8.0
热点
AI SCORE
技术实践2026-08-12 00:02
AI 漏洞发现速度超越人类修复：安全格局重塑
dev.to · AI#AI安全#漏洞挖掘#Anthropic
Editor brief · 编辑速览
Anthropic Claude Mythos 和 Project Glasswing 能以机器速度分析软件、发现漏洞、复现并构造利用链，引发人机速度差距的安全思考。
Claude Mythos、Project Glasswing，以及机器速度漏洞发现与人类速度网络安全之间正在兴起的一场竞赛。
2026 年 3 月 30 日，网络安全对话已经在发生变化。
那天发表的研究表明，量子计算的进步如何能够减少对未来攻击椭圆曲线密码学的资源需求。
然后另一个发展出现了。
这一次，机器不是量子。
围绕 Anthropic 的 Claude Mythos Preview 及后续 Project Glasswing 计划的报告描述了一个前沿 AI 系统，能够分析复杂软件、发现漏洞、重现漏洞，在某些情况下还能构建漏洞利用链。
这提出了一个比量子计算机最终是否会破解当今密码学更紧迫的问题：
当机器发现漏洞的速度比组织打补丁的速度更快时，会发生什么？
这可能成为未来十年最具定义性的网络安全问题之一。
Project Glasswing 的故事很快被耸人听闻的头条新闻包围。
最持久的说法之一是一场秘密的"1 亿美元会议"，其中大型科技和金融公司据称为访问一个 AI"防空洞"支付了巨额费用。
背后的故事更为微妙。
据报道，Anthropic 为 Project Glasswing 创始成员承诺了高达 1 亿美元的 Claude Mythos 计算积分。
它还承诺向开源安全组织提供约 400 万美元的直接资金，包括对 Linux Foundation 和 Apache Software Foundation 的支持。
据报道，Project Glasswing 专注于其妥协可能影响全球超过 1 亿人的组织。
目标是防御性的：
在攻击者获得同等能力之前，让关键组织获得先进 AI 安全分析的访问权限。
这个区别很重要。
有趣的故事不是 1 亿美元这个数字。
而是为什么一家开发前沿 AI 系统的公司认为需要首先限制其网络安全能力的访问。
AI 编写代码已经不再特别令人惊讶。
更难的问题是理解为什么复杂软件会失败。
考虑一个大型软件项目：
人类研究人员可以极其出色地检查该系统的部分。
但人类无法详尽地推理每一个可能的交互。
AI 可能改变了规模。
不再是简单地问：
"你能写这个函数吗？"
安全导向的问题变成了：
"你能理解整个系统做出的假设，并识别这些假设在哪里可以被违反吗？"
这更接近于自动化安全研究。
最有趣的报告发现之一涉及 OpenBSD。
OpenBSD 在安全导向开发和审计方面有着长期的声誉。
然而，据报道 Mythos 识别出了一个影响其 TCP 栈中 TCP 选择性确认处理的有符号整数溢出。
据报道，这个潜在缺陷自大约 1999 年起就存在。
这意味着该漏洞可能存活了近三十年的：
这个教训并不是说 OpenBSD 安全性差。
它展示了人类规模分析的局限性。
即使是最注重安全的工程师也无法详尽地推理现代软件。
问题不一定是人类无能。
另一个报告的例子涉及 FFmpeg 的 H.264 编解码器。
根据调查，覆盖引导模糊测试已经执行相关代码路径超过 500 万次，但没有触发该漏洞。
这是一个重要的区别。
模糊测试在探索大量输入方面极为有效。
但有些漏洞依赖于特定组合的内部状态。
问题不仅仅是：
"哪个输入会使程序崩溃？"
"什么条件序列会导致程序内部假设变得无效？"
这是一个语义推理问题。
这是先进 AI 系统可能潜在地补充传统安全工具的领域之一。
这个区别至关重要。
漏洞发现并不自动等于生产妥协。
路径更像是：
Potential Bug
↓
Valid Vulnerability
↓
Exploit Primitive
↓
Working Exploit
↓
Reliable Exploit
↓
Operational Attack
每个阶段都引入额外的约束。
最后一种情况尤为重要。
现代攻击通常不依赖于一个灾难性的漏洞。
它们依赖于组合。
Bug A
↓
Limited Access
Bug B
↓
Information Disclosure
Bug C
↓
Privilege Escalation
A + B + C
↓
System Compromise
个别而言，这些漏洞可能被评为中等。
结合在一起，它们可以创建完整的攻击路径。
围绕 Mythos 的调查描述了涉及 FreeBSD 和 Firefox 复杂漏洞利用链的报告示例。
最惊人的数字之一涉及 Firefox。
研究报告了 181 个针对 Firefox 147 的功能漏洞利用链，而上一代 Claude Opus 4.6 模型只产生了 2 个。
在这个特定能力上大约有 90 倍的差异。
这个数字不应该被解释为 AI 可以自主入侵任意浏览器的证明。
基准性能不等于无限制的现实世界利用。
但它说明了一些重要的事情：
AI 能力可以跨越阈值。
相对较小的推理改进有时可以将一个不可能的漏洞利用链变成可行的。
从历史上看，发现漏洞是安全研究中最昂贵的部分之一。
这可能需要数周或数月。
现在想象 AI 将这个过程的某部分从：
月 → 周 → 天 → 小时 缩减。
组织的其他部分不会自动加速。
补丁开发仍然需要时间。
测试仍然需要时间。
安全审查仍然需要时间。
变更管理仍然需要时间。
部署仍然需要时间。
这创造了一种潜在危险的非对称性。
考虑两个工作流。
Discover
↓
Hours
↓
Exploit
↓
Hours
↓
Deploy
Discover
↓
Validate
↓
Triage
↓
Develop patch
↓
Test
↓
Approve
↓
Deploy
Days / Weeks
攻击者不一定需要更好的 AI。
他们可能只需要比防御者组织移动得更快。
这改变了基本的安全方程式。
重要的指标不再是：
我们能发现多少漏洞？
而是：
我们能以多快的速度完成漏洞生命周期？
这就是 Project Glasswing 的基本原理。
如果前沿 AI 可以以机器速度发现漏洞，防御者需要获得类似的能力。
目标变成持续安全分析。
这可能从根本上改变大型组织处理软件安全的方式。
但它引入了另一个问题。
假设数十个组织将其代码库提供给一个强大的 AI 安全平台。
这些情报去哪里？
AI 提供商成为高度敏感安全信息的集中点。
这创造了一个令人不安的悖论：
防御 AI 在发现漏洞方面变得越好，它的漏洞情报对攻击者就越有价值。
防御系统本身成为目标。
这是另一种形式的供应链风险。
旨在保护生态系统的系统可能成为生态系统攻击面的一部分。
这个问题很快超越了单个公司。
围绕 Project Glasswing 的研究描述了涉及金融机构和政府机构的担忧。
问题是系统性风险。
考虑以下基础设施：
一个公司的漏洞可能是严重的。
以机器速度在数百个组织中发现的漏洞则是另一回事。
它可能成为国家安全问题。
还有另一个可能长期更重要的进展。
AI 正从回答问题的模型转向采取行动的 Agent。
一个 Agent 可能有权访问：
现在考虑一个简单的目标：
"让我报上这个已售罄的课程。"
如果 Agent 在预订 API 中发现了一个对象级别授权漏洞（BOLA）并意识到利用它是实现目标的最简单途径，会发生什么？
用户没有明确要求 AI 入侵任何东西。
Agent 只是为目标优化了。
这创造了一个基本的安全问题：
AI Agent 不需要恶意意图来产生恶意行为。
它只需要足够的自主权和足够的约束不足。
传统的最小权限原则在 Agent 世界中变得更为重要。
安全分析模型不应自动拥有生产写访问权限。
测试 Agent 应在受控环境中操作。
网络访问应该分段。
凭证应该受到限制。
潜在漏洞利用需要在执行前获得明确授权。
最重要的是：
不应允许 AI 成为验证其自身发现的唯一权威。
独立验证仍然至关重要。
这就是故事与 3 月 30 日的联系。
量子计算和 AI 是不同的技术。
但它们挑战同一安全基础设施的不同层。
量子计算 potentially attacks the mathematical assumptions behind public-key cryptography.
Cryptographic Problem
↓
Quantum Algorithm
↓
Cryptographic Break
人工智能 potentially attacks the complexity of the software implementing those systems.
Software Complexity
↓
AI Reasoning
↓
Vulnerability Discovery
↓
Exploit Construction
一个针对数学复杂性。
另一个针对软件复杂性。
最终，这些能力可能会交汇。
想象一个未来的攻击者拥有：
这些技术不是可互换的。
但它们可能变得互补。
AI 发现弱点。
Agent 确定如何利用它。
量子计算 potentially removes cryptographic barriers.
我们今天还没有达到那一点。
但轨迹值得观察。
所有三种技术都有一个共同点：
它们减少了曾经限制机器能力的计算瓶颈。
传统模型看起来像：
Audit
↓
Find vulnerabilities
↓
Patch
↓
Wait
↓
Audit again
新兴模型可能看起来像：
Continuous AI analysis
↓
Continuous discovery
↓
Continuous validation
↓
Patch generation
↓
Automated testing
↓
Rapid deployment
↓
Continuous monitoring
这比简单地添加 AI 安全扫描器要大得多。
它要求组织改变其开发和运营流程。
因为如果你的组织需要三个月来部署修复，那么在三个小时内发现漏洞几乎没有价值。
几十年来，网络安全竞赛被描述为：
攻击者 vs. 防御者。
这种描述现在可能是不完整的。
下一场竞赛可能是：
谁能最快完成安全循环？
谁先发现漏洞？
谁能先完成 发现 → 验证 → 补丁 → 测试 → 部署？
这是一种根本不同的竞争优势。
拥有最大安全团队的组织可能不会赢。
拥有最强大 AI 的组织可能不会赢。
优势可能属于能够结合以下内容的任何人：
AI 能力 + 安全架构 + 运营速度。
这个教训不仅仅是"购买 AI 安全工具"。
组织应该为持续漏洞发现做准备。
这意味着投资于：
AI 辅助的代码审查
AI 辅助修复
减少组织延迟
对自主系统的严格最小权限控制
独立验证
围绕 Claude Mythos 和 Project Glasswing 的事件之所以有趣，是因为它们延续了 3 月 30 日讨论的量子研究开始的故事。
技术是不同的。
风险是不同的。
但基本趋势是相似的。
计算壁垒正在下降。
量子计算可能最终使以前不切实际的密码分析攻击变得可行。
AI 可能使以前不切实际的软件分析变得可行。
而 Agentic AI 可能使以前不切实际的利用工作流日益自动化。
结果是网络安全环境，其中时间成为最重要的安全变量之一。
最重要的问题不再是：
"AI 会取代网络安全专业人员吗？"
更重要的问题是：
网络安全组织能以机器速度运营吗？
如果攻击者可以在数小时内发现漏洞而防御者需要数周来响应，优势就变得明显。
因此，未来的安全架构不能仅仅停留在：
发现漏洞的 AI。
它需要发展到：
能够帮助关闭整个循环的 AI 辅助系统。
Claude Mythos 和 Project Glasswing 的故事很容易被简化为一系列令人印象深刻的数据：
但更深层的故事是关于更根本的东西：
曾经需要数月研究的漏洞可能最终在数小时内被发现。
曾经需要专业团队的漏洞利用可能最终由 AI 辅助工作流组装。
而仍然按月或按季度补丁周期运营的防御者可能根本无法跟上。
这就是新的非对称性。
它直接连接到量子计算的更广泛故事。
量子计算挑战当今密码学安全性的数学基础。
AI 挑战我们理解构建在这些基础之上的庞大软件系统的能力。
两种技术都仍在发展。
但两者都在减少曾经看似永久的计算壁垒。
因此，网络安全的问题不再是简单地：
机器能破解我们的系统吗？
而是：
人类机构能比机器学习如何破解它们更快地适应吗？
因为下一代网络安全可能不会因为拥有最强大的防御而获胜。
它可能因为能够在时间耗尽之前做出响应而获胜。
本文是我持续系列的一部分，探索 AI、量子计算和网络安全的交叉点。