AI 物料清單 (AIBOM)：完整指南

什麼是 AI 物料清單 (AIBOM)？

2026 年 5 月，一個冒充 OpenAI 官方發布版本的惡意 Hugging Face 儲存庫，在被標記並移除之前登上了該平台的熱門排行第一名。由於它幾乎逐行複製了真實的模型卡，該項目看起來十分可信，而任何已經將其拉取進來的人都無從得知，因為軟體相依性掃描會檢查程式庫與套件，而遭入侵的是模型本身。

AI 物料清單 (AIBOM) 能提供該掃描無法提供的內容：一種讓您知道遭入侵的模型或 遭污染的資料集是否已存在於您的環境中。

AIBOM 是構成 AI 系統之資料集、模型、框架與相依性的結構化清冊，並記錄每個元件的來源。它涵蓋那些原始來源原本未被記錄的資產：第三方資料、預先訓練模型，以及開源程式庫。

AIBOM 與軟體物料清單的關係

A 軟體物料清單會列出應用程式中的軟體元件與相依性：程式庫、套件、版本識別碼與授權。AIBOM 將這種清冊實務延伸至 AI 專屬資產，包括訓練資料、模型權重、模型來源，以及效能基準。 CycloneDX，即 OWASP 的 BOM 標準，透過將 SBOM 與 AI/ML-BOM 定義為可互通的 BOM 類型來實現這一點。

AIBOM 的核心元件

AIBOM 會記錄定義 AI 系統組成、來源與作業設定檔的完整元件集合。G7 網路安全工作小組於 2026 年 5 月發布的指引，並以 CISA 的 AI SBOM 最低要素發表，將這些元件整理為七個群組。

這七個群組描述了 AIBOM 所包含的內容。至於何時填入各群組，則取決於模型生命週期：記錄是分階段建立，而非一次完成。

如何在整個模型生命週期中產生並維護 AIBOM

AIBOM 記錄會在四個生命週期階段中逐步成形，每個階段都會根據上述元件分類填入特定群組。

1. 資料來源與準備。 AIBOM 從這裡開始，先建立資料集屬性：在模型訓練開始之前，您要擷取每個訓練、驗證與測試資料集的識別、來源、授權與完整性。在初次蒐集時，以及每次重新訓練或微調事件發生時，都要更新此群組。
2. 模型訓練與微調。在訓練時，您要記錄輸入資料集、訓練程式碼、超參數設定與產生之模型權重之間的關聯。微調事件需要同時更新模型群組與資料集群組。
3. 建置與部署。 在部署時，您會以軟體相依性、框架與執行階段環境詳細資訊，完整填入系統層級屬性叢集。KPI 基準值會被記錄。基礎架構元件會透過 HBOM 記錄或連結。
4. 持續監控與維護。 AIBOM 維護是由事件驅動。七個叢集中任何元件的變更都會觸發更新，包括重新訓練的模型、已修補的相依性、資料集版本以及基礎架構變更。自主探索工具與機器可讀格式會在變更發生時更新記錄，以保持其準確性。

在這四個階段中，AIBOM 只有在其格式與更新規則預先固定時，才能維持可靠性，而這正是目前標準所規定的內容。

AIBOM 標準與框架

四項相互銜接的標準構成目前 AIBOM 實作的權威基礎。每一項都處理治理堆疊中的不同層級。

1. NIST AI 風險管理框架。 NIST AI 風險管理框架 將可追溯性與可問責性確立為可信任 AI 的基礎屬性。其首次發布版本 AI RMF 1.0，於 2023 年 1 月建立了該基準，而 Generative AI Profile 則於 2024 年 7 月將其延伸至生成式系統。NIST 於 2025 年 4 月發布的報告 AI 100-5e2025 明確將 AI 供應鏈與 SBOM 機制連結起來，將模型卡與資料卡連同軟體物料清單一併視為透明度工具。
2. OWASP CycloneDX ML-BOM。 ML-BOM 功能於 CycloneDX v1.5 中引入，並在後續版本中擴充，可表示 AI/ML 系統的資料集、模型與組態，包括來源文件與資料集的倫理考量。
3. SPDX 3.0 AI 與資料集設定檔。 SPDX 是一項 ISO/IEC 標準，並在 3.0 版中新增 AI 與資料集設定檔。這些設定檔記錄 AI 模型、訓練資料、提示範本、AI 代理與授權。
4. CISA 與 G7 最低要素。CISA 於 SBOM 最低要素中涵蓋 AI 軟體，發布於 August 2025。2026 年 5 月，所有 G7 成員國加上歐盟的網路安全機構發布聯合指引，定義 AI SBOM 可能包含的七個要素叢集，內容載於 the joint G7 guidance。

AIBOM 的採用仍處於早期階段，而目前的實作往往不完整或不準確。但這些標準為您提供了可據以建構的基礎。

為何 AIBOM 對安全性、合規性與可稽核性至關重要

就安全性而言，AIBOM 會記錄資料集來源與模型權重校驗和，讓團隊能調查模型是否以遭竄改的資料進行訓練。當漏洞或遭入侵的元件影響 AI 基礎架構時，AIBOM 會告訴您哪些系統受到影響。

就合規性而言，EU AI Act 對某些 AI 系統與模型納入透明度與文件義務，包括技術文件與訓練內容摘要。AIBOM 透過建立結構化的組成記錄來支援這些義務。

就可稽核性而言，AIBOM 在稽核人員與事件回應團隊詢問特定 AI 系統是由哪些內容建構而成時，提供可追溯且具版本控管的答案。該記錄顯示哪些資料集用於訓練、部署了哪些模型權重，以及哪些框架與相依性提供支援。若沒有這項記錄，您對任何關於 AI 組成的稽核問題所做的回應，充其量都只是重建工作。

上述每一項成果都假設該記錄是準確且最新的。要在企業規模下達到這種狀態，會遭遇僅靠投入努力也無法消除的結構性限制。

Singularity™ AI SIEM

Target threats in real time and streamline day-to-day operations with the world’s most advanced AI SIEM from SentinelOne.

Get a Demo

實作 AIBOM 的挑戰

無論組織成熟度或資源配置如何，結構性限制都會使 AIBOM 實作變得困難。

• 標準與工具尚未成熟。 CycloneDX ML-BOM、SPDX 3.0 AI 設定檔與 G7 指引都是最近才推出，因此實務與工具仍在逐步定型。
• 不透明的第三方模型。 透過推論 API 存取的專有基礎模型，幾乎不揭露其內部資訊。您可以記錄名稱、版本、端點、存取控制與供應商證明，但封閉模型的完整組成仍無法取得。
• 訓練資料來源。 對於外部訓練的模型，來源資訊可能永遠不會被揭露。對於內部模型，您必須在訓練期間擷取這些資訊，因為事後重建並不可靠。
• 快速模型版本管理。 每次重新訓練或參數變更都會建立一個新的有效版本，且具有其自身的風險設定檔，產生任何人工流程都無法大規模追蹤的版本蔓延。
• 異質環境。 企業 AI 橫跨雲端供應商、地端基礎架構、SaaS AI 工具、第三方應用程式中的嵌入式 AI、代理型系統，以及向量資料庫。

這些限制來自外部，因此你最多只能針對它們進行因應設計。下一節中的失敗則相反，而且是你可以預防的。

常見的 AIBOM 實作錯誤

上述每個錯誤都是流程選擇，因此每個錯誤都有對應的流程修正方式。以下實務會將清冊從靜態檔案轉變為營運控制。

AIBOM 最佳實務

以下行動可將你的 AIBOM 計畫從靜態文件提升為營運治理工具。

• 部署自主探索與產生功能。將其整合至模型登錄、API 閘道與雲端 AI 服務清冊中。
• 標準化為機器可讀格式。 輸出 CycloneDX ML-BOM 或 SPDX 3.0 AI 設定檔。人類可讀的試算表無法支援將清冊安全價值營運化的工作流程。
• 在來源處擷取來源資訊。 記錄訓練與微調資料集識別碼、模型權重校驗和、訓練執行中繼資料，以及推論 API 版本釘選。對於內部模型，請在訓練時將來源追蹤機制植入 ML 管線。
• 以 AIBOM 作為 CI/CD 的管控關卡。 在建立訓練成品、登錄推送事件及部署組態變更時產生 AIBOM，並將缺少或過時的 AIBOM 視為管線失敗，以停止提升至下一個環境。
• 持續監控漂移。 在每次部署事件中，比對已部署模型成品雜湊與 AIBOM 記錄的 hashes。事件驅動的節奏，正是區分治理記錄與過時文件的關鍵。
• 透過主動探索找出 shadow AI。識別與已知 AI 推論端點的連線，並將發現的資產加入 AIBOM，同時明確標示為未受治理風險分類。

這些實務會將你的 AIBOM 從稽核成品轉變為活的記錄。要在雲端規模執行這些實務，需要工具支援，而這正是 SentinelOne 的 AI Security Posture Management 發揮作用之處。

使用 SentinelOne 改善 AIBOM 治理

AIBOM 的品質取決於為其提供資料的探索能力。 Singularity Cloud Security，SentinelOne 的 Cloud-Native Application Protection Platform，透過其 AI Security Posture Management (AI-SPM) 功能，在雲端環境中建立並維護 AIBOM，並整合用於資料層的 Data Security Posture Management (DSPM)。

• 用於填入清冊的探索。 AI-SPM 會找出在您環境中執行的 AI 管線、ML 模型與相依項目，包括 Amazon SageMaker 等服務上的作業。由於它同時涵蓋核准與影子 AI，因此它列舉的每個元件都會成為潛在的 AIBOM 項目，不會留下任何無聲的盲點。
• 記錄之上的風險情境。組態檢查與 Verified Exploit Paths 會顯示哪些已編目的元件存在錯誤設定或可被利用，而 DSPM 則透過安全可訓練閘門，讓高風險資料遠離 AI 管線。 Prompt Security 會檢查提示與回應，並治理代理式 AI，將您的 AIBOM 治理延伸至執行階段層。
• 跨平台驗證。 Singularity Platform 將端點、雲端與身分識別遙測整合至單一資料湖，因此您可以確認已部署環境仍與您的 AIBOM 相符。當出現偏移時， Purple AI 就會介入，作為自然語言分析師，能在相同資料上自主展開調查。 根據 IDC，Purple AI 客戶的威脅識別速度提升了 63%，平均回應時間 (MTTR) 降低了 55%。 

預約 SentinelOne 示範，評估您的 AI 供應鏈風險，並在您的雲端環境中建立可防禦的 AI 治理計畫。

The Industry’s Leading AI SIEM

Target threats in real time and streamline day-to-day operations with the world’s most advanced AI SIEM from SentinelOne.

Get a Demo

重點整理

AIBOM 會盤點 AI 系統背後的資料集、模型、框架與相依項目，並記錄每個元件的來源。它將既有的 SBOM 實務延伸至 AI 特有資產，例如訓練資料、模型權重與模型來源。 

NIST、OWASP CycloneDX、SPDX 與 G7 的標準定義了 AIBOM 應記錄的內容。這份盤點對安全性、合規性與可稽核性至關重要，但若要在模型變更時維持準確性，則需要自主探索、機器可讀格式、來源擷取，以及 CI/CD 整合。若執行得當，AIBOM 就不再只是文書作業，而會成為您可採取行動的控制機制。