2美元AI重现1亿美元盗案漏洞，代码安全防线重塑

据 Woofun AI 消息，Dragonfly 管理合伙人哈西布·库雷希利用 GLM 5.2 模型，以 2 美元成本在 20 分钟内重现了导致 ColdCard 盗窃案中 1 亿美元 Bitcoin 被盗的漏洞，彻底颠覆了传统安全审计的成本结构。

这项实验的核心在于验证通用人工智能模型在已知背景下的漏洞定位效率。研究人员并未向 GLM 5.2 透露漏洞的具体代码位置，而是直接指向存在问题的软件库。在大约 20 分钟内，模型便精准识别出了导致巨额资产流失的安全缺陷。

值得注意的是，这一过程并非盲目的全量扫描，而是基于研究人员早已知晓该软件存在严重问题的前提进行的定向测试。目前没有任何证据表明最初的窃贼使用了人工智能技术，此次重现仅证明了识别漏洞与大规模利用漏洞之间的本质区别。攻击者在发现漏洞后仍需执行复杂的利用操作，而 GLM 5.2 仅完成了缺陷发现环节。

这一结果揭示了一个关键事实：通用型模型能够以极低的边际成本快速复现潜在的技术缺陷，使得代码审查的门槛大幅降低。传统上，深入的漏洞研究依赖专业知识与大量人工工时，即便经验丰富的研究人员也难以覆盖所有固件版本、智能合约及加密库。如今，人工智能让大规模代码初步审查成为可能，研究人员可将多个模型并行应用于同一代码库，排查不同故障路径，并在模型迭代时重复流程。

尽管大多数搜索可能无果，但单次尝试成本仅为几美元时，这种高频试错策略便具有了极高的性价比。寻找弱点者可以扫描众多目标，无需每次成功，只要找到一个危害数百万美元资产的漏洞，数千次失败尝试即被覆盖。人工智能未消除对专业人才的需求，但显著降低了发现潜在问题、验证理论及检查超出人类单独处理能力的代码的成本。

从威胁范式来看，人工智能辅助的代码分析与量子计算风险存在本质差异。长期以来，Bitcoin 安全讨论聚焦于量子计算，认为其强大算力最终可能威胁保护 Bitcoin 的签名机制，迫使网络转向新加密技术。

然而，人工智能无需破解数学原理，而是直接分析当前运行的软件代码。它专注于查找随机数生成不安全、敏感信息泄露、加密实现有误及恢复功能风险等具体工程缺陷。此前关于"人工智能与量子计算对加密货币构成的威胁"的分析已指出，量子计算可能引发网络层面的加密崩溃，而人工智能则直接作用于保护用户资金的钱包、跨链桥、加密库及应用程序。当下更紧迫的风险并非人工智能破坏 Bitcoin 协议本身，而是软件中的人为失误。人工智能本身不具备安全偏好，其作用取决于任务设定。攻击者可用其扫描旧版固件，自动化重复分析并检测弱点；钱包制造商可在发布前用其测试密钥生成、交易签名及恢复流程；开发者亦可重新审视五年前审计过的软件，用当时不存在的工具进行检查。

这种双向可用性意味着，无论是防御还是进攻，技术工具本身是中立的，关键在于使用者的意图与执行能力。

攻防不对称性在此场景下尤为突出。攻击者在确认漏洞后应立即行动，而开发者需经历重现问题、确定受影响用户、准备安全修复方案及分发的漫长过程，且不能透露过多信息以免加速攻击。模型可能误解代码产生误报，或描述无法实现的攻击方式，最终仍需人类研究人员核实结果并决定响应紧急程度。人工智能扩大了可检查的代码范围，却无法替代发现严重缺陷后的专业知识与应急处理能力。

Woofun AI 整理数据显示，在 ColdCard 事件中，受影响用户多为遵循常规建议、将 Bitcoin 从交易所转移至专用硬件钱包的自托管者。然而，自托管安全依赖于设备正确生成并保护私钥。库雷希指出，受影响固件的随机数生成源强度低于设计标准，若私钥基于可预测输入生成，即使设备离线，私钥安全性也无法提升。物理隔离仅降低远程攻击风险，无法修复生成之初即有缺陷的密钥。因此，硬件钱包用户不仅需妥善保管助记词，更须信任制造商的固件、硬件设计、加密库及随机数生成器。多年无已知漏洞攻击仅说明软件日常表现良好，而非所有严重缺陷已暴露。人工智能使旧代码更易被重新分析，此前少受关注的软件现可被反复大规模检查。随着大型模型改进，钱包制造商与加密货币协议应重新扫描旧版本软件，尤其是负责生成私钥、签署交易或控制钱包恢复功能的代码。

用户风险与补救措施面临复杂挑战。单靠固件更新无法解决所有问题，若缺陷影响现有私钥生成方式，修复软件仅保护新创建钱包，旧钱包仍面临风险。用户需在修复后系统中生成新私钥并转移资金，服务提供方应识别受影响版本，迅速联系用户并指导安全迁移。

然而，这一过程易被骗子利用，安全事件常伴随虚假支持账号、恶意迁移网站及要求验证钱包信息的消息出现。用户绝不能向任何支持人员、网站、社交媒体账号或人工智能聊天机器人提供助记词或私钥，合法恢复流程无需他人获取敏感信息。人工智能辅助分析应成为常规开发流程的一部分，而非事后工具。加密货币公司应考虑模型提供更广泛快速检测覆盖范围，但安全团队仍需区分真正漏洞与错误报告，开发修复方案并处理用户影响。库雷希的例子未证明人工智能能破坏 Bitcoin，仅表明保护 Bitcoin 的软件可通过低成本手段检测漏洞。

这一发展既可能提升安全性，也可能让攻击变得更便宜。开发者可利用人工智能在发布前测试产品发现错误，攻击者则利用其分析被忽视代码，在多个目标重复搜索并立即行动。技术对双方可用，结果取决于使用者、核查精度及防御反应速度。持续重新评估软件的项目可利用同样让攻击更容易的工具提升安全性，而依赖旧审计结果或认为长期隐藏漏洞已发现的团队将失去机会。