Anthropic 报告 Claude 具备发现并利用关键软件漏洞的能力

AI 驱动的漏洞研究概述

Anthropic 已经证明，前沿 AI 模型能够自主发现并串联多个漏洞，从而在关键的现实世界软件中创建复杂的攻击利用程序。通过利用内部研究模型，该团队成功为浏览器、操作系统和内核级网络栈开发了概念验证（PoC）漏洞利用程序。这些发现凸显了一个转变：AI 现在可以执行以前仅属于高度专业化人类团队的复杂、多步骤安全研究。

关键漏洞发现

Anthropic 记录了五个具体的攻击链，所有这些漏洞均已报告给供应商并随后进行了修复：

• Google Chrome： 一个多阶段攻击链允许在浏览器沙箱外执行远程代码（RCE）。该过程涉及 V8 引擎中的内存损坏、沙箱逃逸以及 FedCM 功能中的释放后使用（UAF）漏洞。这导致 Chrome 156 中分配并修复了 62 个 CVE。
• Apple Safari： 研究人员开发了一种仅数据攻击（data-only exploit），绕过了同源策略（SOP）以访问敏感用户数据，如 Cookie 和历史记录。该攻击链利用了 JavaScriptCore 中的 UAF 和沙箱 IPC 漏洞，证明了完全的内存读/写访问可以在无需传统代码执行的情况下破坏安全性。
• Android： 一个攻击链绕过了锁屏保护，从物理 Google Pixel 9 中提取个人数据。该攻击结合了源代码分析、Google Play 服务的逆向工程，并串联了三个漏洞以绕过 USB 数据传输限制和授权检查。
• Windows： Windows 内核 QUIC 实现中的内存安全越界读取导致了远程拒绝服务（DoS）。该模型通过使用 Ghidra 等工具对二进制文件进行逆向工程，并分析生成的带注释 C 代码，识别出了此漏洞。
• Linux 内核： 在网络栈中发现了一个零点击 RCE。该攻击利用竞争条件引发的 UAF 来击败 KASLR 并劫持控制流，从而允许以 root 权限执行命令。此漏洞被追踪为 CVE-2026-98432。

方法论与扩展

Anthropic 的方法强调了测试时计算扩展（test-time compute scaling）和使用多样化扫描代理的重要性。通过并行运行大量代理，团队能够动态跟踪代码覆盖率并应用不同的策略——从纯覆盖率分析到基于目标和基于威胁模型的测试。

为了防止引入新的漏洞，Anthropic 建议将安全扫描直接集成到开发生命周期中。他们发布了一个 Claude Code 插件以提供安全指导，帮助开发人员在拉取请求（PR）阶段识别潜在问题。

对安全专业人员的影响

这些能力表明，AI 将显著降低发现复杂漏洞的门槛。对于防御者而言，这需要采取更主动的安全态势。Anthropic 提倡使用先进模型在修补方面抢占先机。为此，该公司扩大了其网络验证计划（Cyber Verification Program），为合格的安全专业人员提供对其最强模型（包括 Claude Opus 5.5、Sonnet 5.5 和 Mythos 5.1）的访问权限，以促进自动化的漏洞检测和修复。