KeyFrame內部研究專用

Zcash暴跌50%,安全漏洞誰的鍋 ?

幣圈發哥 Facrypto·6月6日週六·8 min中文

三句話摘要

Anthropic Opus 4.8 AI agent 發現 Zcash 隱私鏈「無限鑄幣」漏洞,引發幣價暴跌 50%,但真正的衝擊是 AI 已能做到密碼學家花數週也找不到的資安審計。 --- Zcash 事件的真正教訓不是幣價,而是 AI 已能發現人類密碼學家數年都找不到的致命漏洞,代碼安全審計從此必須納入 AI 這一關。 暴跌原因是恐慌,非攻擊:這個漏洞是 Zcash 委託的資安研究員主動挖掘發現的,並未被任何惡意者利用,幣價崩跌完全源於消息公開後散戶誤判情勢而恐慌賣出。

重點整理

重點
  • 1

    暴跌原因是恐慌,非攻擊:這個漏洞是 Zcash 委託的資安研究員主動挖掘發現的,並未被任何惡意者利用,幣價崩跌完全源於消息公開後散戶誤判情勢而恐慌賣出。

  • 2

    漏洞性質極度危險:因 Zcash 是隱私鏈,所有交易不可見,此漏洞允許攻擊者無限憑空印出 Zcash 並套現,且事後無法被察覺或證明是否已遭濫用,理論上可直接讓幣歸零。

  • 3

    AI 超越人類密碼學家:漏洞自 2022 年存在,Zcash 長期投入密碼學團隊定期做資安審查卻未發現,但 Opus 4.8 agent 一次掃描便找出,顯示 AI 在代碼審計上已出現質的突破。

  • 4

    行業啟示:AI 審計將成標配:此事引發業界討論,未來區塊鏈項目的代碼審計流程應強制納入 AI 審查,因為人類看不到的細節漏洞,AI 現在確實看得到。

  • 5

    --

實用技巧與重點

乾貨
  • 幣價跌幅:兩天內 -50%
  • 發現工具:Anthropic Claude Opus 4.8 + Taylor 的 Zcash full-stack security agent framework
  • 漏洞位置:ULTRA circuit(Zcash 隱私池)的橢圓曲線乘法(elliptic curve multiplication)兩行代碼
  • 漏洞類型:missing constraint bug,交易證明驗證未被啟用
  • 漏洞影響:可無限且不可檢測地在 ULTRA pool 中憑空鑄造 Zcash(undetectable unbounded inflation)
  • 漏洞存在時間:自 2022 年起
  • 當前狀態:已修復,未被實際利用
  • Taylor 提交報告標記:「Confidential until embargo lifted」
  • 人工查找難度:密碼學家需花費數週、刻意針對性挖掘才有可能發現
  • --

結論

結論

Zcash 事件的真正教訓不是幣價,而是 AI 已能發現人類密碼學家數年都找不到的致命漏洞,代碼安全審計從此必須納入 AI 這一關。

完整解析

詳細

這次事件的起點是 Zcash 幣價在短短兩天內暴跌 50%,消息來源指向 Anthropic 最新模型 Opus 4.8 找到了一個可以無限鑄幣的嚴重漏洞,因此許多人第一反應是「Zcash 被駭客攻擊導致崩盤」。然而這個理解是錯誤的。漏洞是由 Zcash 團隊主動委聘的資安研究員 Taylor 發現的,他的工作本就是替 Zcash 進行主動式滲透測試,找到問題就修復。沒有任何外部攻擊者利用這個漏洞,幣價崩跌純粹是消息曝光後散戶恐慌性拋售所致。

漏洞本身的技術細節相當嚴峻。Zcash 作為隱私鏈,所有交易內容對外完全不透明,交易的合法性依賴密碼學的零知識證明機制,而其核心正是兩行橢圓曲線乘法代碼。工程師在撰寫這段代碼時遺漏了必要的約束條件,導致交易的合法性驗證實際上從未被啟動。這意味著任何人都可以在 Zcash 的 ULTRA 隱私池中憑空發起不存在的交易、印出任意數量的 Zcash 並轉出套現,而且由於是隱私鏈,整個過程無法被追蹤,甚至事後也無法證明是否曾遭到濫用。理論上,若此漏洞被惡意利用,Zcash 可以直接歸零。目前此漏洞已確認修復,且 Taylor 的報告在解除保密前一直以機密文件形式存放。

這件事在社群中引發了兩種截然不同的反應。第一派認為,一個如此致命的漏洞從 2022 年就存在,多年來 Zcash 自己的密碼學團隊一直未能發現,這本身就是重大的信任危機,更可怕的是即便已遭利用也無從查證。第二派則來自較了解底層密碼學的工程師,他們指出此類漏洞極度隱蔽,即使刻意針對性搜尋,人類密碼學家也需花費數週時間才有機會找到,Zcash 長期持續做資安審查卻仍未發現並不奇怪,反而更值得關注的是:AI 做到了人類做不到的事。

主持人認為兩派說法都有其道理,而他個人覺得最震撼的並非 Zcash 本身的問題,而是 AI 在代碼審計層面已展現出超越頂尖密碼學家的能力。這次事件很可能成為一個轉捩點,未來區塊鏈項目、乃至所有高風險軟體的安全審計流程,都將必須引入 AI 作為標準環節,因為人類肉眼不可見的細節漏洞,AI 現在確實已經看得到了。

---

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。