AI低成本扫描引爆加密安全新变局

核心提要：GLM 5.2仅用2美元成本在20分钟内复现ColdCard漏洞，揭示AI正以极低门槛重塑加密代码审查格局。攻击者与开发者同享工具，但响应速度决定安危。

AI代码审计成本骤降，安全边界被重新定义

Dragonfly管理合伙人Haseeb Qureshi指出，GLM 5.2模型运行20分钟仅耗资约2美元，这一数字标志着安全研究进入新纪元。该实验在冷卡（ColdCard）事件后展开，模型未获漏洞位置提示，却成功定位了相关缺陷，凸显通用大模型在漏洞发现上的潜力。

低成本验证机制使大规模代码审查成为可能

传统漏洞挖掘依赖高阶人力投入，覆盖范围有限。而当单次测试成本降至数美元级别，研究人员可并行部署多模型对同一代码库进行多路径探查。即使多数尝试无果，只要一次成功即可带来显著价值——在保护巨额资金的系统中找到一个有效弱点，足以抵消数千次失败的成本。

真实能力边界：重发现≠自动化攻击

尽管模型能在短时间内复现已知漏洞，但这并不等同于执行完整攻击链。实际入侵仍需确定受影响设备、重建私钥、识别高价值钱包，并在防御方响应前完成转移。当前技术尚未实现从“发现”到“利用”的全自动闭环，其核心作用在于加速初始线索生成。

量子威胁尚远，代码缺陷已近

比特币长期安全焦虑集中于未来量子计算对签名算法的冲击。相比之下，人工智能驱动的代码分析已具备现实威胁力。它不破解数学原理，而是聚焦于人为错误：弱随机数生成、密钥泄露、加密实现缺陷及恢复流程漏洞。这使得当前防护体系面临更紧迫的挑战——并非算法被攻破，而是底层实现存在可被快速探测的弱点。

双刃剑效应：攻击者与开发者共享同源工具

AI模型本身无立场，其影响取决于使用者。攻击者可用其批量扫描旧固件、自动化测试潜在漏洞；开发者则可在发布前对密钥生成、交易签名和恢复机制进行深度审查。然而，攻防节奏差异明显：攻击者一旦确认可行漏洞即刻行动，而开发者须验证结果、评估影响、制定修复方案并安全分发，过程复杂且延迟高。

硬件钱包的安全信任链仍脆弱

Qureshi强调，受波及用户普遍遵循最佳实践，将资产移出交易所并使用专用硬件钱包。但若固件采用弱随机性源生成私钥，即便设备离线也无法提升安全性。气隙仅降低远程攻击风险，无法弥补初始密钥生成阶段的缺陷。因此，用户不仅依赖自身对助记词的保管，也必须信任厂商的固件设计、硬件架构与加密组件实现。

陈旧代码亟待重新审视

随着分析成本下降，过往被忽略的软件版本如今可被反复、大规模地审查。每当模型能力升级，钱包制造商与协议团队都应主动回溯旧版固件，尤其是涉及密钥创建、交易签名或恢复逻辑的部分。固件更新无法解决历史生成方式问题，旧密钥仍存风险，用户可能需在新系统中生成新密钥并迁移资金。

安全审查须从一次性变为持续性流程

AI辅助分析不应仅作为事故后的补救手段，而应嵌入开发周期。企业应建立常态化机制：发布前扫描新代码、随模型演进重检旧库、多模型交叉验证、由资深研究员复现严重发现、制定紧急沟通预案与迁移指引，并维持负责任披露与赏金激励制度。

安全竞赛成本全面下探

Qureshi案例表明，人工智能并未破解比特币，但大幅降低了针对现有软件的漏洞探测门槛。该技术既可用于提升产品安全性，也可为攻击提供廉价入口。谁能更快识别问题、准确验证结果、迅速响应，谁就掌握主动权。持续自我审查的项目可借相同工具增强防御，而依赖过时审计的组织则可能成为攻击目标。