文章总结： 本文分析2026年Q3AI漏洞挖掘行业现状，指出AI挖洞已成行业方向但存在泡沫。白盒场景AI可高效替代人工，黑盒高价值漏洞仍需人工经验。行业共识为专用模型加专用Agent方案，性价比远超通用大模型。同时指出AI能力边界，长链路复合漏洞和私有系统漏洞仍是短板。
综合评分： 88
文章分类： AI安全,漏洞分析,安全工具,渗透测试

【26年Q3】AI漏洞挖掘行业洞察：神话、泡沫与真相

原创

gachong
gachong

0x1F安全指北

2026年9月15日 09:00
北京

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

四月份Claude Mythos引爆行业热度之后，”AI挖洞”进而的，引发一系列蝴蝶效应比如挖洞效率飙升、成本跳水、攻击门槛一降再降，整个安全行业的游戏规则都在被改写。

如今赛道主要分两个技术体系：白盒源码挖掘和黑盒对抗挖掘。技术演进的主线也很明确：轻量化专用模型 + 智能体方案。比起通用大模型，这条路在成本、精度、可控性上都更能工程落地，毕竟做基模的成本太高，对于安全厂商或者互联网大厂中的安全团队来说，无法承担。

作为从业者，这半年来的体会是：AI挖洞的产出并不稳定；高价值漏洞和”高级模型 + 挖洞高手”之间，也没有必然的因果关系，牛的人没有AI本来也很牛；专用智能体在白盒场景如鱼得水，到了黑盒场景反而会捆住模型的手脚。

一、AI挖洞从安服工具变成行业方向

1. 改变行业走向的A/产品Mythos

2026年4月7日，Anthropic发布Claude Mythos Preview，其自动化挖洞能力被市场解读为”颠覆性突破”，直接成为本年度网络安全的标杆事件。

官方披露数据十分亮眼：

• 内测阶段批量挖出数千个零日漏洞，覆盖Windows、Linux、OpenBSD、Chrome、Firefox等主流系统和浏览器；
• 其中包含两个”超长待机”的高危漏洞：一个是1998年就埋进OpenBSD、潜伏27年没被任何审计发现的TCPSACK漏洞；另一个是FFmpeg内置、潜伏16年的H.264解码器漏洞，波及海量多媒体业务。

2. Mythos到底几斤几两？

热度归热度，拨开现象看本质。

Mythos并不存在什么颠覆性的原创能力。 这波声量，很大程度上来自自媒体的流量放大和Anthropic上市估值的营销需要，毕竟”漏洞+AI+黑客”这几个词，天然自带传播体质。

拆开看，Mythos的核心优势其实就是白盒源码审计，而大众却普遍误以为它能”全能挖洞”。官方叙事也是很具有误导性的：称模型本是通用大模型，训练后”偶然”显现出漏洞挖掘能力，相信大家能够看出营销演绎成分了。

在Mythos发布之前，业内早有人这么干过。 各路安全研究者、工程师早拿着ChatGPT、Claude Opus、DeepSeek、Qwen这些通用大模型在做漏洞挖掘和利用开发。在Mythos上线之前，前司团队就已经依托AI挖掘、复现了数十个高价值零日和存量漏洞。

所以，Mythos是行业催化剂，但不是从零到一的开创者。

3. 看真金白银的变革，行业模式有哪些变化

营销归营销，Mythos带来的行业转向是真实存在的，行业注意力被拽到了AI自动化漏洞挖掘与利用上。具体有四个核心变化：

（1）效率提升。 代码审计这块，过去人工要磨几个月甚至几年的漏洞，AI压缩到分钟级出结果，突破了人力的效率天花板。

（2）漏洞产能规模化。 AI可以不间断扫描，代码、业务系统全量覆盖，捕获的漏洞总量（无论低中高危）远超人工团队。

（3）挖掘成本下降。 普通安全工程师的价值变低了，轻量化算力就能开工，挖洞门槛肉眼可见地降低，但对于安全专家而言是锦上添花的，所以大家还是要夯实自身基础与时俱进。

（4）攻防技术平民化。 完全没有编程和安全基础的人，只要给AI下一个宏观攻击目标，它就能自动生成漏洞利用代码、搭出完整的攻击链路，虽然效果暂时不是很好，但也能给小白极大的技术赋能了。

4. 2026年大事记：AI攻防对抗常态化

这一年，AI从辅助工具正式升级为攻防核心主体，几个标志性事件：

• 5月11日，Google公开全球首例AI自主挖掘并武器化2FA绕过零日漏洞，且已产生大规模入侵行为。官方认定：AI漏洞对抗进入常态化。
• 7月15日，微软交出史上最大规模月度补丁，单月修复622个漏洞，核心依赖的正是AI规模化检测挖掘能力。
• 7月16-21日，全球首起AI无人工干预入侵真实企业事件曝光：OpenAI的模型为了追求评测高分自主作弊，走完了零日挖掘、沙箱逃逸、入侵Hugging Face生产库的全流程。这次事件的溯源取证由国产开源模型GLM-5.2完成。
• 7月22日，GPT-5.6 Sol Ultra只花了25美元算力、耗时10小时，挖出WordPress高危9.8分RCE漏洞，市场估值50万美元。
• 7月21日，英国AISI测试证实：Mythos、Opus 4.7、GPT-5.6 Sol等主流前沿大模型，普遍存在自主作弊、权限逃逸的共性风险。
• 7月23日，GitHub因为平台上AI生成的无效漏洞报告泛滥，宣布将漏洞赏金下调至原价的25%-40%——AI挖洞的乱象，摆到了明面上。
• 9月12日，国内五家大型SRC同时宣布关停，无效AI漏洞填满审核工单，白帽子迎来寒冬。

二、白盒、黑盒两条主流线路

白盒：代码审计，成熟度最高

白盒挖掘依托源代码分析，特点是成熟度高、落地最广，核心适配代码审计、缺陷定位、精准漏洞验证。

Anthropic Mythos（Glasswing计划）——当前行业标杆。以白盒规模化源码审计为核心，覆盖1000余个开源项目，筛出23019个候选漏洞，其中高危/严重6202个；1752个复核样本中真阳性率达90.6%，把传统SAST工具甩在身后。Glasswing计划首月，合作机构累计发现超10000个高危/严重漏洞。更值得警惕的是：这些漏洞里95%未被公开安全公告和国家漏洞库收录，基本都是无人知晓的零日潜伏漏洞。

OpenAI Codex Security——专注代码安全审计。30天私测完成120万次代码提交扫描，发现792个严重漏洞、10561个高危漏洞；对比传统工具，信噪比提升84%、误报率下降50%以上，人工复核成本大幅降低。

360图龙锋——国内对标Mythos的标杆白盒系统。这里我觉得需要强调的是，周总称对标Mythos，但关键人家Mythos是模型，图龙锋是白盒审计智能体，这二者是如何对标的，比较疑惑。累计产出3432个有效漏洞，其中105个高危漏洞通过监管审核录入国家漏洞库，覆盖开源代码、操作系统、办公软件、AI智能体平台。配套工具”破阵子”在132家关键信息基础设施单位的检测中，检出312个有效漏洞，比较契合国内关基合规检测的需求。

黑盒：渗透测试，模拟真实攻击

黑盒挖掘全程不需要源码，模拟真实攻击者的思路和攻击链路，主要啃逻辑漏洞、长链路组合漏洞、业务层隐蔽漏洞这些”硬骨头”。

360破阵子——攻防知识库+安全大模型双轮驱动。不依赖源码和业务文档，Web应用、主机、内网环境一体化自主渗透，还能动态调整攻击策略绕过防御体系。对国内自研业务系统的接口和业务流程类漏洞识别能力突出，持续服务政企红蓝对抗和常态化风险巡检。

墨云科技Vackbot——依托海量攻防知识库，构建多智能体协同体系。纯黑盒场景只需输入目标地址，即可自主完成探测、智能Fuzz、攻击链路推演与漏洞有效性验证，重点挖掘业务流程缺陷、多漏洞串联攻击链等隐蔽风险，并能自适应调整载荷绕过常规防护。

三、国内现状：三路人马，三种打法

国内AI漏洞挖掘的群体画像可以分成三类。

第一路：头部安全厂商——商业化落地的核心主体。

以墨云、360、安恒、奇安信、启明星辰为代表，核心路线是”垂域模型 + 专用智能体 + 政企合规场景绑定“。他们在跟热点的同时并没有盲目对标海外通用大模型，而是死磕本土政企、关基行业的刚需。

技术上，厂商普遍放弃了从零训练超大通用模型的重资产路线，转而采用”开源大模型微调 + 攻防知识库蒸馏 + 固化人工专家流程“的轻量化改造，基于国产DeepSeek、GLM、Qwen、Kimi等基座，针对政企自研系统、工控设备、政务Web业务、关基代码等本土场景做专项优化。

第二路：大厂安全团队——自研自用，不外卖。

以电信、移动、阿里云、腾讯安全为代表，产品极少对外商业化，主要服务自身业务生态的安全。典型如中国电信”锐鉴”，依托通信行业专属的代码资产和业务系统搭建白盒审计能力，专挖通信协议、网管、基站、政企专线系统里行业特有的漏洞。

第三路：高校科研团队——分层清晰，各攻一域。

领域微调和传统漏挖流程优化是成熟主流方向；漏洞挖掘Agent属于前沿探索；从零训练大型垂域检测模型的研究在逐渐减少。几个重点团队：

• 清华网安Redbud团队：基于国产开源基座搭建轻量化智能检测Agent，已在软件漏洞实战挖掘中落地；
• 复旦SecSys团队：大模型结合程序分析、模糊测试，面向开源软件和嵌入式固件搭建智能检测体系；
• 浙大高志鹏团队：分别研究二进制逆向相似漏洞和大模型增强状态模糊测试，覆盖闭源二进制与Web/API自动化挖掘。

四、能力边界：AI能干什么，还干不了什么

这一节是全文的重点，也是各家宣传里刻意模糊掉的部分。笔者个人认为：

白盒场景下，AI已经可以高效替代人工，对常规、中低危漏洞实现规模化量产；但黑盒场景里那些高价值、高危、能变现的核心零日漏洞，仍然高度依赖人的攻防经验、全局思维和创新技巧——AI暂时做不到稳定替代。

AI的舒适区：标准化、结构化、特征清晰的漏洞

白盒场景，依托完整源码，能精准定位规则固定、范式清晰的代码缺陷：

• 底层C/C++基础漏洞：缓冲区溢出、数组越界、空指针、内存泄漏、整数溢出、未初始化变量……AI可以直接定位漏洞代码行、追踪数据流、自动生成验证POC，在经过设计的harness处理后检出率优于传统SAST工具；
• Web通用代码漏洞：SQL注入、XSS、CSRF、文件包含、任意文件读写、目录遍历、命令注入，危险函数、过滤缺失、可控参数这些核心特征一抓一个准；
• 开源组件存量衍生漏洞：快速匹配漏洞指纹、比对版本、定位未修复代码片段，批量挖复用型漏洞；
• 配置类缺陷：权限配置错误、密钥硬编码、接口无鉴权、调试端口开放……全域扫描配置文件，显性风险无死角覆盖。

这类标准化漏洞，通用大模型就能批量产出，换成专用轻量化模型算力成本更低，真阳性率能做到90%以上。

黑盒场景里，链路简单、没有复杂业务耦合的常规缺陷，AI也能搞定：

• API通用漏洞：未授权访问、简单参数越权、重复请求、参数校验缺陷，资产探测、接口遍历、载荷适配一条龙自主完成；
• 基础单一逻辑漏洞：简易密码绕过、验证码复用、登录校验缺陷，不需要深度业务理解就能验证；
• 通用Web基础漏洞：基础SQL注入、XSS、文件上传，动态生成载荷绕过基础防护不在话下。

AI的禁区：需要全局思维的高阶漏洞

受限于全局推演、长链路记忆、固化工作流和模型幻觉，复杂高阶漏洞是明显的短板区。

长链路复合业务漏洞——AI的核心短板。 多节点、多角色、多模块串联的攻击链漏洞，没有单一危险代码点，也没有固定漏洞特征，必须贯通多个业务节点、跨过多层权限体系，靠的是人对整体业务架构和权限体系的全局理解。现有通用模型和专用Agent都存在链路记忆断裂、全局推演不足的毛病——只能看到局部单点风险，串不起分散的隐性缺陷。最让我头疼的是，专用智能体的固化流程还会进一步限制发散探索，这个场景完全不适用，所以对于渗透harness的设计，感觉是一个自相矛盾的命题。

私有定制化系统漏洞——AI的天然盲区。 关基、工控、运营商自研系统大量使用私有协议、定制架构、无公开文档的专属逻辑：一方面模型训练的知识库和攻击范式都基于公开通用架构，对私有协议、定制逻辑没有识别能力；另一方面私有系统没有公开漏洞样本、缺少微调数据集，模型的逻辑推演极易误判漏判。

二进制深层复杂漏洞——AI的能力洼地。 操作系统内核、驱动、底层程序里的隐蔽漏洞，比如精细堆溢出、释放后复用（UAF）、内核提权、内存乱序访问这类高阶货色，需要深度汇编解析、全流程内存状态追踪和精细化调试推演，依赖人对硬件、内核、内存管理底层机制的深刻理解。当前AI对汇编代码的全局解析能力不足，无法完整追踪复杂内存数据流，只能识别表层简易二进制漏洞——深层内核潜伏漏洞，基本挖不出来。

五、方向已成共识：专用模型 + 专用Agent

2026年，多方厂商公开数据、第三方基准测试和学术论文共同指向一个结论：

在漏洞挖掘场景，”领域专用模型 + 专用Agent工作流”在综合能力、性价比、可控性上，全面超越通用大模型方案。

厂商数据：小模型碾压大模型的性价比

思科做过一组对比，专用小模型Antares对阵通用大模型GPT-5.5：

• 漏洞定位能力：Antares-1B（仅10亿参数）在500项漏洞定位测试中，漏洞文件检出率22.4%，小幅超过GPT-5.5的22.1%；未发布的3B版本更是全面碾压GPT-5.5；
• 工程成本：Antares扫描500个代码库只需15分钟、成本不到1美元；GPT-5.5要跑5小时以上、花费超100美元——成本差距百倍以上，性价比形成绝对碾压。

学术验证：方法论比模型规模更重要

2026年6月的论文《Are Frontier LLMs Ready for Cybersecurity? Evidence for Vertical Foundation Models from Dual-Mode Vulnerability Benchmark》对6款前沿通用模型和2款领域专用模型做了黑白盒双模式基准测试：

• 通用模型误报问题突出，白盒检测误报率普遍高达10%-50%；
• 领域专用模型精度最高达0.904、误报率低至9.7%，还能单GPU轻量化部署；
• 发现：把人工渗透测试方法论编码进专用Agent工作流，各类漏洞检出率能提升50%以上——决定漏洞挖掘效果的，是方法论和工程流程，而不是模型规模，当然也不能说太绝对，有句玩笑话在AI时代只要你学得够慢，就不用学，AI的能力会比你提升得更快。

为什么笔者认为垂类方案能赢？其实我也说不准，但是一个可探索的方向

1. 成本与部署：通用大模型推理贵、依赖云端；专用小模型可以本地私有化部署、迭代快，适合大规模常态化扫描；
2. 场景深度：通用模型什么都懂一点但深度不够；专用模型针对二进制、智能合约、Web业务等细分场景专项优化，还能自主串联多漏洞形成完整攻击链；
3. 能力可控：专用Agent固化了安全专家的最佳实践，行为规范、输出可控，规避了通用模型随机发散的问题；
4. 合规安全：金融、政务等敏感场景源代码禁止上云，本地部署的专用小模型是唯一合规解。

补充一个有意思的点吧：就是使用者的智力，既能激发也能锁死模型的智力

朴素的观念认为：高手用高智能模型，一定产出更高级的成果，一定比普通人更能发挥模型的潜能。但实践告诉我们：未必。 团队好几个高价值漏洞，恰恰是小白用普通模型挖出来的。

复盘后原因：高手往往很有主见，喜欢给AI下达非常详细的指令和规划。 这在正向编程、白盒挖掘这类场景里是加分项，能帮模型聚焦任务、避免发散。但在黑盒挖掘场景里，过于详细的指令反而会捆住模型的发散性探索和思考。

这就是笔者的结论：瞎指挥，不如不指挥。

这个观点与Anthropic最近的研究不谋而合：

“模型越强，就越不需要’保姆式’指导。冗长的手写规则除了浪费token，还可能让效果变差。新的Claude.md应保持绝对精简，高绩效团队控制在60行以内，通常绝不要超过300行。大砍系统提示词之后，可以把特定任务的上下文交给Skill。——Anthropic”

下一步：笔者押注两条路

基于成本考虑和对抗赛道的特殊性，现阶段聚焦两个方向：

方向一：引导型提示词工程。 充分利用开放大模型API的低成本优势，探索黑盒挖洞场景适用的提示词技巧和方案，寻找能充分激发模型深层智力和发散性思维的提示方法——通过大量尝试捕捉模型的”意外之喜”，在不确定性中找技术突破口。

方向二：专用黑盒漏挖Agent。 针对黑盒场景广泛需要的非合作分析、反汇编分析、逆向工程、模糊测试等技术，做Agent技能封装和流程适配，让Agent能像顶级黑盒专家一样——在攻击目标明确的前提下广泛探索、充分发散，把各类安全分析技巧和软件调试技巧用到极致。

写在最后

回到开头的问题：AI挖洞到底是神话还是泡沫？

我的答案是：都不是。它是真实的变革，但不是无所不能的神话；它有营销的水分，但变革的内核也是真的。

白盒场景的规模化量产已经兑现；黑盒高价值漏洞，仍然是人机协同、以人为主的战场。而对大多数没有百万预算的团队来说，把通用大模型的潜力”榨”出来，可能才是当下最务实的选择。

笔者目前于AI安全公司任职高级研发工程师，如果你同样对安全智能体、AI原生安全、AI计算法学与哲学探讨感兴趣，欢迎加我联系方式讨论~

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：0x1F安全指北 gachong
gachong《【26年Q3】AI漏洞挖掘行业洞察：神话、泡沫与真相》