呢種分工之所以重要，係因為源碼分析往往會產生遠多於安全團隊人手可以逐一調查嘅可疑模式。AVDH 可以大量產生中間結果，而驗證階段同真人審查，就將注意力集中喺看似真正可被利用、而且可能造成重大影響嘅問題上。

Google 表示，AVDH 首 10 個月嘅使用期間，分析過涉及數千萬行程式碼嘅程式碼庫，並產生數以萬計嘅發現。喺提到嘅兩日調查入面，系統找出超過 100 個真陽性、屬於嚴重級別嘅漏洞。相關工作亦促成 12 個已分配嘅 CVE，另有大約十多個問題仍然處於披露程序之中。

所以，真正值得睇嘅指標唔係警報總數，而係由機器產生嘅漏洞假設，最終有幾多可以轉化成可重現、並且得到負責任處理嘅安全漏洞。

AVDH 同 Palo Alto 的 NOVA，唔係一場簡單對賽

Palo Alto Networks 就 NOVA——即 Network and Open-Source Vulnerability Analyzer——公布過一個更大嘅數字。公司表示，NOVA 喺兩個月內分析 3,915 個開源項目，報告 14,090 個已確認漏洞；當中 99.4% 之前未被報告，而 40% 被評為高或嚴重級別。

但兩組數字反映嘅運作模式唔同：

• AVDH： 係一項有時間限制、深入調查嘅安全評估，並且同事故應變工作相連；真人審查及重現攻擊路徑，係重要嘅質量控制。
• NOVA： 係跨越數千個開源項目嘅生態系統級掃描，重點係廣度及自主發現能力。

現有報告未能證明兩套系統採用完全相同嘅目標選擇、嚴重性標準、誤報門檻、可利用性測試，或者漏洞披露流程。因此，兩個 headline 數字唔應該被當成一張通用排行榜。

AVDH 展示咗代理鏈點樣支援一次具體、而且高可信度嘅深入調查；NOVA 就展示自主漏洞發現可以喺開源軟件層面擴展到幾大規模。兩者合埋睇，反映出漏洞研究正逐漸分成兩個問題：一方面要有足夠廣度去搵到弱點，另一方面要有足夠好嘅驗證，先可以令結果真正可行動。

防守焦點由「搵到」轉向「減少暴露時間」

Palo Alto 對應快速發現漏洞嘅方法，唔只係搵出問題。公司提出 Advanced Virtual Patching，希望喺幾個鐘內部署網絡層防護，當軟件擁有人按照傳統流程處理修補時，先減低系統暴露程度。Palo Alto 將呢個做法，同業界平均約 55 日嘅傳統修補部署時間作比較。

公司亦宣布 Frontier AI Critical Defense Program，將 AI 公司、軟件供應商、開源社群，以及營運科技（OT）機構拉埋一齊協調防守。據報參與者包括 Anthropic、OpenAI、IBM、Red Hat、Microsoft、Siemens、Mitsubishi Electric 同 Axis Communications 等。

如果易受攻擊嘅服務會接收網絡流量，而網絡控制措施又能夠識別及阻截相關流量，虛擬修補可以即時發揮作用。不過，佢始終應該被理解為一項補償性控制措施，唔係修正底層軟件嘅替代品。

真正持久嘅修復，仍然要由負責團隊了解漏洞、修改程式碼、測試、發布，再確認受影響系統已經安裝更新。隨住漏洞發現速度加快，呢個分別更加關鍵：網絡控制可以減低即時暴露，但唔會自動清除應用程式或者整條軟件供應鏈入面嘅脆弱程式碼。

攻擊者同樣得到加速

防守方取得進展之際，亦有證據顯示攻擊者正用 AI 做類似工作。Google Threat Intelligence Group 報告指，佢哋首次識別到一宗相信由 AI 協助開發嘅零日漏洞攻擊。該威脅行為者原本計劃利用漏洞發動大規模攻擊，而 Google 表示，反向調查及及早發現可能阻止咗事件發生。

據報，相關漏洞針對一款流行嘅開源網頁管理工具，利用其中嘅雙重認證（2FA）繞過問題。分析人員亦發現教育式註解，以及一個由模型「幻想」出來、但實際上並不存在相應漏洞嘅 CVSS 評分，並以此作為 AI 很可能參與開發嘅線索。

呢件事唔代表每一個由 AI 產生嘅漏洞都會變成實際攻擊，但就代表防守方唔可以再假設：程式碼夠複雜、人手研究能力有限，或者由發現到利用之間通常有一段長時間，必然可以為修補爭取到足夠時間。

Cloud Security Alliance 嘅警告正正擊中要害：AI 加快漏洞發現嘅速度及規模，已經快過好多披露及修補系統嘅承受能力。漏洞數量增加，只有喺組織有能力分流、協調披露、製作修復方案，以及安全部署防護措施時，先可以轉化成更高安全性。

防守方可以搶返優勢嗎？

可以，但唔係單靠買一個搵漏洞嘅模型。真正有優勢嘅組織，必須將漏洞發現接駁到整個安全運作系統：

1. 威脅建模： 將搜尋範圍收窄到較現實嘅攻擊路徑。
2. 代理式分析： 以機器速度探索程式碼，並提出多個互相競爭嘅假設。
3. 獨立驗證： 減少將可疑模式誤當成安全漏洞嘅機會。
4. 真人重現： 確認建議漏洞係咪真係可以被利用。
5. 協調披露： 為維護者及供應商提供清晰嘅應對渠道。
6. 虛擬修補等補償性控制： 喺程式碼修復準備期間，先降低系統暴露程度。
7. 按優先次序修復： 先處理最容易接觸、影響最大嘅漏洞。

AVDH 顯示咗呢種連貫流程嘅價值：廣泛嘅自動探索，配合真人判斷及攻擊驗證。NOVA 就顯示出呢套流程要承受嘅壓力：自主發現可以產生傳統安全團隊未必有能力即時處理嘅大量結果。

因此，正在成形嘅 AI 網絡安全軍備競賽，唔只係鬥邊個模型搵到最多 bug，而係鬥邊一方可以更快完成由「偵測」到「降低風險」嘅整個循環，快過對手將漏洞變成攻擊。

防守方喺能夠控制程式碼、部署流程、遙測資料及網絡控制嘅地方，仍然有機會搶返先機。但如果只有漏洞發現，欠缺驗證、責任歸屬、披露、修補工程同部署能力，AI 反而可能令問題越滾越大，而唔係真正解決問題。

呢種分工之所以重要，係因為源碼分析往往會產生遠多於安全團隊人手可以逐一調查嘅可疑模式。AVDH 可以大量產生中間結果，而驗證階段同真人審查，就將注意力集中喺看似真正可被利用、而且可能造成重大影響嘅問題上。

Google 表示，AVDH 首 10 個月嘅使用期間，分析過涉及數千萬行程式碼嘅程式碼庫，並產生數以萬計嘅發現。喺提到嘅兩日調查入面，系統找出超過 100 個真陽性、屬於嚴重級別嘅漏洞。相關工作亦促成 12 個已分配嘅 CVE，另有大約十多個問題仍然處於披露程序之中。

所以，真正值得睇嘅指標唔係警報總數，而係由機器產生嘅漏洞假設，最終有幾多可以轉化成可重現、並且得到負責任處理嘅安全漏洞。

AVDH 同 Palo Alto 的 NOVA，唔係一場簡單對賽

Palo Alto Networks 就 NOVA——即 Network and Open-Source Vulnerability Analyzer——公布過一個更大嘅數字。公司表示，NOVA 喺兩個月內分析 3,915 個開源項目，報告 14,090 個已確認漏洞；當中 99.4% 之前未被報告，而 40% 被評為高或嚴重級別。

但兩組數字反映嘅運作模式唔同：

• AVDH： 係一項有時間限制、深入調查嘅安全評估，並且同事故應變工作相連；真人審查及重現攻擊路徑，係重要嘅質量控制。
• NOVA： 係跨越數千個開源項目嘅生態系統級掃描，重點係廣度及自主發現能力。

現有報告未能證明兩套系統採用完全相同嘅目標選擇、嚴重性標準、誤報門檻、可利用性測試，或者漏洞披露流程。因此，兩個 headline 數字唔應該被當成一張通用排行榜。

AVDH 展示咗代理鏈點樣支援一次具體、而且高可信度嘅深入調查；NOVA 就展示自主漏洞發現可以喺開源軟件層面擴展到幾大規模。兩者合埋睇，反映出漏洞研究正逐漸分成兩個問題：一方面要有足夠廣度去搵到弱點，另一方面要有足夠好嘅驗證，先可以令結果真正可行動。

防守焦點由「搵到」轉向「減少暴露時間」

Palo Alto 對應快速發現漏洞嘅方法，唔只係搵出問題。公司提出 Advanced Virtual Patching，希望喺幾個鐘內部署網絡層防護，當軟件擁有人按照傳統流程處理修補時，先減低系統暴露程度。Palo Alto 將呢個做法，同業界平均約 55 日嘅傳統修補部署時間作比較。

公司亦宣布 Frontier AI Critical Defense Program，將 AI 公司、軟件供應商、開源社群，以及營運科技（OT）機構拉埋一齊協調防守。據報參與者包括 Anthropic、OpenAI、IBM、Red Hat、Microsoft、Siemens、Mitsubishi Electric 同 Axis Communications 等。

如果易受攻擊嘅服務會接收網絡流量，而網絡控制措施又能夠識別及阻截相關流量，虛擬修補可以即時發揮作用。不過，佢始終應該被理解為一項補償性控制措施，唔係修正底層軟件嘅替代品。

真正持久嘅修復，仍然要由負責團隊了解漏洞、修改程式碼、測試、發布，再確認受影響系統已經安裝更新。隨住漏洞發現速度加快，呢個分別更加關鍵：網絡控制可以減低即時暴露，但唔會自動清除應用程式或者整條軟件供應鏈入面嘅脆弱程式碼。

攻擊者同樣得到加速

防守方取得進展之際，亦有證據顯示攻擊者正用 AI 做類似工作。Google Threat Intelligence Group 報告指，佢哋首次識別到一宗相信由 AI 協助開發嘅零日漏洞攻擊。該威脅行為者原本計劃利用漏洞發動大規模攻擊，而 Google 表示，反向調查及及早發現可能阻止咗事件發生。

據報，相關漏洞針對一款流行嘅開源網頁管理工具，利用其中嘅雙重認證（2FA）繞過問題。分析人員亦發現教育式註解，以及一個由模型「幻想」出來、但實際上並不存在相應漏洞嘅 CVSS 評分，並以此作為 AI 很可能參與開發嘅線索。

呢件事唔代表每一個由 AI 產生嘅漏洞都會變成實際攻擊，但就代表防守方唔可以再假設：程式碼夠複雜、人手研究能力有限，或者由發現到利用之間通常有一段長時間，必然可以為修補爭取到足夠時間。

Cloud Security Alliance 嘅警告正正擊中要害：AI 加快漏洞發現嘅速度及規模，已經快過好多披露及修補系統嘅承受能力。漏洞數量增加，只有喺組織有能力分流、協調披露、製作修復方案，以及安全部署防護措施時，先可以轉化成更高安全性。

防守方可以搶返優勢嗎？

可以，但唔係單靠買一個搵漏洞嘅模型。真正有優勢嘅組織，必須將漏洞發現接駁到整個安全運作系統：

1. 威脅建模： 將搜尋範圍收窄到較現實嘅攻擊路徑。
2. 代理式分析： 以機器速度探索程式碼，並提出多個互相競爭嘅假設。
3. 獨立驗證： 減少將可疑模式誤當成安全漏洞嘅機會。
4. 真人重現： 確認建議漏洞係咪真係可以被利用。
5. 協調披露： 為維護者及供應商提供清晰嘅應對渠道。
6. 虛擬修補等補償性控制： 喺程式碼修復準備期間，先降低系統暴露程度。
7. 按優先次序修復： 先處理最容易接觸、影響最大嘅漏洞。

AVDH 顯示咗呢種連貫流程嘅價值：廣泛嘅自動探索，配合真人判斷及攻擊驗證。NOVA 就顯示出呢套流程要承受嘅壓力：自主發現可以產生傳統安全團隊未必有能力即時處理嘅大量結果。

因此，正在成形嘅 AI 網絡安全軍備競賽，唔只係鬥邊個模型搵到最多 bug，而係鬥邊一方可以更快完成由「偵測」到「降低風險」嘅整個循環，快過對手將漏洞變成攻擊。

防守方喺能夠控制程式碼、部署流程、遙測資料及網絡控制嘅地方，仍然有機會搶返先機。但如果只有漏洞發現，欠缺驗證、責任歸屬、披露、修補工程同部署能力，AI 反而可能令問題越滾越大，而唔係真正解決問題。