AnswersPublished32 sources
AI fant 4.962 mulige Bitcoin-feil – nå er menneskelig kontroll flaskehalsen
Et frivillig team på 16 personer rapporterte 4.962 mulige sikkerhetsfunn etter en AI støttet gjennomgang av rundt 390 Bitcoin relaterte kodebaser på 27,5 timer. Tallene er ikke det samme som 4.962 bekreftede og utnyttbare sårbarheter: Tidlig i prosessen var bare 21,4 prosent av funnene reprodusert uavhengig.
Publisert avRedigert med GPT-5.6 TerraBilder generert med GPT Image 2
Research answer
Key takeaways
- Et frivillig team på 16 personer rapporterte 4.962 mulige sikkerhetsfunn etter en AI støttet gjennomgang av rundt 390 Bitcoin relaterte kodebaser på 27,5 timer.
- Tallene er ikke det samme som 4.962 bekreftede og utnyttbare sårbarheter: Tidlig i prosessen var bare 21,4 prosent av funnene reprodusert uavhengig.
- AI gjør jakten på mulige feil langt raskere, men mennesker må fortsatt teste, prioritere, varsle utviklere, skrive rettelser og få oppdateringer ut til brukerne.
- Boltz satte byttetjenesten sin på pause etter økt automatisk, AI assistert sondering, mens OpenAI sier at GPT 6 Astra når selskapets kritiske terskel for cybersikkerhetskapabilitet.
AI Prompt
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
Bitcoin Red Team brukte AI til å lete gjennom kode i et omfang som ville vært vanskelig å matche manuelt. Men det mest oppsiktsvekkende ved den frivillige sikkerhetssprinten er ikke bare tallet 4.962. Det er avstanden mellom å få et mulig funn og å dokumentere, rette og rulle ut en løsning.
I løpet av 27,5 timer oppga gruppen at den hadde registrert 4.962 mulige sikkerhetsfunn i rundt 390 Bitcoin-relaterte prosjekter med åpen kildekode. Av disse ble 85 vurdert som kritiske og 635 som alvorlige. Dette er imidlertid rapporterte spor som må undersøkes videre – ikke 4.962 bekreftede, utnyttbare sårbarheter. 11
24
Slik ble gjennomgangen gjennomført
Det 16 personer store laget ble ledet av utvikleren Calle og Rob Hamilton, toppsjef i AnchorWatch. Ifølge omtalen ble det brukt over 40.000 dollar i AI-regnekraft, finansiert av OpenSats, en ideell aktør som støtter åpen Bitcoin-utvikling. Arbeidsflyten var menneskestyrt: modellene lette etter mistenkelige kodeveier og mulige svakheter, mens mennesker styrte analysen og utformet rapporter til vedlikeholderne av prosjektene. Modellene som ble nevnt i dekningen, var Kimi K3, GPT Sol, Fable, Opus og GLM 5.2. 2
5
12
Omfanget var stort for en kortvarig frivillig innsats. Teamet oppga å ha brukt et gjennomgangssystem som dekket 171.599 kodelinjer. Til sammen ble 720 funn plassert i kategoriene alvorlig eller kritisk. 23
27
AI kan raskt søke gjennom store mengder kode etter risikable mønstre, følge mulige dataflyter og foreslå tester eller hypoteser om hvordan en feil kan utnyttes. Men et mistenkelig mønster er ikke automatisk en ferdig sikkerhetsrapport – og langt mindre en feil som kan utnyttes i praksis.
4.962 funn er ikke en ferdig sårbarhetsliste
Det riktige bildet er en kø av kandidater som venter på kontroll. I den tidlige rapporteringen var bare 21,4 prosent av funnene reprodusert uavhengig. For hvert enkelt var det fortsatt nødvendig å avklare om oppførselen faktisk fantes i riktig programversjon og konfigurasjon, om den kunne utnyttes, om den var en duplikat, og hvilken alvorlighetsgrad den reelt hadde. 11
15
En full sikkerhetsprosess krever normalt at noen:
- gjenskaper feilen i det faktiske programmiljøet;
- skiller reelle sårbarheter fra falske positiver og duplikater;
- vurderer utnyttbarhet og konsekvenser for brukere;
- koordinerer konfidensiell varsling med prosjektets vedlikeholdere;
- lager en avgrenset rettelse med tester;
- kvalitetssikrer at endringen ikke skaper nye feil; og
- får operatører og brukere til å installere oppdateringen.
AI har gjort første del av kjeden – å skaffe mulige spor – langt billigere. Den har ikke fjernet behovet for erfarne fagfolk i resten av kjeden. Bare 147 funn hadde ifølge rapportering nådd vedlikeholderne, noe som også peker på at selve varslingskapasiteten er begrenset. 14
Coldcard-saken viste hva som står på spill
Gjennomgangen kom etter Coldcard-hendelsen. En fastvarefeil fra mars 2021 skal ha sendt generering av seed-frase, grunnlaget for private nøkler, til en forutsigbar programvarebasert tilfeldighetsgenerator i stedet for maskinvarens tiltenkte generator. Dermed kunne berørte nøkler i prinsippet gjenskapes av en angriper som klarte å avgrense de nødvendige inndataene. 42
45
Anslagene over tapene endret seg etter hvert som flere transaksjoner ble identifisert. CoinDesk omtalte en mulig samlet sum på nær 114 millioner dollar over fire angrepsbølger, mens annen dekning anslo at omtrent 1.816 BTC ble stjålet mellom 30. juli og 3. august. 41
42
Dette var ikke et brudd i Bitcoins grunnleggende kryptografi. Saken illustrerte i stedet hvordan en feil i programvare rundt selvforvaltning av bitcoin kan få konsekvenser i stor skala.
Én sammenslått rettelse sier mer enn tusen uverifiserte rapporter
Et konkret resultat kom da Hamilton fikk en AI-assistert endring slått sammen i Bitcoin Core 20. august, ifølge rapportering. Endringen rettet en krasjfeil knyttet til lommeboken. 13
Det er et viktig eksempel på at et AI-støttet spor kan gå hele veien gjennom vanlig utviklingsprosess: fra identifisert problem, via gjennomgått kodeendring, til en akseptert rettelse i en aktivt vedlikeholdt kodebase. Samtidig viser det hvorfor det samlede funntallet ikke må forveksles med antallet rettede problemer.
Begrenset AI-tilgang reiste et dilemma for forsvarerne
Hamilton sa at OpenAIs Trust Cyber-program begrenset tilgangen hans etter at han begynte å integrere selskapets cyberkapabiliteter i revisjonen. Gruppen fortsatte ifølge omtalen med alternative modeller, også modeller med åpne vekter. 18
21
32
Her ligger et reelt dilemma: Kraftige cybermodeller kan hjelpe forsvarere med å finne feil, men kan også misbrukes. Hamiltons innvending var at forsinkelse eller friksjon for kjente forsvarere kan skape en praktisk ubalanse når andre modeller, inkludert modeller som kan kjøres lokalt, fortsatt er tilgjengelige. Det er et argument om tilgang og tempo – ikke dokumentasjon på at begrensninger hos én leverandør stopper hverken sikkerhetsforskning eller misbruk. 21
Boltz viser presset på små utviklingsteam
Bitcoin-tjenesten Boltz satte i august bytteringene sine på ubestemt pause. Selskapet sa at en økning i automatisert, AI-assistert sondering hadde passert det lille teamets kapasitet til å sikre tjenesten og få rettelser ut. Refusjonsfunksjonen skulle fortsatt være tilgjengelig mens bytter var deaktivert. 28
29
30
Boltz beviser ikke at alle AI-genererte angrep er avanserte eller vellykkede. Men saken er et konkret eksempel på samme kapasitetsproblem: Automatisert kartlegging og sondering kan pågå kontinuerlig, mens små team må undersøke hvert varsel og levere hver sikker oppdatering forsvarlig.
Sterkere modeller endrer tidsregnskapet
Bitcoin og mange tjenester rundt nettverket er i stor grad basert på åpen kildekode. Det gir transparens og åpner for uavhengig kontroll, men betyr også at forsvarere og angripere kan analysere den samme offentlige koden. Bekymringen Hamilton og Bitcoin-kommentatoren CobraBitcoin har løftet, er ikke at åpen kildekode i seg selv er usikker. Den er at bedre modeller kan senke både tiden og ekspertisen som trengs for å finne en sjelden svakhet på tvers av mange kodebaser. 17
21
OpenAI sier at GPT-6 Astra oppfyller den kritiske terskelen for cybersikkerhetskapabilitet i selskapets Preparedness Framework. Ifølge OpenAI kan modellen, med riktige verktøy og tilgang, finne tidligere ukjente feil og utvikle metoder for å utnytte dem i mange godt sikrede systemer uten at et menneske må styre hvert trinn. 19
22
Dette betyr ikke at Astra ble brukt i Bitcoin Red Teams gjennomgang, eller at en grensemodell har forårsaket et Bitcoin-kompromiss. Det forklarer derimot hvorfor tempo har blitt et hovedspørsmål: Når modeller blir bedre til å resonnere over hele kodebaser og utvikle sårbarhetsfunn, flytter begrensningen seg fra å finne muligheter til å bevise, rette og distribuere svarene raskt nok.
Den viktigste investeringen er kapasitet til verifisering
Bitcoin Red Teams sprint bør derfor leses som en advarsel om gjennomstrømning. Sikkerhetsmiljøer kan nå produsere tusenvis av plausible funn svært raskt. Motstandskraften avgjøres av om det finnes finansiering og folk nok til uavhengig reproduksjon, sikre varslingskanaler, vedlikehold av kode, testing og rask distribusjon av oppdateringer.
For Bitcoin-prosjekter er den viktigste målestokken dermed ikke høyest mulig antall AI-genererte funn. Den er hvor stor andel som ender som validerte sårbarheter, ansvarlig koordinerte rettelser og beskyttelse som faktisk er tatt i bruk før angripere rekker å handle. 15
14
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 fant 4.962 mulige Bitcoin-feil – nå er menneskelig kontroll flaskehalsen"?
Et frivillig team på 16 personer rapporterte 4.962 mulige sikkerhetsfunn etter en AI støttet gjennomgang av rundt 390 Bitcoin relaterte kodebaser på 27,5 timer.
What are the key points to validate first?
Et frivillig team på 16 personer rapporterte 4.962 mulige sikkerhetsfunn etter en AI støttet gjennomgang av rundt 390 Bitcoin relaterte kodebaser på 27,5 timer. Tallene er ikke det samme som 4.962 bekreftede og utnyttbare sårbarheter: Tidlig i prosessen var bare 21,4 prosent av funnene reprodusert uavhengig.
What should I do next in practice?
AI gjør jakten på mulige feil langt raskere, men mennesker må fortsatt teste, prioritere, varsle utviklere, skrive rettelser og få oppdateringer ut til brukerne.
Sources
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 ...