Cloudflare 測試 Claude Mythos：AI 可以將細微漏洞串成真正攻擊鏈

Cloudflare 表示，這種能力在多個系統範圍都出現，包括其 runtime 系統、協議程式碼、控制平面組件，以及一些開源專案。

而在傳統安全研究中，這種「把漏洞串成完整攻擊流程」的分析，通常需要經驗豐富的安全研究員才能做到。

自動生成 PoC Exploit

另一個引人注目的發現，是 Mythos 能夠自動生成 exploit 的 proof‑of‑concept 程式碼。

Cloudflare 觀察到模型可以：

• 撰寫用來觸發漏洞的程式碼
• 在測試環境編譯並執行 exploit
• 分析執行結果或失敗原因
• 再調整策略重新嘗試

這種「寫代碼 → 測試 → 修正 → 再試」的迭代流程，使模型可以由漏洞發現直接進展到實際驗證漏洞是否能被利用，而且幾乎不需要人手介入。

對安全團隊而言，PoC exploit 往往是確認漏洞是否真正危險的關鍵一步。如果這一步能被 AI 自動完成，漏洞驗證與優先排序的效率可能大幅提升。

更進階的漏洞與 exploit 推理能力

Anthropic 在 Mythos Preview 的技術說明中亦提到，模型在內部測試中顯示出更廣泛的能力，例如：

• 在真實開源程式碼中發現 zero‑day 漏洞
• 逆向分析（reverse‑engineer） 閉源軟件的 exploit 技術
• 把 N‑day 漏洞（已公開但未修補）轉化為實際 exploit

這些能力顯示 Mythos 的重點不是一般程式生成，而是結構化漏洞分析與攻擊推理。

測試揭示的限制

雖然能力強，但 Cloudflare 測試亦指出一些明顯問題。

False positives

模型有時會報告 實際上不可利用的漏洞，或者對漏洞嚴重性作出錯誤判斷。

特別是在 C 或 C++ 等記憶體不安全語言的專案中，誤報情況較多，因此仍然需要人類專家進行驗證。

安全拒絕行為不一致

研究人員亦觀察到模型的安全限制（refusal）行為並不一致。

有時候模型會：

• 找到 exploit 路徑
• 但在最後一步拒絕展示或完成 exploit

另一些情況則會繼續進行較多步驟才停止。

這顯示要在 安全研究用途與防止濫用之間取得平衡，在 AI 系統設計上仍然相當困難。

為何這對網絡安全很重要

這次實驗反映出 AI 正在改變漏洞研究的模式。

對防守方而言，像 Mythos 這類系統可以：

• 發現傳統掃描工具忽略的漏洞鏈
• 更快驗證漏洞是否可利用
• 幫助安全團隊決定哪些漏洞需要優先修補

但同一時間，如果這類能力落入攻擊者手中，風險同樣巨大。當 AI 可以由發現 bug 自動走到生成 exploit 程式碼，發動高級網絡攻擊的門檻可能大幅降低。

Cloudflare 因此認為，在 AI 加速的安全環境下，單純加快打補丁速度未必足夠。企業可能需要重新設計漏洞管理與安全架構，以應對 AI 能快速發現並串連漏洞的情況。

AI 安全研究的「雙用途」問題

Claude Mythos Preview 正好展示了典型的 dual‑use（雙用途）技術困境：

• 在防禦環境中，它可以幫助提前發現漏洞
• 在攻擊場景中，同樣技術可能加速 exploit 開發

正因如此，Mythos Preview 目前並未公開發布，只透過 Project Glasswing 向少數機構提供，用於防禦性安全研究。

Cloudflare 的測試顯示，AI 正逐步由「寫程式助手」進化到能完成整個漏洞發現與 exploit 推理流程的系統。這種能力未來可能同時重塑網絡防禦與網絡攻擊的格局。