本文提出了一种基于动态防御策略和稳定扩散的方法，以提高AI系统在对抗性攻击下的韧性。研究涉及边缘计算与云系统的协同推理，提出了高效的对抗检测和防御框架，并评估了不同威胁模型下的防御效果，强调了模型的鲁棒性和低功耗边缘的能效。

本文探讨了对抗性攻击对围棋AI系统KataGo的影响，研究表明通过对抗性玩家训练可实现超过99%的胜率。提出了动态防御策略以增强AI系统的鲁棒性，并分析了神经网络的易受攻击性，探讨了对抗训练在提高AI安全性方面的应用。