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。

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。