从“找到漏洞”到“确认并修复”：AI网络安全竞赛进入下一阶段

Mandiant的“智能体漏洞发现框架”（Agentic Vulnerability Discovery Harness，AVDH）所展示的，可能比任何单一漏洞数量都更重要：AI辅助的安全研究正在从聊天机器人实验，转变为一套经过工程化设计的工作流。

这套系统将专门化智能体、人类威胁建模审查、攻击路径分析、独立验证，以及由安全顾问复现的概念验证漏洞利用结合起来。在一次事件响应调查中，Google称AVDH在两天内发现了100多个真实有效的高危漏洞。

但这并不意味着某个模型可以简单地“读完所有代码”。AVDH的优势更可能来自对漏洞研究进行分阶段拆解：先缩小庞大的搜索空间，再通过验证流程和人类专家把可疑线索筛选成真正具有可利用性和安全影响的漏洞。

AVDH不是一个AI审查员，而是一条流水线

AVDH的架构遵循了资深安全评估人员的工作逻辑。智能体首先帮助理解代码库的用途以及潜在攻击方式；后续环节则负责梳理攻击面、定位入口、追踪数据流、提出相互竞争的漏洞假设，并验证可能的利用路径。人类顾问会审查威胁模型，并复现概念验证漏洞利用，之后相关问题才会被视为已验证的安全发现。

这种分工很关键。源代码分析产生的可疑模式，远远多于安全团队能够逐一人工调查的数量。AVDH可以批量生成大量中间结果，而验证环节与人工复核则将注意力集中到那些看起来既可能被利用、又可能造成实际影响的问题上。

Google表示，在开始使用AVDH后的前10个月里，该系统分析了覆盖数千万行代码的代码库，并生成了数万条发现。在那次重点提及的两天调查中，系统识别出100多个真实有效的严重漏洞。更广泛的工作已经促成12个CVE编号分配，另有大约十多个问题仍处于主动披露阶段。

因此，真正有价值的指标并不是机器发出了多少条告警，而是这些机器生成的漏洞假设，有多少最终转化为可复现、并得到负责任处理的安全漏洞。

AVDH与Palo Alto的NOVA，并不是一场简单的正面对决

Palo Alto Networks公布了来自NOVA的更大规模数字。NOVA是其自主多模型漏洞发现系统。根据该公司的研究，NOVA在两个月内分析了3915个开源项目，报告了14090个已确认漏洞，其中99.4%此前未被报告，40%被评为高危或严重等级。

但这两组数字对应的是不同的工作模式：

• **AVDH：**与事件响应相结合、时间范围明确且调查深入的评估；人类审查和漏洞利用路径复现是重要的质量控制环节。
• **NOVA：**面向数千个开源项目的生态级扫描，重点在于覆盖范围和自主发现能力。

现有报告并没有证明两套系统采用了相同的目标选择方式、严重性标准、误报阈值、可利用性测试或漏洞披露流程。因此，它们的 headline 数字不能被直接当作一个普适的排行榜。

AVDH说明了多智能体链如何支持一次具体安全任务中的高可信调查；NOVA则说明了自主发现可以在开源软件生态中扩展到多大规模。两者共同指向一个趋势：漏洞发现正在分裂成两个问题——一是足够广泛地搜索，二是足够可靠地验证，确保发现结果能够真正推动防御行动。

防御重点正从“发现漏洞”转向“降低暴露面”

Palo Alto Networks应对发现速度提升的方案，并不止于找出漏洞。该公司提出的“高级虚拟补丁”（Advanced Virtual Patching）计划，旨在通过网络层防护，在数小时内部署针对性保护，让软件所有者有时间完成传统修复。Palo Alto将这一做法与行业平均约55天的传统补丁部署周期进行了对比。

该公司还宣布了“前沿AI关键防御计划”（Frontier AI Critical Defense Program），邀请AI公司、软件供应商、开源社区以及运营技术组织参与协调防御。据报道，参与方包括Anthropic、OpenAI、IBM、Red Hat、Microsoft、Siemens、Mitsubishi Electric和Axis Communications等。

当存在漏洞的服务能够通过网络流量识别和拦截时，虚拟补丁可能具有很高的价值。不过，它更适合被理解为一种补偿性控制措施，而不是修复底层软件的替代品。长期解决方案仍然需要软件负责人理解漏洞、修改代码、完成测试、发布更新，并确认受影响系统已经安装修复版本。

随着漏洞发现速度加快，这一差别会更加重要。网络控制可以迅速降低眼前的暴露风险，却不能自动消除应用程序或软件供应链中所有存在问题的代码。

攻击者也在获得同样的加速能力

防御技术的进步，与攻击者利用AI执行类似任务的证据同步出现。Google威胁情报部门表示，他们发现了首个被认为是在AI协助下开发的零日漏洞利用案例。攻击者原计划发动大规模攻击，而Google称其主动反向发现可能阻止了这次行动。

据报道，该漏洞利用针对一款流行开源Web管理工具中的双因素认证绕过问题。分析人员将其中的教学性注释，以及针对一个并不存在的漏洞生成的虚构CVSS评分，视为AI模型可能参与开发的迹象。

这并不意味着每一个AI生成的漏洞都会变成现实攻击。但它说明，防御者不能再理所当然地认为：代码复杂度、研究人员有限的时间，或从发现到利用之间通常存在的时间差，能够稳定地为响应争取足够时间。

云安全联盟的警告因此尤为重要：AI提升漏洞发现速度和规模的幅度，正在超过许多漏洞披露与补丁系统的承载能力。更多发现只有在组织能够完成分诊、协调披露、开发修复并安全部署防护的前提下，才能转化为更高的安全性。

防御者能重新取得优势吗？

可以，但仅仅购买一个漏洞发现模型并不够。真正的优势属于那些能够把发现能力接入完整安全运营体系的组织：

1. 威胁建模：将搜索范围收窄到更现实的攻击路径。
2. 智能体分析：让多个智能体以机器速度探索代码并提出相互竞争的假设。
3. 独立验证：降低可疑代码模式被误报为漏洞的概率。
4. 人工复现：确认提出的问题确实能够被利用。
5. 协调披露：为维护者和供应商提供响应路径。
6. 虚拟补丁及其他补偿性控制：在代码修复准备期间降低暴露面。
7. 优先级修复：优先处理最容易被触达、影响最严重的漏洞。

AVDH体现了这种连接式工作流的价值：自动化的广泛探索，与人类判断和漏洞利用验证结合起来。NOVA则体现了这套工作流必须承受的压力：自主发现能够以传统安全团队未曾为之设计的规模产出结果。

因此，正在形成的AI网络安全军备竞赛，并不只是比较哪个模型发现的漏洞最多。真正的竞赛，是看谁能更快完成从检测到缓解的完整闭环，赶在对手将漏洞转化为攻击之前采取行动。

只要组织能够控制代码、部署流水线、遥测数据和网络控制，防御者就有机会借助AI重新取得主动。但如果只有发现，没有验证、责任归属、披露、修复和部署能力，AI可能只是扩大问题的规模，而不是解决问题。