传统的入侵检测系统（IDS，Intrusion 检测 系统）正日益被现代企业环境所产生的海量网络活动所淹没。每一个数据包、登录尝试、API 请求、DNS 查询和应用事件，都可能需要被检查。随着 AI 采用的不断增长，一些系统试图将几乎每一条安全事件都直接发送给 LLM 进行分析。虽然这看起来似乎很先进，但它也带来了显著的运营挑战，包括过多的 Token 消耗、更高的 GPU 工作负载、不断上升的基础设施成本、更慢的响应时间，以及将敏感安全数据更多地暴露给外部 AI 提供商。
分离式系统（独立系统）提供了一种更高效的方法，将确定性的安全工作负载与 AI 推理分离开来。与其依赖 LLM 检查每一个事件，网络活动的大部分都可以使用常规计算方法来处理，例如数据包解析、特征匹配、协议验证、白名单和黑名单校验、速率分析、异常阈值以及预定义的关联规则。这些任务可以快速、一致地在规模化运行，而无需持续的 AI 推理。
在这种架构中，智能路由（智能路由）决定每个事件应如何处理。正常且清晰可辨的流量保持在分离式系统内处理，而可疑、未知或高度复杂的事件则升级到本地 LLM、云端 AI 或人工安全分析师。这就确保了高级 AI 只在真正需要高级智能时才被使用。
这种方法的主要优势在于，AI 成为升级层，而不是主要的检测引擎。分离式系统处理重复性、确定性和高流量的检测，而 AI 则专注于复杂情况，例如多阶段攻击、异常行为模式、潜在零日漏洞迹象、内部威胁、跨系统关联以及自然语言安全报告。
通过将 IDS 与分离式系统相结合，组织可以降低 Token 用量、减少 GPU 需求、改善响应时间，并保持更可预测的运营成本。敏感安全数据也可以保留在受控的本地基础设施之内，从而加强隐私、网络安全、法规合规和数据主权。
因此，企业安全的未来并非建立在用 AI 取代传统网络安全系统的基础上。相反，它在于将分离式系统、智能路由、本地 LLM、云端 AI 和人工审查整合到一个协调的安全架构中。这种方法使组织能够在规模化高效地开展安全运营的同时，只在 AI 能够提供可衡量的运营价值时加以使用。
