AI 協助的駭客行為：拆解行銷炒作與技術現實
大型語言模型（LLM）與資安的交叉點引發了兩極化的討論。一方面，新聞標題暗示進入了「vibe 駭客」的新時代，單獨的行動者利用 AI 侵入政府基礎設施；另一方面，資深工程師則認為這些炒作遠遠超過模型實際的技術能力。
了解 AI 在漏洞利用鏈中實際能提供價值的環節——以及它失效的地方——對於想判斷防禦姿態是否需要根本性調整的資安專業人員而言至關重要。
基準測試與實務程式碼之間的差距
在 AI 驅動攻擊的分析中，常見的主題是受控環境下的表現與對「雜亂」實務程式碼庫的表現之間的落差。
例如，Anthropic 的 SCONE 基準測試（2025 年 12 月）展示了能力的顯著躍進。AI 代理成功利用了 34 份後截止的智慧合約中的 19 份，成功率為 55.8%。這相較於僅十二個月前約 2% 的成功率，增幅驚人。這些代理能以每份合約平均僅 1.22 美元的 API 成本，模擬竊取 460 萬美元的資金。
然而，這些成功集中在狹窄且範圍明確的漏洞類別，特別是 Solidity 智慧合約。當應用於通用、複雜的軟體時，結果則不那麼令人印象深刻。Daniel Stenberg 最近測試了一個受限的 Anthropic frontier 模型，對象是 curl 程式碼庫。儘管有炒作，該模型僅產生了五個「確認」的發現，其中只有一個被歸類為低嚴重性 CVE。Stenberg 指出，周圍的炒作「主要是行銷」，暗示雖然 LLM 能找出簡單的錯誤，但在突破硬化的專業級軟體所需的深層架構邏輯方面仍顯吃力。
漏洞利用供應鏈
除了找出漏洞的技術能力外，實際的入侵執行涉及一條旨在降低責任的複雜供應鏈。資料外洩與變現的過程很少由單一實體處理。
- 發現階段： 行動者可能使用 LLM 來識別漏洞。由於這會在 AI 供應商留下數位痕跡，發現者可能選擇不自行利用該系統。
- 仲介階段： 漏洞被出售給第三方，將行為從潛在犯罪轉變為盈利的事業。
- 外洩階段： 另一個實體負責資料盜取，通常會讓漏洞保持開放供其他人使用，進一步將原始發現者與犯罪行為拉開距離。
- 洗錢階段： 最後一步是將盜取的資產或資料轉換為貨幣，常利用「在家工作」的代運者，透過銀行憑證轉移資金，再將其兌換回加密貨幣。
防禦者的兩難
隨著 LLM 降低了識別漏洞的門檻，資安格局正發生變化。一些觀察者認為我們已進入網路安全的「黃金時代」——不是因為事物變得更安全，而是因為衝突的對稱性已改變。
「由於 LLM，防禦變得更弱，而攻擊則變得更強且更便宜。對我們其他人而言是個糟糕的組合。」
防禦者雖可利用 AI 撰寫修補程式與掃描程式碼，攻擊者亦可使用相同工具以遠低於以往的成本與時間迭代漏洞。危險之處不一定是 AI 會發明全新類型的「超級漏洞」，而是它會讓執行已知漏洞模式的能力在更廣泛的目標上民主化。
結論：狹窄成功 vs. 廣泛失敗
目前 AI 在駭客領域的狀態可概括為從「不可能」轉向「僅限於特定範圍」的過程。LLM 正在對受限目標——如智慧合約或特定 API 端點——展現真正的熟練度，因為這些規則嚴謹且範圍有限。然而，它們仍在大型遺留系統的細微差異、規模與不可預測性上掙扎。真正的威脅在於將這些狹窄能力整合進更廣泛、以人為主導的漏洞利用供應鏈中。