AI助力比特币安全审计：近5000漏洞被发现

核心提要：由志愿者组成的比特币红队借助AI模型，在30小时内完成对390个开源项目的审查，发现近5000个潜在漏洞。尽管多数发现仍需人工验证，但该行动凸显了人工智能在扩展安全检测范围中的关键作用。

比特币红队运用智能工具识别数千项潜在安全缺陷

一个由全球志愿者组成的非营利性安全团队——比特币红队，在为期约30小时的集中审查中，利用人工智能辅助手段对390个比特币生态相关开源项目进行了快速扫描，累计提交4962项安全发现。团队核心成员包括知名开发者Calle及AnchorWatch首席执行官Rob Hamilton。

高危与关键级漏洞占比超七成，复现率不足两成

根据最新进展，此次审查共识别出85个潜在关键漏洞以及635个高危级别问题，合计720项严重风险。团队平均每人每小时可产出约2.31个高危或关键级发现，显示出极高的效率。然而，截至更新时，仅有21.4%的报告已成功复现，表明大量结果仍处于初步阶段。

人工智能赋能大规模代码分析，突破人力瓶颈

该团队通过定制化AI模型对开源代码库进行深度解析，自动标记可疑代码片段，并模拟潜在攻击路径。在部分时段，人均每小时可识别出一个潜在关键漏洞。相比传统手动审计需数周甚至数月的周期，这一方式显著提升了覆盖广度。AI系统擅长捕捉不安全假设、随机数生成缺陷、权限控制错误、内存异常及组件间意外交互等常见问题，但最终判断仍依赖人工研判其真实性与实际可利用性。

冷卡漏洞事件触发全网响应，修复措施尚存局限

此次审计行动源于对Coldcard硬件钱包固件中种子生成机制漏洞的追踪。攻击者利用该缺陷，在四轮异常交易中从超过5200个地址窃取约1816枚比特币，当时价值约为1.16亿美元。该漏洞源于弱随机性，使远程攻击者可在未持有设备的情况下推导出私钥。尽管Coinkite已发布修复固件，但已生成的恢复种子仍存在风险，无法通过单纯升级解决。

自动化审查存在误报风险，需结合构建流程验证

尽管成果规模惊人，但大量发现仍需进一步核实。当前结果反映出AI驱动审计的核心挑战：误报率高、重复报告频发，且部分问题在真实部署环境中难以复现。此外，Coinkite提醒，若仅审查主源文件而忽略依赖项、编译配置或代码与部署版本差异，将可能导致关键漏洞遗漏。未来工具应更注重对构建链和子模块边界的测试。