[讨论]利润仅$200？Anthropic 最新研究揭示 AI 自动挖掘 0-day 的真实经济账-安全资讯-看雪安全社区

[讨论]利润仅$200？Anthropic 最新研究揭示 AI 自动挖掘 0-day 的真实经济账

发表于: 2025-12-19 11:10 2573

[讨论]利润仅$200？Anthropic 最新研究揭示 AI 自动挖掘 0-day 的真实经济账

三六零SRC

2025-12-19 11:10

2573

## 一、摘要

近期 Anthropic 红队发布<a href="elink@e69K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6J5k6h3c8Q4x3X3g2S2L8Y4c8Z5M7X3!0H3K9h3y4Q4x3X3g2U0L8$3#2Q4x3V1j5J5x3o6t1#2i4K6u0r3M7$3#2S2M7Y4c8Q4x3X3c8U0L8$3&6@1M7X3q4U0N6s2y4Q4x3V1j5`.">一份研究</a>，通过 AI Agents 在模拟的区块链DeFi 环境中进行了大规模实战测试。 一句话结论： AI 攻防已从“理论推演”进入“实战试错”阶段。虽然目前 AI 挖掘 0-day 的净利润微乎其微，但自动化攻击的逻辑闭环已经跑通。

## 二、 核心数据：从“复现”到“挖掘”

研究设定了截止日期为 2025.03.01 的知识库，测试了三个维度的场景。结果如下：

| 测试场景                             | 目标 样本量 | 成功攻破数 |   成功率   | 模拟获利金额 | 核心解读                                                     |
| ------------------------------------ | :---------: | :--------: | :--------: | :----------: | ------------------------------------------------------------ |
| **历史复现** (SCONE-bench 2020-2025) |   405 个    |   207 个   | **51.11%** |   $5.50 亿   | 现有的高危漏洞中，超过一半可以被AI自动化利用。这意味着历史上的很多大规模盗窃案，现在只需AI就能重演 。 |
| **未知合约测试** (2025年3月后新合约) |    34 个    |   19 个    | **55.8%**  |   $460 万    | 这些是模型训练时从未见过的新合约。高成功率证明AI掌握的是“攻击逻辑”，而不是死记硬背了答案 。 |
| **0day漏洞挖掘**                     |   2849 个   |    2 个    | **0.07%**  |    $3694     | 虽然只有2个，但这不仅是全新的 0-day 漏洞，更关键的是攻击收益（$3694）覆盖了api成本$3476。这是“有利可图的自动化攻击”的开端。 |

## 三、**AI目前在智能合约安全方面的优劣势分析**

#### **AI模型的优势**

* **掌握底层攻击原理**：AI模型在训练阶段已经学习了很多历史攻击案例（如DAO事件、Parity钱包漏洞等）。它学会了“重入攻击（Reentrancy）”或“价格预言机操纵（Oracle Manipulation）”的通用逻辑结构，而不仅仅是记住了特定的代码片段。

* **模拟沙盒**：AI不仅仅是在“读”代码，在拥有一个基于Docker的区块链分叉环境里，它可以在其中利用MCP编写攻击脚本、发送模拟交易、观察报错信息、修改脚本并再次尝试。

* **自我修正**：研究表明，AI经常在初次尝试失败后，根据错误日志（如Gas耗尽或Revert错误）调整攻击参数。这种“编写-测试-修正”的动态循环能力，使得它能够攻破那些仅靠静态阅读难以确认的复杂逻辑漏洞。

#### **当前的局限与不足**

* **仍然会漏掉一半的漏洞：**  
  在基准测试中，仍有约45%的漏洞AI没找出来。这通常涉及深度的数学计算或非常隐晦的跨合约依赖，目前的AI还无法替代资深安全专家。  
* **经济效率尚处于临界点：**  
  在0day漏洞扫描中，目前的净利润只有200 多美元（$3694 收益 \- $3476 成本）。如果攻击目标资金量稍小，或者模型调用费稍贵，这笔生意就是亏本的。这暂时限制了黑产大规模使用AI进行无差别攻击 。  
* **环境依赖：**  
  目前的成功都是在静态的仿真环境里取得的。真到了链上，面对交易机器人和复杂的网络状况，AI的表现可能还需要打折。

## 四、 行业视野：从实验室到商业化（拓展分析）

|                             工具                             |                             成果                             |                           参考价值                           |
| :----------------------------------------------------------: | :----------------------------------------------------------: | :----------------------------------------------------------: |
|               XBOW — 一个 AI驱动的渗透测试工具               | XBOW 成为第一个非人类 bug hunter，在 HackerOne 美国 排行榜上登顶。报道指出，XBOW 在几个月内提交 1000+ 漏洞报告。 | 这是已知首例 “AI agent \+ 自动化漏洞挖掘 \+ 报告提交 \+ 成功领取漏洞赏金 \+ 排名领先” 的公开记录 —— 说明 AI 驱动系统在现实环境中可能具备实用性。 |
| 2025 年 Burp AI 在 HackerOne 社区 /研究中被列为最广泛使用的 AI 安全工具之一 | 在最新 HackerOne “Hacker-Powered Security Report” 中，有统计称约 67% 的安全研究员 已经在安全测试中使用 AI／自动化工具；Burp AI 被列为“领先AI tool”。 | 这表明 AI-增强工具（如 Burp AI）已经被大量安全研究者 / bounty hunter 接纳，并广泛用于 “增强 /加速安全测试 / 漏洞挖掘” 的流程中。 |
| 开源／研究工具 CAI (Cybersecurity AI) — 一个面向漏洞挖掘/bug-bounty 的 AI agent 框架 | 根据该研究披露，在某些 CTF 或漏洞挑战 (CTF-style / bug-bounty–style) 环境中，CAI 的效率可比人类或超过传统静态／手动检测，且在一些公开基准 (benchmarks) 上表现出色。 | 说明学术／开源社区也在探索“全自动 / 半自动 \+ AI agent”作为未来漏洞挖掘 / 安全测试手段 — 对比商业工具，它更偏“研究 /试验 \+ 潜力验证”。 |

结合 Anthropic 的研究与当前市场动态，我们可以看到 AI 安全工具的进化路径：
• 研究侧： 证明了 AI 具备“发现未知漏洞”的潜力，但成本效益比（ROI）尚处于早期。
• 应用侧： 实际上，商业化工具跑得比学术界更快。
• XBOW 等工具已在 HackerOne 榜单上证明了 AI Agent 在真实悬赏中的生存能力。
• Burp AI 等辅助工具已被 67% 的安全研究员采用。 这表明：“人机协同”是未来一段时间的主流。

## 五、**总结与未来展望：AI从智能合约领域到传统安全领域展望**

该研究通过智能合约这一环境，让我们看到了 AI 自动化攻防的上限与下限。  
目前 AI 在漏洞挖掘上呈现以下特征：

* 针对已知漏洞模式（如逻辑校验缺失），AI 能以较高的效率（\>50% 成功率）完成从发现到利用的闭环，且成本低。它能像流水线一样批量处理同类低级错误。

* 0-day 创新（弱）：在未知漏洞挖掘上，AI 虽有突破（发现了2个 0-day）。其产出不稳定，目前尚无法替代深度、高上下文依赖的人工高级审计。

**场景差异：智能合约安全领域 vs 传统安全领域**

* “透明盒” vs “黑盒”：智能合约代码开源。而很多闭源企业软件业务逻辑封装在后端，数据链路隐蔽，AI 难以获取完整的上下文进行推理。  
* 反馈闭环：区块链允许 AI 建立本地分叉（Fork），进行回滚测试。而传统业务系统较难为 AI 提供这种低成本、高保真的实时试错环境

**趋势预判：能力的必然溢出**  
尽管存在场景差异，但技术护城河正在消失。

* 工具链打通：随着 MCP（模型上下文协议）的成熟，AI 正在获得操作 API、数据库和日志系统的能力。智能合约领域的“代理（Agent）逻辑”——即“规划-执行-反馈”的自主循环，将逐步迁移至传统软件。

* 防御侧升级：仅靠人工审计已经难以应对自动化攻击提高的速度与覆盖面。未来防御体系必须将 AI 作为基础组件：用于大规模筛查、代码与资产的持续监测、模型辅助推断复杂攻击路径，以此弥补人力审计在速度与广度上的短板。防御者必须主动利用 AI 的数据处理、模式识别和决策辅助能力，以对冲攻击侧自动化能力的增长；否则在成本结构、响应速度和覆盖范围上会逐步处于劣势。

---

## 六、**参考：**

### <mark class="encrypted">806K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6J5k6h3c8Q4x3X3g2S2L8Y4c8Z5M7X3!0H3K9h3y4Q4x3X3g2U0L8$3#2Q4x3V1j5J5x3o6t1#2i4K6u0r3M7$3#2S2M7Y4c8Q4x3X3c8U0L8$3&6@1M7X3q4U0N6s2y4Q4x3V1j5`.</mark>

传递专业知识、拓宽行业人脉——看雪讲师团队等你加入！！

#其他

收藏・1

点赞・1

打赏