AnswersPublished32 sources
AI-granskning hittade 4 962 Bitcoin-spår – men människorna är flaskhalsen
Bitcoin Red Team rapporterade 4 962 möjliga säkerhetsfynd i cirka 390 projekt på 27,5 timmar, varav 85 klassades som kritiska och 635 som allvarliga. Siffran är inte ett bekräftat antal exploaterbara sårbarheter: bara omkring 21,4 procent av rapporterna hade reproducerats oberoende.
Publicerad avRedigerad med GPT-5.6 TerraBilder genererade med GPT Image 2
Research answer
Key takeaways
- Bitcoin Red Team rapporterade 4 962 möjliga säkerhetsfynd i cirka 390 projekt på 27,5 timmar, varav 85 klassades som kritiska och 635 som allvarliga.
- Siffran är inte ett bekräftat antal exploaterbara sårbarheter: bara omkring 21,4 procent av rapporterna hade reproducerats oberoende.
- AI gör det billigt att hitta misstänkta kodmönster, men mänsklig verifiering, ansvarsfull rapportering, patchning och driftsättning är fortfarande den stora flaskhalsen.
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 Teams AI-assisterade kodrevision visar hur snabbt säkerhetsarbetet i Bitcoins öppna ekosystem kan förändras. Under en sprint i augusti 2026 uppgav den frivilliga gruppen att den hade granskat omkring 390 Bitcoinrelaterade kodarkiv på cirka 27,5 timmar med ett arbetsflöde där människor styrde flera AI-modeller. Resultatet: 4 962 möjliga säkerhetsfynd, varav 85 klassades som kritiska och 635 som allvarliga. Men det avgörande är ordet möjliga. Detta är rapporterade spår, inte 4 962 bekräftade och exploaterbara sårbarheter. 11
24
Så gick granskningen till
Den 16 personer stora gruppen, ledd av utvecklaren Calle och AnchorWatch-vd:n Rob Hamilton, använde enligt rapporteringen AI-beräkningar för över 40 000 dollar, finansierade av OpenSats. Modellerna letade efter misstänkta kodvägar och tänkbara svagheter, medan människor styrde analysen och tog fram rapporter till projektens ansvariga. Bland modellerna som nämns finns Kimi K3, GPT Sol, Fable, Opus och GLM 5.2. 2
5
12
Omfattningen var ovanligt stor för ett kort frivilligprojekt: omkring 390 kodarkiv och ett granskningsramverk som uppges täcka 171 599 rader kod. Enligt gruppens egna allvarlighetsgraderingar hamnade 720 fynd i kategorierna hög eller kritisk. 23
27
Det illustrerar en tydlig förändring i kostnaden för kodgranskning. En modell kan snabbt söka igenom stora kodmängder efter riskmönster, följa möjliga dataflöden och föreslå testfall eller exploateringshypoteser. Men en misstanke blir inte en användbar säkerhetsrapport enbart för att en modell har hittat den.
Varför 4 962 inte är ett antal bekräftade sårbarheter
Siffran bör ses som en kö av kandidater som väntar på verifiering. Den tidiga rapporteringen uppgav att bara 21,4 procent av fynden hade reproducerats oberoende. För varje rapport måste en människa bland annat avgöra om beteendet finns i rätt version och konfiguration, om det går att utnyttja, om det är en dubblett och vilken faktisk allvarlighetsgrad det har. 11
15
En fullständig säkerhetsprocess kräver normalt att någon:
- reproducerar beteendet i den verkliga mjukvarumiljön,
- skiljer riktiga sårbarheter från falsklarm och dubbletter,
- bedömer angreppsmöjlighet och konsekvenser för användare,
- samordnar en privat rapportering med underhållarna,
- skriver en avgränsad patch och tester,
- granskar ändringen för nya fel, och
- får operatörer och användare att installera uppdateringen.
AI har gjort den första fasen – att skapa spår – mycket billigare. Den har inte ersatt behovet av expertansvar i stegen efteråt. Endast en del av fynden hade dessutom nått underhållarna, vilket visar att själva kapaciteten för ansvarsfull rapportering också är begränsad. 14
Coldcard-fallet höjde insatsen
Revisionen följde efter incidenten med hårdvaruplånboken Coldcard. Ett fel i firmware från mars 2021 ska ha lett till att seed-generering gick via en förutsägbar mjukvarubaserad slumptalsgenerator i stället för enhetens avsedda hårdvarugenerator. Därmed kunde berörda nycklar i vissa fall återskapas av en angripare som kunde begränsa de nödvändiga indata. 42
45
Uppskattningarna av förlusterna ändrades när mer aktivitet upptäcktes. CoinDesk rapporterade en möjlig sammanlagd förlust nära 114 miljoner dollar över fyra vågor, medan annan rapportering angav cirka 1 816 BTC stulna mellan den 30 juli och den 3 augusti. 41
42
Lärdomen är inte att Bitcoins grundläggande kryptografi havererade. Den är att fel i kringliggande mjukvara för egen förvaring kan få mycket stora följder – och att farliga fel helst måste hittas innan de utnyttjas.
En sammanslagen fix – och varför den säger mer än råsiffran
Ett konkret resultat blev enligt rapporteringen en AI-assisterad ändring i Bitcoin Core från Hamilton, som slogs ihop den 20 augusti för att åtgärda en plånboksrelaterad kraschbugg. 13
Det är ett betydelsefullt exempel på ett AI-genererat eller AI-assisterat spår som tog sig igenom den vanliga processen för granskning och sammanslagning. Samtidigt visar det varför rubriksiffran inte ska blandas ihop med antalet färdigåtgärdade problem. En integrerad fix har passerat en långt högre tröskel än en automatiskt skapad rapport: felet är definierat, patchen är granskad och ändringen har godtagits i ett underhållet kodarkiv.
OpenAI-begränsningen blottlade ett dilemma för försvarare
Hamilton uppgav att OpenAI:s Trust Cyber-program begränsade hans åtkomst när han började integrera företagets cyberfunktioner i granskningen. Gruppen fortsatte enligt rapporteringen med andra modeller, inklusive modeller med öppna vikter. 18
21
32
Frågan är svår: kraftfulla cybermodeller kan hjälpa legitima försvarare att hitta fel, men samma kapacitet kan missbrukas. Hamiltons kritik var att trösklar för kända försvarare kan skapa en praktisk obalans när andra modeller, inklusive sådana som kan köras lokalt, fortfarande finns tillgängliga för angripare. Det är ett argument om åtkomst och arbetstempo – inte belägg för att begränsningar hos en enskild leverantör stoppar vare sig säkerhetsforskning eller skadlig användning. 21
Boltz visar pressen på små team
Bitcoins växeltjänst Boltz stoppade separat sina swappar på obestämd tid i augusti. Boltz sade att en ökning av automatiserad, AI-assisterad sondering hade överstigit det lilla teamets förmåga att säkra tjänsten och rulla ut fixar. Återbetalningsfunktionen förblev tillgänglig medan swapparna stängdes av. 28
29
30
Boltz bevisar inte att varje AI-assisterat angrepp är avancerat eller lyckas. Men fallet är ett praktiskt exempel på den obalans som Red Teams granskning pekar på: automatiserad upptäckt och sondering kan pågå kontinuerligt, medan små underhållsteam måste utreda varje larm och leverera varje skyddsåtgärd säkert.
När modellerna blir starkare förändras riskbilden
Bitcoin och många tjänster runt systemet är till stor del öppen källkod. Det möjliggör oberoende granskning och insyn, men ger också försvarare och angripare tillgång till samma kod. Hamilton och Bitcoin-kommentatorn CobraBitcoin hävdar inte att öppen källkod i sig är osäker. Deras oro är att allt bättre modeller kan minska både tiden och den specialistkunskap som krävs för att hitta ovanliga fel i hundratals kodarkiv. 17
21
OpenAI uppger att GPT-6 Astra når nivån Critical för cybersäkerhetsförmåga i företagets Preparedness Framework. Enligt OpenAI kan Astra, med rätt verktyg och åtkomst, hitta tidigare okända fel och utveckla sätt att utnyttja dem i många välskyddade system utan att en människa styr varje steg. 19
22
Det påståendet visar varken att Astra användes i Bitcoin Red Teams granskning eller att en frontmodell orsakade en Bitcoin-kompromettering. Däremot förklarar det varför underhållare fokuserar på snabbhet: när modeller blir bättre på att resonera över hela kodarkiv och utveckla sårbarhetsangrepp flyttas flaskhalsen från att hitta möjligheter till att snabbt bevisa, fixa och distribuera skydd mot de viktiga fynden.
Den verkliga investeringen: kapacitet för verifiering
Red Teams sprint bör främst ses som en varning om genomströmning. Säkerhetsekosystem kan nu snabbt skapa tusentals rimliga spår. Deras motståndskraft beror på om de kan finansiera oberoende reproduktion, säkra rapporteringskanaler, underhållarnas tid, kodgranskning, tester och snabba uppdateringar i jämförbar takt.
För Bitcoinrelaterade projekt är nästa verkliga mått därför inte den största AI-genererade fyndsiffran. Det är hur stor andel av rapporterna som blir validerade sårbarheter, samordnade patchar och installerade skydd innan angripare hinner agera. 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-granskning hittade 4 962 Bitcoin-spår – men människorna är flaskhalsen"?
Bitcoin Red Team rapporterade 4 962 möjliga säkerhetsfynd i cirka 390 projekt på 27,5 timmar, varav 85 klassades som kritiska och 635 som allvarliga.
What are the key points to validate first?
Bitcoin Red Team rapporterade 4 962 möjliga säkerhetsfynd i cirka 390 projekt på 27,5 timmar, varav 85 klassades som kritiska och 635 som allvarliga. Siffran är inte ett bekräftat antal exploaterbara sårbarheter: bara omkring 21,4 procent av rapporterna hade reproducerats oberoende.
What should I do next in practice?
AI gör det billigt att hitta misstänkta kodmönster, men mänsklig verifiering, ansvarsfull rapportering, patchning och driftsättning är fortfarande den stora flaskhalsen.
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 ...