JawabanDipublikasikan32 sumber
AI Bisa Menemukan Ribuan Celah Bitcoin, tetapi Manusia Tetap Harus Membuktikannya
Dalam sekitar 27,5 jam, Bitcoin Red Team melaporkan 4.962 temuan potensial dari sekitar 390 proyek, termasuk 85 berlabel kritis dan 635 berisiko tinggi. Hanya sekitar 21,4% temuan yang telah direproduksi secara independen, sehingga angka mentah tersebut belum dapat diperlakukan sebagai jumlah kerentanan yang pasti b...
Diterbitkan olehDiedit dengan GPT-5.6 TerraGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- Dalam sekitar 27,5 jam, Bitcoin Red Team melaporkan 4.962 temuan potensial dari sekitar 390 proyek, termasuk 85 berlabel kritis dan 635 berisiko tinggi.
- Hanya sekitar 21,4% temuan yang telah direproduksi secara independen, sehingga angka mentah tersebut belum dapat diperlakukan sebagai jumlah kerentanan yang pasti bisa dieksploitasi.
- Audit ini menunjukkan AI dapat mempercepat pencarian indikasi masalah, tetapi triase, pengujian, pengungkapan aman, patch, dan pembaruan perangkat lunak tetap bergantung pada kapasitas manusia.
AI Perintah
openai.comCreate a landscape editorial hero image for this Studio Global article: How did the 16-member Bitcoin Red Team, led by Rob Hamilton and developer Calle and funded by OpenSats, use frontier AI models to scan about. Article summary: The audit showed that AI can generate security leads at a rate far beyond what a small open-source ecosystem can validate and patch. Its reported figures are therefore a warning signal—not proof that all 4,962 items were. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
Audit keamanan berbantuan AI kini mencapai skala baru di ekosistem Bitcoin yang berbasis sumber terbuka. Dalam sprint pada Agustus 2026, kelompok relawan Bitcoin Red Team menyatakan telah memakai alur kerja multi-model yang diarahkan manusia untuk meninjau sekitar 390 repositori terkait Bitcoin dalam kurang lebih 27,5 jam. Mereka mengajukan 4.962 temuan keamanan potensial, dengan 85 diklasifikasikan kritis dan 635 berisiko tinggi.
Namun, ada pembedaan yang sangat penting: itu adalah petunjuk atau kandidat temuan, bukan 4.962 kerentanan yang sudah terbukti dapat dieksploitasi. 11
24
Apa yang dilakukan Bitcoin Red Team?
Kelompok beranggotakan 16 orang ini dipimpin pengembang Calle dan CEO AnchorWatch, Rob Hamilton. Menurut laporan, mereka menggunakan lebih dari US$40.000 dana komputasi AI yang dibiayai OpenSats untuk peninjauan tersebut. Model-model AI menelusuri basis kode untuk mencari jalur mencurigakan dan potensi kelemahan, sementara manusia mengarahkan proses serta menyiapkan laporan untuk para maintainer proyek. Model yang disebut dalam pemberitaan mencakup Kimi K3, GPT Sol, Fable, Opus, dan GLM 5.2. 2
5
12
Cakupannya tidak biasa untuk kerja relawan yang singkat: sekitar 390 repositori, dengan harness peninjauan yang dilaporkan mencakup 171.599 baris kode. Berdasarkan label tingkat keparahan tim, 720 temuan masuk kategori tinggi atau kritis. 23
27
Hasil ini memperlihatkan perubahan besar dalam biaya dan kecepatan audit kode. Model dapat menyisir kumpulan kode yang luas, mengikuti aliran data yang patut dicurigai, lalu mengusulkan kasus uji atau hipotesis eksploitasi dengan cepat. Tetapi, mendeteksi sesuatu yang mencurigakan belum cukup untuk menjadikan laporan siap ditindaklanjuti.
Mengapa 4.962 bukan jumlah kerentanan yang sudah pasti?
Angka 4.962 harus dibaca sebagai antrean kandidat yang menunggu verifikasi. Laporan awal menyebut baru 21,4% temuan yang direproduksi secara independen. Artinya, sebagian besar laporan masih harus diuji oleh manusia: apakah perilaku yang dilaporkan benar-benar muncul pada versi perangkat lunak dan konfigurasi yang relevan, apakah dapat dieksploitasi, apakah duplikat dari laporan lain, serta seberapa berat dampaknya. 11
15
Respons keamanan yang lengkap biasanya memerlukan tahapan berikut:
- mereproduksi perilaku pada lingkungan perangkat lunak yang sebenarnya;
- membedakan kerentanan nyata dari positif palsu dan laporan duplikat;
- menilai kemungkinan eksploitasi serta dampaknya bagi pengguna;
- mengoordinasikan pengungkapan privat dengan maintainer;
- menulis patch yang terfokus beserta pengujiannya;
- meninjau perubahan agar tidak memunculkan regresi; dan
- memastikan operator serta pengguna memasang pembaruan.
AI telah membuat tahap awal—mencari petunjuk—jauh lebih murah dan cepat. Namun AI belum menghapus kebutuhan akan kepemilikan dan keahlian manusia pada setiap tahap sesudahnya. Pemberitaan juga menunjukkan baru sebagian temuan yang sampai ke maintainer, menegaskan bahwa kapasitas pengungkapan kerentanan sendiri adalah hambatan. 14
Insiden Coldcard membuat urgensinya meningkat
Audit tersebut berlangsung setelah insiden dompet perangkat keras Coldcard. Kesalahan firmware pada Maret 2021 dilaporkan mengarahkan pembuatan seed ke pengacak perangkat lunak yang dapat diprediksi, bukan generator angka acak perangkat keras yang seharusnya digunakan. Kelemahan itu berpotensi membuat kunci pada perangkat terdampak dapat direkonstruksi oleh penyerang yang mampu membatasi masukan yang diperlukan. 42
45
Estimasi kerugian berubah seiring teridentifikasinya aktivitas tambahan. CoinDesk melaporkan kemungkinan total kumulatif mendekati US$114 juta dalam empat gelombang, sementara laporan lain menyebut sekitar 1.816 BTC dicuri antara 30 Juli dan 3 Agustus. 41
42
Pelajarannya bukan bahwa kriptografi inti Bitcoin gagal. Masalahnya berada pada perangkat lunak pendukung untuk penyimpanan mandiri (self-custody). Cacat di lapisan tersebut dapat menimbulkan dampak dalam skala besar—dan menemukan kelemahan berbahaya sebelum dieksploitasi sama pentingnya dengan mengungkapkannya setelah kejadian.
Ada patch yang berhasil masuk, tetapi itu bukan arti angka mentah
Satu hasil nyata dari upaya ini adalah kontribusi Bitcoin Core berbantuan AI dari Hamilton yang dilaporkan digabungkan pada 20 Agustus untuk menangani bug crash terkait dompet. Ini merupakan contoh penting tentang sebuah petunjuk yang ditemukan atau dibantu AI lalu melewati proses peninjauan dan penggabungan kode yang lazim. 13
Sekaligus, kasus itu menjelaskan mengapa angka besar di awal tidak boleh disamakan dengan jumlah masalah yang sudah selesai diperbaiki. Patch yang diterima telah melewati standar lebih tinggi daripada laporan otomatis: bug-nya telah didefinisikan, perbaikannya ditinjau, dan perubahan tersebut diterima dalam basis kode yang dipelihara.
Pembatasan akses OpenAI memunculkan dilema bagi pertahanan
Hamilton mengatakan program Trust Cyber OpenAI membatasi aksesnya setelah ia mulai mengintegrasikan kemampuan siber OpenAI ke audit tersebut. Pemberitaan menyebut kelompok itu kemudian melanjutkan pekerjaan dengan model alternatif, termasuk model berbobot terbuka. 18
21
32
Persoalan kebijakannya tidak sederhana. Model siber yang kuat dapat membantu pihak defensif menemukan kelemahan, tetapi kemampuan yang sama berpotensi disalahgunakan. Kritik Hamilton adalah hambatan bagi pembela yang sudah dikenal dapat menciptakan ketimpangan praktis ketika model lain—termasuk bobot model yang dijalankan secara lokal—tetap tersedia bagi penyerang. Itu merupakan argumen tentang akses dan kecepatan operasional, bukan bukti bahwa pembatasan dari satu penyedia mampu menghentikan riset keamanan atau penggunaan jahat secara keseluruhan. 21
Kasus Boltz: tekanan operasional pada tim kecil
Layanan pertukaran Bitcoin Boltz secara terpisah menangguhkan swap tanpa batas waktu pada Agustus. Boltz mengatakan peningkatan pemindaian dan percobaan serangan otomatis berbantuan AI telah melampaui kemampuan tim kecilnya untuk mengamankan layanan dan menerapkan perbaikan. Fungsi pengembalian dana tetap tersedia ketika swap dinonaktifkan. 28
29
30
Kasus Boltz bukan bukti bahwa setiap serangan yang dibantu AI pasti canggih atau berhasil. Namun, ini adalah contoh nyata ketimpangan yang disorot audit Red Team: penemuan masalah dan pemindaian otomatis dapat berjalan terus-menerus, sedangkan maintainer kecil harus meneliti setiap peringatan dan menerapkan setiap mitigasi dengan aman.
Mengapa model yang makin kuat mengubah kalkulasi risiko?
Bitcoin dan berbagai layanan di sekitarnya banyak yang bersifat sumber terbuka. Kode publik memungkinkan transparansi dan peninjauan independen, tetapi juga memberi pembela maupun penyerang akses pada korpus perangkat lunak yang sama. Kekhawatiran Hamilton dan komentator Bitcoin CobraBitcoin bukan bahwa perangkat lunak sumber terbuka pada dasarnya tidak aman. Kekhawatirannya adalah model yang semakin mampu dapat mengurangi waktu dan keahlian yang diperlukan untuk menemukan kelemahan tidak lazim di ratusan repositori. 17
21
OpenAI menyatakan GPT-6 Astra memenuhi ambang kemampuan keamanan siber Kritis dalam Preparedness Framework-nya. Menurut perusahaan, dengan alat dan akses yang sesuai, Astra dapat menemukan kelemahan yang sebelumnya belum diketahui dan mengembangkan cara mengeksploitasinya pada banyak sistem yang terlindungi tanpa harus dipandu manusia pada setiap langkah. 19
22
Pernyataan kemampuan itu tidak membuktikan Astra dipakai dalam audit Bitcoin Red Team, juga tidak menetapkan bahwa model terdepan menjadi penyebab kompromi Bitcoin. Namun, hal itu menjelaskan fokus maintainer pada kecepatan: ketika model membaik dalam memahami repositori skala besar dan mengembangkan eksploitasi, hambatannya bergeser dari menemukan kemungkinan menjadi membuktikan, memperbaiki, dan menerapkan respons pada temuan yang penting dengan cepat.
Investasi keamanan yang sesungguhnya: kapasitas verifikasi
Sprit Bitcoin Red Team paling tepat dipahami sebagai peringatan tentang kapasitas penanganan. Ekosistem keamanan kini dapat menghasilkan ribuan petunjuk yang masuk akal dalam waktu singkat. Ketahanannya akan bergantung pada kemampuan mendanai reproduksi independen, kanal pelaporan yang aman, waktu maintainer, peninjauan kode, pengujian, dan pembaruan cepat dengan kecepatan yang sebanding.
Bagi proyek terkait Bitcoin, tolok ukur berikutnya bukanlah jumlah temuan AI terbesar. Tolok ukur yang lebih berarti adalah berapa banyak laporan yang berubah menjadi kerentanan tervalidasi, patch yang dikoordinasikan secara bertanggung jawab, dan perlindungan yang benar-benar diterapkan sebelum penyerang bertindak. 15
14
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "AI Bisa Menemukan Ribuan Celah Bitcoin, tetapi Manusia Tetap Harus Membuktikannya"?
Dalam sekitar 27,5 jam, Bitcoin Red Team melaporkan 4.962 temuan potensial dari sekitar 390 proyek, termasuk 85 berlabel kritis dan 635 berisiko tinggi.
Apa poin penting yang harus divalidasi terlebih dahulu?
Dalam sekitar 27,5 jam, Bitcoin Red Team melaporkan 4.962 temuan potensial dari sekitar 390 proyek, termasuk 85 berlabel kritis dan 635 berisiko tinggi. Hanya sekitar 21,4% temuan yang telah direproduksi secara independen, sehingga angka mentah tersebut belum dapat diperlakukan sebagai jumlah kerentanan yang pasti bisa dieksploitasi.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Audit ini menunjukkan AI dapat mempercepat pencarian indikasi masalah, tetapi triase, pengujian, pengungkapan aman, patch, dan pembaruan perangkat lunak tetap bergantung pada kapasitas manusia.
Sumber
forklog.comBitcoin Red Team Identifies Thousands of Issues in 390 ... - ForkLog
coinpaper.comBitcoin Red Team Flags Nearly 5000 Security Issues in 30 ...
finance.yahoo.com85 Critical Flaws Found as AI-Powered Bitcoin Security Audit Hits ...
bbx.comBitcoin Red Team completes open source code repository ...