当攻击者开始用 AI 挖洞，防御者就不能再用人工补漏了。网络安全正在进入一个全新的速度维度。
2026 年 5 月 12 日，谷歌威胁情报组（GTIG）发布了一份看似简短但影响深远的报告：犯罪黑客使用 AI 大模型独立发现了一个此前未知的零日漏洞，并编写了完整的 Python 攻击脚本。
这不是 AI「辅助」人类安全研究员的故事。这是 AI 自己发现了漏洞。
报告中的细节令人不安：攻击代码里充满了教学性质的注释文档（人类黑客写攻击工具时完全不需要）、一个 AI 自己编造的 CVSS 严重性评分，以及教科书式的标准 Python 代码格式。前 NSA 网络安全主管 Rob Joyce 称这是「迄今为止最接近犯罪现场指纹的东西」。
这个事件不是一个孤立的安全事故，而是一个拐点的信号——AI 驱动的网络攻防，正式从实验室走向了真实世界。
AI 挖洞：为什么比想象中来得更快
网络安全圈讨论「AI 自动挖洞」已经有好几年了。但大多数人想象中的场景是：一个超级 AI 系统，经过专门训练，能够像顶级安全专家一样进行漏洞挖掘。
现实更加朴素，也更加危险。
黑客使用的不是专门的安全 AI。他们使用的是通用的大语言模型——那些任何人都可以通过 API 调用的模型。他们只需要把开源项目的代码喂给模型，加上一个 prompt：「请分析这段代码中的安全漏洞。」然后，模型就真的找到了。
这背后的逻辑并不复杂。大语言模型的核心能力之一是模式识别——在海量代码中识别出「不安全的模式」。SQL 注入、路径遍历、缓冲区溢出、认证绕过……这些漏洞模式在训练数据中反复出现过成千上万次。模型不需要「理解」安全原理，它只需要识别出「这种写法以前出过事」。
更关键的是，AI 不需要休息，不需要经验积累，不会疲劳。人类安全研究员一天能审计的代码量是有限的，AI 可以 24 小时不间断地扫描成千上万的代码库。
这意味着漏洞发现的「民主化」——一个没有安全背景的脚本小子，只要会用 AI，就能获得接近专业安全研究员的漏洞发现能力。
AI Pulse 观点： 这个拐点的真正危险不在于 AI 变得多强，而在于攻击门槛变得多低。过去，零日漏洞的发现和利用需要深厚的安全知识和大量时间投入，这本身就是一种天然的制约。当 AI 把这种能力「平民化」之后，漏洞发现和利用的速度差将彻底改变攻防的时间窗口。安全团队必须接受一个现实：你不再能假设攻击者比你慢。
AI 攻击代码的「指纹」：是漏洞也是武器
谷歌在这次事件中注意到了一些有趣的细节——攻击代码暴露了 AI 生成的特征：
- 过度注释：代码中充满了教学性质的解释性注释。一个成熟的黑客写 exploit 时追求的是精简和隐蔽，不会在代码里写「这里我们使用 socket 库建立连接」这样的注释。
- 幻觉评分：攻击代码中包含了一个 AI 自己编造的 CVSS（通用漏洞评分系统）分数——模型试图给漏洞评定严重等级，但这个分数并不符合 CVSS 的评分标准。
- 教科书式格式：代码格式过于标准，像是从教程中复制出来的，缺少实战代码中常见的变体和优化。
这些「指纹」目前对防御方是有用的——它们可以帮助安全团队识别 AI 生成的攻击代码。但这是一个暂时的窗口。
随着攻击者学会「清洗」AI 生成的代码——删除注释、修正格式、去除幻觉信息——这些指纹会消失。就像人类黑客从一开始的粗糙脚本进化到精密的工具链一样，AI 攻击代码也会进化。
更重要的是，这些指纹本身就可能被利用。当防御方习惯了「AI 代码有过度注释」这个特征后，攻击者可以故意在代码中加入人类风格的注释和格式，从而绕过基于指纹的检测。
AI Pulse 观点： AI 生成代码的「指纹」是一个有趣但不可持续的防御策略。就像恶意软件签名一样，它解决的是昨天的问题。真正有意义的是利用 AI 进行实时行为分析——不是检测「代码是不是 AI 写的」，而是检测「这段代码在做什么」。但这就要求防御方也拥有同等级别的 AI 能力，否则就是拿计算器对抗超级计算机。
攻防不对称：AI 时代的安全困境
在传统网络安全中，攻防本身就存在不对称性——攻击者只需要找到一个入口，防御者需要保护所有入口。但 AI 加剧了这种不对称。
攻击方的优势：
- 规模：AI 可以同时扫描成千上万的开源项目和在线服务
- 速度：从发现漏洞到编写 exploit 的时间从数天压缩到数分钟
- 门槛：安全能力的「平民化」让攻击者群体指数级扩大
- 创新：AI 可以发现人类凭经验难以想到的攻击路径和组合漏洞
防御方的困境：
- 修补速度：即使发现了漏洞，从发现到发布补丁的时间窗口没有缩短
- 误报疲劳：AI 生成的安全扫描报告会产生大量误报，消耗分析资源
- 供应链脆弱性：现代软件依赖海量开源组件，每个组件都可能成为 AI 挖洞的目标
- 人才缺口：安全分析师的培养速度远远跟不上 AI 攻击工具的扩散速度
最让人担忧的是「时间差」问题。当 AI 能在几分钟内发现并生成 exploit，而安全团队可能需要数天甚至数周来发布补丁时，这个时间差就是攻击者的黄金窗口。
AI Pulse 观点： 在 AI 驱动的安全环境中，「及时修补」这个传统的安全基线已经不够了。防御方需要转向「假设已被入侵」的零信任架构，同时利用 AI 进行实时威胁检测和自动响应。这不是选择题——当攻击方的武器库已经升级，防御方还在用人工审计的方式，结果只有一个：被持续渗透。
谁在推动这场变革
这场 AI 安全变革的推动力来自三个方向：
开源安全工具链：大量开源项目让 AI 能够接触到真实世界的安全工具和方法论。Burp Suite、Metasploit、Nmap 等工具的文档和使用案例构成了丰富的训练数据。这意味着 AI 不仅「知道」漏洞是什么，还「知道」如何利用它们。
企业安全产品的「双刃剑」效应：许多企业安全产品（如漏洞扫描器、代码审计工具）的文档和报告本身就是公开可获取的。AI 通过学习这些工具的输出格式和分析方法，可以理解漏洞的发现逻辑和利用路径。讽刺的是，安全行业为防御而生产的知识，正在被武器化。
开源软件的透明性：开源代码的公开性是一个双刃剑。它让任何人都能审计代码、发现漏洞、贡献修复——同时也让任何人都能（借助 AI）扫描代码、发现漏洞、编写 exploit。在 AI 时代，开源代码的「可审计性」变成了「可利用性」。
安全行业的应对路径
面对 AI 驱动的攻击，安全行业正在探索几条路径：
AI vs AI 的防御：用 AI 对抗 AI 是最直接的路径。利用大模型进行实时代码审计、异常行为检测和威胁情报分析。但这要求防御方拥有比攻击方更强的 AI 能力——或者至少同等级别。这是一个资源密集型的竞赛。
自动化修补管线：既然人工修补太慢，那就自动化。当 AI 发现漏洞时，自动触发补丁生成、测试和部署流程。GitHub 的 Dependabot 和 OpenAI 的 Codex 已经在展示这种可能性，但将其扩展到安全领域需要更高的可靠性和更严格的验证。
威胁情报共享网络：当 AI 能够大规模发现漏洞时，单个组织的安全边界就不再重要。需要建立跨组织的威胁情报共享网络，让漏洞发现和修补信息在秒级而非天级传播。
软件供应链安全：AI 挖洞的最大威胁可能不在目标系统本身，而在其依赖的开源组件中。强化软件供应链安全——从依赖项审计到 SBOM（软件物料清单）管理——将成为防御 AI 攻击的基础设施。
AI Pulse 观点： 谷歌的这份报告不是一个安全警报，而是一个行业转折点。它标志着 AI 不再是安全行业的「辅助工具」，而是攻防博弈中的「核心参与者」。对于企业来说，这意味着安全预算的重新分配——从「购买安全产品」转向「构建 AI 驱动的防御能力」。对于整个行业来说，这意味着网络安全将从「人对抗人」进入「AI 对抗 AI」的新纪元。而在这个新纪元中，慢一步的代价可能是致命的。