KeyFrame內部研究專用

AI网络攻防战已经打响! #ai #网络安全

Way To AGI·5月17日週日·8 min中文

三句話摘要

AI 已從輔助工具升級為自主武器,全球網路安全攻防雙方正全面部署 AI 作戰,漏洞從披露到武器化僅需 24 小時。 --- AI 已讓漏洞武器化成本降至 2000 美元、時間縮至 24 小時,普通用戶現在能做的最有效自保行動,就是立即為每個平台設置獨立密碼,並在收到系統更新提示時第一時間執行升級。 AI 已能自主完成從漏洞發現到攻擊載荷生成的完整鏈路。 谷歌此次截獲的攻擊腳本並非由人類黑客撰寫,而是 AI 在無人監督下自主生成,目標鎖定深層邏輯缺陷而非傳統記憶體漏洞,這類缺陷幾乎無法靠人工程式碼審計發現。

重點整理

重點
  • 1

    AI 已能自主完成從漏洞發現到攻擊載荷生成的完整鏈路。 谷歌此次截獲的攻擊腳本並非由人類黑客撰寫,而是 AI 在無人監督下自主生成,目標鎖定深層邏輯缺陷而非傳統記憶體漏洞,這類缺陷幾乎無法靠人工程式碼審計發現。

  • 2

    AI 留下的「幻覺痕跡」成為鑑定 AI 攻擊的關鍵證據。 攻擊腳本的程式碼註解中出現偽造的 CVSS 漏洞評分,真實人類黑客絕不會在木馬程式中附帶合規技術文件,這一特徵確認了 AI 在實戰攻擊中的身份。

  • 3

    防禦端同樣以 AI 矩陣對抗 AI 攻擊,單一模型已不足應對現代威脅。 微軟 MDASH 系統的核心邏輯是多模型協作分工,在歷史漏洞庫召回率達 100%、零誤報,打破了單一模型的智力天花板。

  • 4

    漏洞的真實數量被系統性低報,因企業為防逆向工程而刻意不公開細節。 CVE 公開漏洞數量未暴增不代表漏洞減少,而是漏洞殺傷力太大、修復後不敢公開技術細節,大型銀行與金融機構正陷入前所未有的緊急打補丁模式。

  • 5

    --

實用技巧與重點

乾貨
  • 具體數字與時間
  • 谷歌報告發布日期:2026 年 5 月 11 日
  • 兩名研究員攻破蘋果 M5 晶片防禦機制:耗時 5 天
  • 苹果防禦機制建設成本:5 年、數百名頂級工程師
  • 漏洞報告厚度:55 頁紙本報告(親手遞交至庫比蒂諾總部)
  • 微軟 MDASH 基準測試成功率:88.45%
  • 歷史漏洞庫召回率:100%,植入測試誤報率:0
  • 單次補丁揪出 Windows 底層高危漏洞:16 個(含 TCP/IP 遠端程式碼執行缺陷)
  • Palo Alto 一個月排查漏洞:75 個,效率提升:7 倍
  • 漏洞武器化時間:從數週縮短至 24 小時以內
  • 漏洞開發成本:不到 2000 美元
  • 工具與模型名稱
  • 攻擊端 AI 工具:特定 AI 代理工具(未披露名稱)
  • 安全研究用 AI 模型:Cloud Mathos(神話模型)
  • 防禦矩陣系統:微軟 MDASH(Multi-agent Detection and Attack Surface Hunting,100+ 專用 AI 智能體)
  • 基準測試平台:CyberGym 公開基準測試
  • 攻擊技術細節
  • 攻擊目標:企業級開源 Web 系統管理工具
  • 繞過機制:基於 Python 代碼的雙因子身份驗證(2FA)
  • 漏洞類型:深層邏輯缺陷(非傳統記憶體損壞漏洞)
  • 蘋果漏洞類型:資料層核心本地權限提升鏈(LPE chain),可從普通用戶提權至 root
  • 受影響機構
  • 摩根大通、高盛、花旗等全球大型銀行,均進入緊急打補丁模式
  • --

結論

結論

AI 已讓漏洞武器化成本降至 2000 美元、時間縮至 24 小時,普通用戶現在能做的最有效自保行動,就是立即為每個平台設置獨立密碼,並在收到系統更新提示時第一時間執行升級。

完整解析

詳細

2026 年以來,AI 驅動的網路攻擊已從理論跳入現實戰場。5 月 11 日,谷歌威脅情報小組發布了一份具有歷史意義的深度報告,確認他們成功攔截了一起完全由大型語言模型(LLM)自主構建並在實戰中部署的零日漏洞攻擊事件。這次攻擊的目標是一款在企業市場廣泛使用的開源 Web 管理工具,黑客透過 AI 代理工具精準繞過了該系統以 Python 實作的雙因子身份驗證機制。值得注意的是,AI 發現的不是傳統自動化掃描器能輕易識別的記憶體損壞型漏洞,而是一種藏在業務邏輯深處、人工程式碼審計幾乎無法察覺的邏輯缺陷——這代表 AI 的漏洞挖掘能力已超越過去依賴模式比對的工具層次。谷歌得以確認 AI 身份的關鍵線索,是攻擊腳本的程式碼注釋中出現了一份偽造的 CVSS 漏洞評分文件,這是大模型「幻覺」的典型表現,真實人類黑客絕不會在木馬程式裡附帶合規技術文件。

與此同時,以硬體安全聞名的蘋果生態也遭到 AI 精準突破。一個名為 KHIF.IO 的安全研究組織在網路安全專屬 AI 模型 Cloud Mathos 的協助下,僅花五天便攻破了蘋果耗時五年、動用數百名頂級工程師打造的 M5 晶片核心記憶體完整性防禦機制。這個漏洞屬於資料層核心本地權限提升鏈,攻擊者只需持有一個普通無權限的用戶帳號,即可在數秒內提權至 root 最高管理員,完全掌控整台 Mac 底層控制權。出於對漏洞破壞力的高度警惕,研究員選擇了親自驅車前往蘋果庫比蒂諾總部、遞交 55 頁紙本報告的方式,刻意避免在任何網路通道留下傳輸痕跡。

面對攻擊端的 AI 武裝化加速,防禦端也以同樣的方式反擊。微軟推出了由 100 多個專用 AI 智能體協同運作的 MDASH 多模型矩陣,在 CyberGym 公開基準測試中達到 88.45% 的行業最高成功率,對歷史漏洞庫的召回率高達 100%,同時實現零誤報。在最近一次補丁週期中,MDASH 一口氣識別出 16 個 Windows 底層高危漏洞,其中包括 TCP/IP 協議層的遠端程式碼執行缺陷。Palo Alto Networks 同樣報告,在引入 AI 安全模型後,短短一個月內在自家成熟產品中排查出 75 個潛伏已久的漏洞,發現效率提升整整七倍。

這場戰爭的全貌比表面數據更令人憂慮。AI 已將漏洞從公開披露到完全武器化的時間壓縮至 24 小時以內,開發成本甚至不到 2000 美元。公開漏洞登記庫(CVE)數量未見暴增,並非因為漏洞減少,而是因為漏洞殺傷力太大,企業在用 AI 快速修補後,為防止黑客逆向工程,不敢將技術細節對外公開。摩根大通、高盛、花旗等全球大型金融機構均已陷入緊急打補丁模式,與 AI 模型開發商共同搶在更多開源 AI 黑客工具氾濫之前,封堵成千上萬個隱性漏洞。

---

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。