KeyFrame內部研究專用

AI Just Found 10,000 Security Holes in Software You Use Every Day

Cipher Raven·6月3日週三·4 min中文

三句話摘要

Anthropic 的 Project GlassWing 計畫在一個月內透過 AI 模型發現超過 1 萬個真實漏洞,顯示 AI 正在重塑攻防雙方的速度與規模。 AI 已讓安全漏洞的發現速度提升到過去無法想像的規模,防禦窗口正在縮短,現在開啟自動更新與 MFA 是每個人最低成本、最高回報的一步。 AI 加速了漏洞發現的規模:過去需要大量時間的安全審計,AI 在一個月內完成了 10,000 個漏洞的識別,這代表防禦速度出現質的躍升,但攻擊方同樣能利用同等工具。

重點整理

重點
  • 1

    AI 加速了漏洞發現的規模:過去需要大量時間的安全審計,AI 在一個月內完成了 10,000 個漏洞的識別,這代表防禦速度出現質的躍升,但攻擊方同樣能利用同等工具。

  • 2

    WolfSSL 是供應鏈型高危漏洞:CVE-2026-5194 存在於廣泛部署於 IoT、車載系統與嵌入式設備的 TLS 函式庫中,因為專用硬體的韌體更新週期緩慢,修補傳播速度極慢,構成典型供應鏈風險。

  • 3

    AI 防禦已有實際戰果:合作銀行利用同款 AI 識別出社交工程(釣魚郵件偽造客戶通訊)所觸發的可疑匯款行為,成功攔截 1.5 億美元損失,這類能力過去不存在。

  • 4

    攻防窗口正在縮短:Anthropic 警告,目前只有少數受信任夥伴能使用這類強力模型,但很快將廣泛開放,意味著攻擊者也將具備相同的自動化漏洞搜尋能力,普通用戶的防禦窗口以週計。

實用技巧與重點

乾貨
  • 計畫名稱:Project GlassWing(Anthropic 發起)
  • 使用模型:Claude Mythos Preview
  • 測試夥伴數:約 50 名安全研究員
  • 發現漏洞總數:10,000+
  • 人工確認真實漏洞:1,700+
  • 高危或嚴重等級漏洞:1,100+
  • 已修補:97 個問題
  • 已公開 CVE:88 個
  • 關鍵漏洞:WolfSSL CVE-2026-5194,CVSS 9.1,影響 IoT / 車載 / 嵌入式設備的 TLS 函式庫,可執行身份偽造攻擊
  • 實際案例:夥伴銀行用 AI 攔截詐騙電匯 1.5 億美元(社交工程 + 郵件偽造手法)
  • 5 個立即行動建議:
  • 開啟所有裝置的自動更新(手機、電腦、路由器、智慧電視、遊戲主機)
  • 為電子郵件與銀行帳戶啟用 MFA(多因素驗證)
  • 詢問 IT 或設備廠商最後一次更新韌體是何時,若非定期執行則為警訊
  • 使用密碼管理員(可防止憑證自動填入釣魚/假冒網站)
  • 訂閱安全資訊電子報(如 Krebs on Security)

結論

結論

AI 已讓安全漏洞的發現速度提升到過去無法想像的規模,防禦窗口正在縮短,現在開啟自動更新與 MFA 是每個人最低成本、最高回報的一步。

完整解析

詳細

本月 Anthropic 公開了一項名為 Project GlassWing 的安全計畫執行成果。計畫約於一個月前啟動,核心做法是邀請約 50 名受信任的安全研究夥伴,讓他們搶先使用一款強力的新 AI 模型(Claude Mythos Preview),並將其部署在真實世界的設備、平台與服務中,專門尋找安全漏洞。這個構想本身並不複雜,但結果卻震驚業界:一個月內,系統識別出超過 10,000 個潛在問題,其中 1,700 多個經人工驗證為真實存在的漏洞,而在這些真實漏洞中,超過 1,100 個被評定為高危或嚴重等級。

其中最受關注的發現是 WolfSSL 函式庫的漏洞,編號 CVE-2026-5194,CVSS 評分高達 9.1。WolfSSL 是一個輕量級 TLS 函式庫,廣泛用於 IoT 設備、汽車車載系統與各類嵌入式硬體。這個漏洞允許攻擊者偽裝成使用者所信任的網站或服務,進而執行中間人攻擊或身份詐騙。更麻煩的是,這類設備的韌體更新週期往往以月甚至以年計,即便廠商已發布修補,實際到達終端設備的時間仍極為緩慢,形成典型的供應鏈安全問題。目前該計畫已完成 97 個問題的修補,並公開發布了 88 個 CVE 編號。

在防禦面,AI 工具已有具體的實戰效益。影片中提到一家合作夥伴銀行,運用同等級的 AI 模型分析通訊模式,成功識別出一起針對客戶的社交工程攻擊——犯罪者偽造客戶電子郵件,試圖騙過銀行執行國際匯款,AI 即時判斷出異常並攔截,避免了高達 1.5 億美元的損失。這類能力在過去幾乎不可能以如此低的延遲實現。

然而,Anthropic 本身也發出警告:這些強力模型目前只開放給少數受信任的合作夥伴,但很快將廣泛發布。這意味著攻擊者同樣能夠利用 AI 自動化地掃描漏洞、生成釣魚內容與設計攻擊鏈。目前防禦方領先的窗口以週計,而非以年計。因此,個人與企業現在能做的最有效行動是:立即開啟所有裝置的自動更新、為重要帳戶啟用 MFA、確認 IT 團隊或設備商有定期執行韌體更新的流程、使用密碼管理員以防止憑證被填入假冒網站,以及訂閱安全資訊電子報以掌握重大漏洞動態。

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。