不会，除非是网络教学已经到了拐点，有巨大改变的时候，否则现有的主流不可能完全被取代，不过就算是科技有了巨大改变，个人认为，只要是人类，就需要交流，其实根本上没有区别。

如何才能将人工智能的相关技术正确的应用在网络安全中去？

实际上，安全厂商和广大安全研究者一直致力于将人工智能用于网络安全服务当中。早在十几年前，机器学习和统计分析模型就已经用在了web安全方面，例如恶意流量分析、入侵检测、垃圾邮件检测等。通过对大量样本的学习，类似的安全产品往往能够取得不错的效果。然而，在网络安全其它领域，例如二进制漏洞挖掘、利用等，人工智能的应用研究还处在起步阶段。

例如，在二进制漏洞挖掘方面，AFL工具被安全研究人员广泛的使用者。AFL是一种简单可靠的模糊测试（fuzz）工具，它采用了插桩导向的遗传算法，通过边缘覆盖率识别程序控制流的变化。这其中，AFL会对测试用例进行周期性的增加和删减，消除覆盖率较低的测试用例，其核心思想其实是遗传算法的变异过程。最近二三年才有一些用机器学习做测试用例生成[1,2,3]及变异[4]的工作。虽然效果都不尽如人意，但是却是人工智能在二进制漏洞挖掘领域的先驱性工作，意义非凡。

因此，人工智能在网络安全领域的应用还有很长的路要走。

参考文献：

[1] Godefroid P, Peleg H, Singh R (2017) Learn & fuzz: Machine learning for input fuzzing. In: Proceeding ASE 2017 Proceedings of the 32nd IEEE/ACM International Conference on Automated Software Engineering. IEEE Press, Piscataway. pp 50–59

[2] Rajpal M, Blum W, Singh R (2017) Not all bytes are equal: Neural byte sieve for fuzzing. arXiv preprint arXiv:1711.04596.

[3] Nichols N, Raugas M, Jasper R, Hilliard N (2017) Faster fuzzing: Reinitialization with deep neural models. arXiv preprint arXiv:1711.02807

[4] Rawat S, Jain V, Kumar A, Cojocar L, Giuffrida C, Bos H (2017) Vuzzer: Application-aware evolutionary fuzzing. In: Proceedings of the Network and Distributed System Security Symposium (NDSS).

了解最新“智驭安全”产品、技术与解决方案，欢迎关注微信公众号：丁牛科技（Digapis_tech）。