AnswersPublished15 sources
AI lebih pantas mencari kelemahan perisian berbanding pasukan yang perlu membaikinya
Palo Alto Networks melaporkan AI membantunya mengenal pasti lebih 14,000 kerentanan sumber terbuka yang sebelum ini tidak dikesan dalam tiga minggu—namun angka itu ialah dakwaan syarikat, bukan penanda aras yang disah... Anthropic berkata modelnya menemui lebih 29,000 calon kerentanan dalam enam bulan, sedangkan man...
Diterbitkan olehDisunting dengan GPT-6 LunaImej dijana dengan GPT Image 2
Research answer
Key takeaways
- Palo Alto Networks melaporkan AI membantunya mengenal pasti lebih 14,000 kerentanan sumber terbuka yang sebelum ini tidak dikesan dalam tiga minggu—namun angka itu ialah dakwaan syarikat, bukan penanda aras yang disah...
- Anthropic berkata modelnya menemui lebih 29,000 calon kerentanan dalam enam bulan, sedangkan manusia menyemak dan mengutamakan kira kira 6,000.
- Eksperimen Epoch AI menunjukkan model GLM 5.3 membina serangan terhadap enam keluaran Firefox menggunakan maklumat tentang pembaikan yang belum sampai kepada pengguna.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: As of October 31, 2026, how is AI-driven vulnerability discovery transforming software security, including Palo Alto Networks’ discovery of. Article summary: As of October 31, 2026, AI-driven vulnerability discovery is making security research much faster, while shifting the bottleneck toward human validation, remediation and patch deployment—and creating opportunities to exp. Topic tags: general, general web, user generated, news, government. 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, watermark
AI sedang mengubah keselamatan perisian pada dua peringkat: ia membantu penyelidik menemui kelemahan dengan lebih pantas, dan pada masa yang sama boleh membantu penyerang menukar petunjuk yang tersedia kepada serangan sebelum tampalan sampai kepada semua pengguna. Cabaran utama bukan sekadar mencari pepijat. Pasukan keselamatan masih perlu mengesahkan penemuan, menyediakan pembaikan dan memastikan kemas kini dipasang.3
Penemuan bertambah pantas
Palo Alto Networks memberitahu The Economic Times bahawa AI membantunya mengenal pasti lebih 14,000 kerentanan dalam perisian sumber terbuka yang sebelum ini tidak dikesan, selain menyamai hasil ujian penembusan manual selama setahun dalam masa tiga minggu.19 Angka ini ialah laporan syarikat dan bukannya penanda aras yang disahkan secara bebas dalam bukti yang tersedia.
Angka Anthropic pula menunjukkan mengapa lebih banyak penemuan tidak semestinya bermakna lebih banyak kerentanan sudah disahkan atau dibaiki. Syarikat itu berkata modelnya menemui lebih 29,000 calon kerentanan dalam tempoh enam bulan, tetapi manusia hanya menyemak dan mengutamakan kira-kira 6,000 daripadanya. Calon kerentanan belum tentu kerentanan yang disahkan; penemuan yang sudah disemak pula tidak semestinya sudah menerima tampalan daripada projek asal.
OSS Scanner Anthropic ialah khidmat imbasan berkala percuma untuk projek sumber terbuka yang layak dan memilih untuk menyertainya. Ia menggunakan model syarikat, termasuk Claude Mythos, dan boleh menghantar laporan kepada penyelenggara tanpa semakan manusia terlebih dahulu. Ini mungkin mempercepatkan penyampaian maklumat kepada penyelenggara, tetapi jumlah laporan serta ketepatannya tetap penting. Angka dalam sumber yang tersedia tidak mengesahkan jumlah tepat pada 2 Oktober atau bilangan pembaikan yang telah diterbitkan oleh projek asal.
Beban beralih kepada pengesahan dan pembaikan
Anthropic menyatakan bahawa kapasiti semakan manusia menjadi kekangan, manakala TechTarget menggambarkan OSS Scanner sebagai langkah yang mengalihkan lebih banyak kerja memproses laporan kerentanan kepada penyelenggara projek. Setiap penemuan yang berguna mungkin masih perlu dihasilkan semula, dinilai kesannya, dibaiki, diuji dan diterbitkan. Menghantar lebih banyak laporan tidak bermakna semua kerja itu selesai.
Bagi projek yang kekurangan kapasiti keselamatan, laporan yang boleh dihasilkan semula serta menerangkan kod terjejas dan impaknya dengan jelas lebih mudah diberi keutamaan. Organisasi yang menggunakan perisian sumber terbuka juga boleh membantu membiayai kerja penyelenggaraan dan keselamatannya; Electronic Frontier Foundation (EFF) secara khusus menyeru supaya projek sumber terbuka menerima lebih banyak sokongan. Namun, bukti yang dibekalkan tidak mengesahkan dakwaan khusus tentang keletihan penyelenggara atau perubahan kakitangan dalam projek tertentu.
Jurang tampalan boleh memberi peluang kepada penyerang
AI membantu pihak pertahanan mencari kelemahan, tetapi butiran tentang pembaikan juga boleh mendedahkan petunjuk mengenai kerentanan yang cuba ditutup. Epoch AI melaporkan bahawa GLM 5.3, model yang tersedia secara terbuka daripada Z.ai, menggunakan maklumat tentang pembaikan Firefox yang sudah diumumkan tetapi belum dihantar kepada pengguna untuk membina serangan yang berfungsi terhadap enam keluaran Firefox. Kos marginal yang dilaporkan ialah kira-kira AS$1,000 bagi setiap serangan yang berjaya.3
Ini ialah eksperimen terkawal, bukannya bukti bahawa serangan tersebut digunakan terhadap pengguna Firefox. Namun, kajian itu menunjukkan risiko jurang tampalan: tempoh antara maklumat tentang pembaikan menjadi umum dengan kemas kini sampai kepada pengguna. Laporan sekunder menyatakan Mozilla menangani kerentanan berkaitan dalam Firefox 159.0.2
9
Maksudnya bukanlah pembaikan patut dirahsiakan—pengguna memerlukan tampalan untuk melindungi peranti mereka. Sebaliknya, pihak pertahanan perlu mengambil kira betapa cepatnya butiran teknikal boleh dianalisis, dan mengutamakan pemasangan kemas kini dengan segera.3
Jumlah tampalan perlu dibaca dengan teliti
Patch Tuesday Microsoft pada Oktober menunjukkan mengapa angka keselamatan perlu dibaca mengikut konteks. Nota keluaran Microsoft menyenaraikan 1,468 CVE, manakala Veracode melaporkan 1,413 kerentanan bagi keluaran itu; bukti yang tersedia tidak menjelaskan perbezaan tersebut. Veracode turut mengenal pasti kelemahan pintasan ciri keselamatan Windows Shell yang sedang dieksploitasi dalam kemas kini berkenaan. Jumlah itu sahaja tidak menerangkan punca peningkatan atau berapa banyak isu ditemui menggunakan AI.
Contoh lain memperlihatkan kerja yang diperlukan untuk bertindak balas. CERT-EU menyatakan projek PHP mengumumkan dua kerentanan kritikal pada 20 Oktober dan mengeluarkan pembaikan pada hari berikutnya. Reuters pula melaporkan amaran daripada tujuh pakar keselamatan siber bahawa kelemahan yang ditemui AI boleh menyumbang kepada gangguan seterusnya.17 Itu amaran tentang kemungkinan kesan—bukan bukti bahawa penemuan AI semestinya akan menyebabkan insiden.
Penemuan pantas belum menjamin keselamatan
AI boleh membantu pihak pertahanan menemui kelemahan lebih awal, tetapi eksperimen Firefox menunjukkan pembangunan serangan juga boleh dipercepatkan.3 Sumber yang tersedia belum membuktikan pihak mana yang akan mendapat kelebihan secara keseluruhan. Keutamaan paling jelas sekarang ialah menghubungkan penemuan dengan proses pengesahan yang berkesan serta pembaikan yang dikeluarkan dan dipasang tepat pada masanya—supaya lambakan laporan tidak sekadar menjadi barisan kerja yang semakin panjang untuk penyelenggara dan pengguna.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "AI lebih pantas mencari kelemahan perisian berbanding pasukan yang perlu membaikinya"?
Palo Alto Networks melaporkan AI membantunya mengenal pasti lebih 14,000 kerentanan sumber terbuka yang sebelum ini tidak dikesan dalam tiga minggu—namun angka itu ialah dakwaan syarikat, bukan penanda aras yang disah...
What are the key points to validate first?
Palo Alto Networks melaporkan AI membantunya mengenal pasti lebih 14,000 kerentanan sumber terbuka yang sebelum ini tidak dikesan dalam tiga minggu—namun angka itu ialah dakwaan syarikat, bukan penanda aras yang disah... Anthropic berkata modelnya menemui lebih 29,000 calon kerentanan dalam enam bulan, sedangkan manusia menyemak dan mengutamakan kira kira 6,000.
What should I do next in practice?
Eksperimen Epoch AI menunjukkan model GLM 5.3 membina serangan terhadap enam keluaran Firefox menggunakan maklumat tentang pembaikan yang belum sampai kepada pengguna.