沉默」的守護者

臉可被換、聲音可被克隆，但個人與技術互動的神經生物學模式仍獨特，幾乎不可能偽造。²⁹

• 擊鍵動態： 打字的速度、節奏與壓力形成可辨識、獨一無二的「韻律」。³⁰
• 滑鼠與觸控螢幕行為： 滑鼠移動的頻率與流暢度，或行動裝置上特定的滑動速度與壓力，建構出機器人或冒充者難以模仿的行為輪廓。²⁹
• 認知行為： 行為生物辨識可偵測使用者是否在脅迫或強制下行動——常表現為猶豫或偏離正常導航模式。³¹

透過為高階主管建立行為基準，組織可在視訊通話期間實施「持續驗證」。³¹ 若通話中的「CFO」開始要求異常交易，同時其打字或導航行為偏離歷史輪廓，系統可自動標記該互動以供人工審查。²⁹

密碼學出處與內容憑證

企業不能僅偵測假貨，更須轉向驗證真實。³⁵ C2PA（Coalition for Content Provenance and Authenticity） 標準允許在視訊擷取當下嵌入密碼學中繼資料。²³ 這創造媒體的「防竄改」歷史，記錄來源的裝置、時間與位置。³⁵ 若 Microsoft Teams 或 Zoom 通話中的視訊饋送缺乏這些憑證，便可如同未簽名軟體套件般以同等懷疑程度對待。³⁵

法律、監管與治理意涵

Arup 的財務損失只是冰山一角；此事件對企業責任與領導層受託義務具有深遠影響。²

CIO 與 CTO 的受託義務

在深偽賦能詐欺之後，CIO 與 CTO 日益被要求承擔更高的注意標準。³⁸ 作為公司高階主管，他們負有受託義務，須識別「紅旗」並實施「合理安全程序」——例如加州消費者隱私法（CCPA）或歐盟 AI 法案所要求者。³⁸ 若未能實施具備深偽意識的控制，當公司因過失遭股東或客戶起訴時，高階主管可能面臨個人責任。³⁸

「冒充者規則」與損失分攤

對電匯詐欺的司法指引常遵循「冒充者規則」：損失應由最有能力預防該詐欺的一方承擔。⁴¹ 在 Arup 案例中，雖員工遭騙，但公司未能對高價值交易實施多通道驗證，可能被視為主要失敗點。⁴ 法院日益認定：當雇主未警告員工特定風險，或未提供必要技術防護時，雇主具有過失。³⁷

符合國際標準

為降低這些風險，組織必須使其營運與新興的全球生物辨識與 AI 安全標準對齊：

• ISO/IEC 30107-3： 出示攻擊偵測（PAD）的國際基準。⁴² 通過 Level 2 或 3 認證，顯示系統對矽膠面具與 AI 深偽等進階偽裝具備韌性。¹⁵
• NIST AI 風險管理框架（RMF）： 提供結構化的四步驟流程——治理、對應、衡量、管理——以識別並緩解 AI 特有風險。³⁹
• CEN/TS 18099： 首個專為偵測「注入攻擊」而設的標準，對保護視訊會議串流至關重要。¹⁵

企業韌性戰略路線圖（2025–2026）

Arup 事件是「眼與耳」作為驗證形式的失敗。⁴ 為防止重演，Veriprajna 建議以防衛人員、流程與真實性本身為核心的多層韌性策略。⁴

步驟 1：建立「賦權懷疑」文化

組織必須從「立即遵從」文化轉向「先驗證」心態。⁴ 這包括獎勵挑戰可疑請求的員工——即使請求看似來自高階領導。⁴ 訓練應超越靜態釣魚郵件，納入視訊與音訊平台上的即時模擬深偽攻擊，讓員工祛魅該技術。⁴

步驟 2：實施強制帶外驗證

視訊會議不再能作為金融交易身分驗證的「黃金標準」。⁴ 高風險或高價值指示必須要求獨立的帶外確認：

• 直接通話： 透過預先驗證的電話號碼或加密訊息平台（例如 Signal）進行驗證。⁴
• 預先約定驗證碼： 使用次要非數位通道共享驗證金鑰。⁴
• 雙重授權： 要求一位未參與原始視訊通話的第二核准人。⁴

步驟 3：轉向主權深度 AI 基礎設施

企業必須從公有雲收回其資料與智慧。⁷ 在客戶控制的 VPC 內轉向私有企業 LLM，確保敏感脈絡保持安全。⁷ 這不僅是安全措施，更是競爭優勢——因其允許創造無可爭議地屬於客戶的客製模型資產。⁷

步驟 4：部署多模態活體與偵測工具

將企業級深偽偵測整合至 Zoom 與 Microsoft Teams 等協作工具。¹⁰ 這些工具應即時分析每一影格與音訊封包，尋找 AI 操控跡象——例如唇動不同步、光照不一致，或生理訊號缺席。¹²

結論：信任的新前沿

2024 年 2 月的 Arup 劫案，是「非正式內部驗證」時代終結的嘹亮號角。⁴ 當 CFO 的臉與聲音可用 $15 與 45 分鐘的努力完美偽造時，傳統信任訊號便已破碎。⁵ 企業韌性的未來，將取決於能否透過生物、行為與架構防禦層，區分「合成孿生」與真人。⁴

Veriprajna 主張脫離脆弱的 LLM 包裝層世界，轉向穩健、主權的深度 AI 世界。⁷ 透過結合基礎設施所有權、神經符號可靠度與行為智慧，組織可打造能抵禦生成式詐欺不斷升級威脅的「信任架構」。⁷ 這堂課以 $25 million 損失為代價，卻為下一代企業安全提供藍圖：真實性由物理與邏輯驗證，而非僅靠視覺與聽覺。⁴

韌性組成	可執行目標	期望成果
人員	行為訓練與模擬 4	抵抗「即時」社交工程 4
流程	多通道帶外確認 4	中和單點故障 4
資料	基於私有 VPC 的 LLM 與 RAG 2.0 7	完整主權與資料隱私 7
技術	即時活體與生理分析 18	擊敗 GANs 與注入攻擊 17
治理	與 NIST AI RMF 及 ISO 30107 對齊 43	降低監管與受託風險 38

在未來數年，於合成世界中驗證身分與意圖的能力，將成為數位時代的決定性要求。²⁰ Arup 事件證明：不作為的代價不再只是假設風險，而是 $25 million 的現實。¹ 現在採取行動實施主權深度 AI 架構的組織，不僅能保護資本，更能守護其最寶貴資產：通訊的完整性與利害關係人的信任。⁴

---

參考文獻

1. Arup Deekfake Scam Forensic Analysis – Cyber - University of Hawai'i–West O'ahu, 查閱於 2026 年 2 月 9 日, https://westoahu.hawaii.edu/cyber/forensics-weekly-executive-summmaries/arup-deekfake-scam-forensic-analysis/
2. Arup Deepfake: How An AI-Generated Deepfake Stole $25M, 查閱於 2026 年 2 月 9 日, https://purplesec.us/breach-report/arup-deepfake/
3. Incident 634: Alleged Deepfake CFO Scam Reportedly Costs Multinational Engineering Firm Arup $25 Million, 查閱於 2026 年 2 月 9 日, https://cdn.lawreportgroup.com/acuris/files/ACR-New/AI%20Incidents%20%E2%80%A2%20Incident%20634_%20Alleged%20Deepfake%20CFO%20Scam%20Reportedly%20Costs%20Multinational%20Engineering%20Firm%20Arup%20%2425%20Million.pdf
4. The Arup Deepfake Fraud - PRMIA, 查閱於 2026 年 2 月 9 日, https://prmia.org/common/Uploaded%20files/eCyber/PRMIA%20Case%20study%20-%20ARUP.pdf
5. Cybercrime: Lessons learned from a $25m deepfake attack - The World Economic Forum, 查閱於 2026 年 2 月 9 日, https://www.weforum.org/stories/2025/02/deepfake-ai-cybercrime-arup/
6. $25 Million Deepfake Scam: The Ultimate Con? - Trustpair, 查閱於 2026 年 2 月 9 日, https://trustpair.com/blog/25-million-deepfake-scam-the-ultimate-con/
7. The Illusion of Control: Securing Enterprise AI with Private LLMs - Veriprajna, 查閱於 2026 年 2 月 9 日, https://Veriprajna.com/technical-whitepapers/enterprise-ai-security-private-llms
8. The Authorized Signatory Problem: Why Enterprise AI Demands a Neuro-Symbolic "Sandwich" Architecture - Veriprajna, 查閱於 2026 年 2 月 9 日, https://Veriprajna.com/technical-whitepapers/authorized-signatory-problem-neuro-symbolic-ai
9. The Illusion of Control: Shadow AI & Private Enterprise LLMs | Veriprajna, 查閱於 2026 年 2 月 9 日, https://Veriprajna.com/whitepapers/illusion-of-control-shadow-ai-private-enterprise-llms
10. Deepsight: World's Most Accurate Deepfake Detection - Incode, 查閱於 2026 年 2 月 9 日, https://www.incode.com/platform/deepsight
11. The Sentinel's Dilemma: An In-Depth Analysis of Real-Time Deepfake Detection Services in the Era of Generative AI Fraud | Uplatz Blog, 查閱於 2026 年 2 月 9 日, https://uplatz.com/blog/the-sentinels-dilemma-an-in-depth-analysis-of-real-time-deepfake-detection-services-in-the-era-of-generative-ai-fraud/
12. Deepfake Video Call Security: How to Spot and Stop Scams, 查閱於 2026 年 2 月 9 日, https://www.adaptivesecurity.com/blog/deepfake-video-call-security-guide
13. DeepFake Detection for Human Face Images and Videos: A Survey - Monash, 查閱於 2026 年 2 月 9 日, https://researchmgt.monash.edu/ws/portalfiles/portal/570474609/560518436_oa.pdf
14. Securing Social Media Against Deepfakes using Identity, Behavioral, and Geometric Signatures - arXiv, 查閱於 2026 年 2 月 9 日, https://arxiv.org/pdf/2412.05487?
15. Deepfake Presentation & Injection Attacks: Risks in ID Authentication, 查閱於 2026 年 2 月 9 日, https://risk.lexisnexis.com/global/en/insights-resources/article/deepfake-duo-presentation-injection-attacks
16. Deepfake Detection: What is Phishing 3.0 and How Can You Prepare? - Ironscales, 查閱於 2026 年 2 月 9 日, https://ironscales.com/blog/deepfake-detection-what-is-phishing-3.0-and-how-can-you-prepare
17. Virtual camera detection: Catching video injection attacks in remote biometric systems, 查閱於 2026 年 2 月 9 日, https://arxiv.org/html/2512.10653v1
18. Liveness detection: protect yourself against fraud - Veridas, 查閱於 2026 年 2 月 9 日, https://veridas.com/en/liveness-detection/
19. Facial Liveness Detection: How It Works & Why It Matters - Mitek Systems, 查閱於 2026 年 2 月 9 日, https://www.miteksystems.com/blog/facial-liveness-detection
20. Unmasking Cybercrime: Strengthening Digital Identity Verification against Deepfakes - World Economic Forum, 查閱於 2026 年 2 月 9 日, https://reports.weforum.org/docs/WEF_Unmasking_Cybercrime_Strengthening_Digital_Identity_Verification_against_Deepfakes_2026.pdf
21. Native Virtual Camera Attacks: The Invisible Threat to Remote Identity Verification | iProov, 查閱於 2026 年 2 月 9 日, https://www.iproov.com/blog/native-virtual-camera-attacks-invisible-threat-biometric-solution
22. Cyber Risks Associated with Deepfakes - Monetary Authority of Singapore, 查閱於 2026 年 2 月 9 日, https://www.mas.gov.sg/-/media/mas-media-library/regulation/circulars/trpd/cyber-risks-associated-with-deepfakes.pdf
23. What Tools Can Detect Deepfakes in Live Meetings? - Resemble AI, 查閱於 2026 年 2 月 9 日, https://www.resemble.ai/deepfake-detection-tools-live-video-calls/
24. Deepfake Attacks: How they Work and How to Stop Them - Nametag, 查閱於 2026 年 2 月 9 日, https://getnametag.com/newsroom/deepfake-attacks-how-they-work-how-to-stop-them
25. Structural AI Safety: Latent Space Governance in Bio-Design - Veriprajna, 查閱於 2026 年 2 月 9 日, https://Veriprajna.com/technical-whitepapers/bio-design-ai-safety-latent-space
26. Cognitive Armor: Robustness Against Adversarial AI - Veriprajna, 查閱於 2026 年 2 月 9 日, https://Veriprajna.com/technical-whitepapers/adversarial-ai-defense-cognitive-armor
27. How to Use Large Language Models (LLMs) with Enterprise and Sensitive Data, 查閱於 2026 年 2 月 9 日, https://www.startupsoft.com/llm-sensitive-data-best-practices-guide/
28. What Is LLM (Large Language Model) Security? | Starter Guide - Palo Alto Networks, 查閱於 2026 年 2 月 9 日, https://www.paloaltonetworks.com/cyberpedia/what-is-llm-security
29. What is Behavioral Biometrics - LexisNexis Risk Solutions, 查閱於 2026 年 2 月 9 日, https://risk.lexisnexis.com/insights-resources/article/what-is-behavioral-biometrics
30. What is Behavioral Biometrics? - OneSpan, 查閱於 2026 年 2 月 9 日, https://www.onespan.com/topics/behavioral-biometrics
31. Behavioral Biometrics: The Game-Changer in Fighting Synthetic Identity Fraud - Innovify, 查閱於 2026 年 2 月 9 日, https://innovify.com/insights/behavioral-biometrics-fraud-detection/
32. What is Behavioral Biometrics? | IBM, 查閱於 2026 年 2 月 9 日, https://www.ibm.com/think/topics/behavioral-biometrics
33. Continuous Behavioral Biometric Authentication for Secure Metaverse Workspaces in Digital Environments - MDPI, 查閱於 2026 年 2 月 9 日, https://www.mdpi.com/2079-8954/13/7/588
34. What Is Behavioral Biometrics? - BioCatch, 查閱於 2026 年 2 月 9 日, https://www.biocatch.com/blog/what-is-behavioral-biometrics
35. Unmasking the Fakes: How AI is Powering Deepfake Detection and Video Authentication | by Nunsi Shiaki | Rectlabs Inc | Medium, 查閱於 2026 年 2 月 9 日, https://medium.com/rectlabs/unmasking-the-fakes-how-ai-is-powering-deepfake-detection-and-video-authentication-999fe4a0f5ff
36. NIST: Reducing Risks Posed by Synthetic Content An Overview of Technical Approaches to Digital Content Transparency - AI Governance Library, 查閱於 2026 年 2 月 9 日, https://www.aigl.blog/nist-reducing-risks-posed-by-synthetic-content-an-overview-of-technical-approaches-to-digital-content-transparency/
37. Who Is Liable In A Workplace Deepfake Fraud Incident? - - Saunders Law, 查閱於 2026 年 2 月 9 日, https://www.saunders.co.uk/news/who-is-liable-in-a-workplace-deepfake-fraud-incident/
38. Deepfakes: Why Legal Liability Now Lies with the CIO, 查閱於 2026 年 2 月 9 日, https://nationalcioreview.com/articles-insights/information-security/deepfakes-why-legal-liability-now-lies-with-the-cio/
39. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes, 查閱於 2026 年 2 月 9 日, https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/
40. The State of Information Security Report 2025 | Resilience, Compliance & AI - ISMS.online, 查閱於 2026 年 2 月 9 日, https://www.isms.online/the-state-of-information-security-report-2025/
41. Lawyer Liability for Wire Transfer Fraud - American Bar Association, 查閱於 2026 年 2 月 9 日, https://www.americanbar.org/groups/tort_trial_insurance_practice/resources/brief/2025-spring/lawyer-liability-wire-transfer-fraud/
42. How to Choose a Liveness Solution That Actually Works? - Oz Forensics, 查閱於 2026 年 2 月 9 日, https://www.ozforensics.com/id/blog/articles/how-to-choose-a-liveness-solution-that-actually-works
43. Biometric Security Guide : Understanding ISO/IEC 30107 Standards - Pacific Certifications, 查閱於 2026 年 2 月 9 日, https://blog.pacificcert.com/biometric-security-guide-understanding-iso-iec-30107/
44. ISO/IEC 30107 (Biometric Presentation Attack Detection) - DuckDuckGoose AI, 查閱於 2026 年 2 月 9 日, https://www.duckduckgoose.ai/glossary/iso-iec-30107--biometric-presentation-attack-detection
45. Identy.io Facial Biometric Technology Receives NIST ISO 30107-3 Level 2 PAD Certification with Perfect Score, 查閱於 2026 年 2 月 9 日, https://www.identy.io/identy-io-facial-biometric-technology-receives-nist-iso-30107-3-level-2-pad-certification-with-perfect-score/
46. AI Risk Management Framework - NIST, 查閱於 2026 年 2 月 9 日, https://www.nist.gov/itl/ai-risk-management-framework
47. US Expands Artificial Intelligence Guidance with NIST AI Risk Management Framework, 查閱於 2026 年 2 月 9 日, https://cdp.cooley.com/us-expands-artificial-intelligence-guidance-with-nist-ai-risk-management-framework/
48. iProov Shows Deepfake Resilience Under NIST Digital ID Rules - AI-Tech Park, 查閱於 2026 年 2 月 9 日, https://ai-techpark.com/iproov-shows-deepfake-resilience-under-nist-digital-id-rules/
49. Building Deepfake-Resilient Conferencing Procedures - Reality Defender, 查閱於 2026 年 2 月 9 日, https://www.realitydefender.com/insights/building-deepfake-resilient-conferencing-procedures
50. Deepfake Doppelgangers: Scammers Hijack Zoom Calls To Drain Bitcoin Wallets, 查閱於 2026 年 2 月 9 日, https://cyberpress.org/deepfake-zoom-scams-drain-wallets/
51. Deepfake Attacks Hit Two-Thirds of Businesses - Infosecurity Magazine, 查閱於 2026 年 2 月 9 日, https://www.infosecurity-magazine.com/news/deepfake-attacks-hit-twothirds-of/