因此，真正值得關注的指標不是 AI 發出多少警報，而是這些機器產生的假設，有多少能轉化為可重現、可負責處理的漏洞。

AVDH 與 NOVA，並不是一場簡單的數字競賽

Palo Alto Networks 公布的數字更為龐大。該公司的自主多模型漏洞發現系統 NOVA（Network and Open-Source Vulnerability Analyzer），據稱在兩個月內分析 3,915 個開源軟體專案，確認 14,090 個漏洞；其中 99.4% 過去未曾被報告，40% 屬高嚴重性或嚴重等級。

但這兩組數字衡量的是不同的工作模式：

• AVDH： 與事件應變相連的限時深度調查，強調人工威脅模型審查、漏洞利用路徑分析，以及由顧問重現 PoC 作為品質控制。
• NOVA： 橫跨數千個開源專案的生態系統級掃描，著重廣度與自主化發現能力。

目前公開報告沒有證明兩套系統採用相同的目標選擇方式、嚴重性標準、誤報門檻、可利用性測試，或漏洞揭露流程。因此，不能單憑 headline 數字排出一個普遍適用的「最佳系統」排行榜。

較合理的解讀是：AVDH 展示了代理鏈如何在特定安全調查中支援高可信度的深入研究；NOVA 則展示自主發現能力可以在開源軟體生態系統中擴展到什麼程度。

兩者合在一起，也說明漏洞研究正分裂成兩個不同問題：一是要有足夠廣的搜尋範圍，才能找到弱點；二是要有足夠嚴謹的驗證，才能讓發現真正可採取行動。

當發現速度加快，防守焦點轉向降低暴露

Palo Alto 對應快速發現的方案，不只是找出漏洞。公司的 Advanced Virtual Patching（進階虛擬修補） 構想，是在數小時內部署網路層級的防護，讓軟體擁有者仍在進行傳統修補時，先降低系統暴露程度。Palo Alto 將此與業界平均約 55 天的傳統修補部署時間作比較。

公司也宣布 Frontier AI Critical Defense Program，邀集 AI 公司、軟體供應商、開源社群及營運科技（OT）組織，共同應對 AI 加速發現的漏洞。據報參與者包括 Anthropic、OpenAI、IBM、Red Hat、Microsoft、Siemens、Mitsubishi Electric 與 Axis Communications 等。

虛擬修補在某些情境下確實有價值：如果易受攻擊的服務會接收可由網路控制識別及封鎖的流量，網路層防護便可能迅速降低風險。不過，它應被視為補償性控制措施，而不是修正底層軟體的替代品。

長期修復仍需要軟體負責人理解漏洞、修改程式碼、測試修正、發布更新，並確認受影響系統已完成部署。網路控制可以暫時縮小暴露窗口，卻不會自動消除應用程式或軟體供應鏈各處的脆弱程式碼。

攻擊者也在享受同樣的加速

防守方的進展，正與攻擊者利用 AI 加速相同工作的跡象同步發生。Google Threat Intelligence Group（GTIG）表示，已發現首宗其認為由 AI 協助開發的零日漏洞利用案例。該威脅行為者原本計畫發動大規模攻擊，而 Google 表示，主動反向發現可能阻止了這場攻擊。

據分析，相關漏洞針對一套廣受使用的開源網頁系統管理工具，繞過其雙重身分驗證（2FA）。漏洞利用程式中出現教育式註解，以及一個由模型捏造、實際上並不存在對應漏洞的 CVSS 分數，被視為 AI 可能參與開發的跡象。

這不代表每個由 AI 產生的漏洞都會立即變成實際攻擊，但它削弱了幾個過去常被視為緩衝時間的假設：程式碼太複雜、研究人員人手有限，或從發現到武器化之間會有很長空檔。

Cloud Security Alliance 的警告因此格外關鍵：AI 提高漏洞發現的速度與規模，可能已快過許多現有的揭露及修補機制。發現更多漏洞只有在組織能夠承擔分流、協調揭露、製作修正與安全部署的前提下，才會轉化為更高的安全性。

防守方能否重新取得優勢？

可以，但答案不是單純購買一個「找漏洞模型」。真正具備優勢的組織，必須把漏洞發現接到整個資安營運流程：

1. 威脅建模： 將搜尋範圍收窄至較符合現實的攻擊路徑。
2. 代理式分析： 讓多個 AI 代理以機器速度探索程式碼，提出互相競爭的漏洞假設。
3. 獨立驗證： 降低可疑模式被誤寫成誤導性報告的機會。
4. 人類重現： 確認疑似漏洞確實能被利用，而不只是靜態分析上的異常。
5. 協調揭露： 為維護者與供應商建立可回應的時間及流程。
6. 虛擬修補及其他補償性控制： 在程式碼修正完成前先降低暴露程度。
7. 優先排序修補： 先處理最容易被觸及、且後果最嚴重的漏洞。

AVDH 說明了這種串連式流程的價值：自動化探索的廣度，配合人類判斷與漏洞利用驗證。NOVA 則顯示這套流程必須承受的壓力：自主化發現可以產生遠超過傳統安全團隊處理能力的結果量。

AI 資安競賽的終點，是縮短「發現到緩解」的全流程

正在形成的 AI 資安軍備競賽，並不只是比誰的模型找到最多錯誤。真正的競賽，是誰能在攻擊者把漏洞轉化為攻擊之前，更快完成從偵測、驗證、揭露到緩解的整個循環。

防守方可以在掌握程式碼、部署流程、遙測資料與網路控制的地方取得先機；但如果只有發現，缺乏驗證、責任歸屬、協調揭露與修補部署，AI 可能只是把問題的總量放大，而沒有真正解決問題。

換句話說，AI 已經把漏洞發現推向工業化規模，而下一個瓶頸不在「能不能找到」，而在「能不能確認、負責任地處理，並及時修好」。

因此，真正值得關注的指標不是 AI 發出多少警報，而是這些機器產生的假設，有多少能轉化為可重現、可負責處理的漏洞。

AVDH 與 NOVA，並不是一場簡單的數字競賽

Palo Alto Networks 公布的數字更為龐大。該公司的自主多模型漏洞發現系統 NOVA（Network and Open-Source Vulnerability Analyzer），據稱在兩個月內分析 3,915 個開源軟體專案，確認 14,090 個漏洞；其中 99.4% 過去未曾被報告，40% 屬高嚴重性或嚴重等級。

但這兩組數字衡量的是不同的工作模式：

• AVDH： 與事件應變相連的限時深度調查，強調人工威脅模型審查、漏洞利用路徑分析，以及由顧問重現 PoC 作為品質控制。
• NOVA： 橫跨數千個開源專案的生態系統級掃描，著重廣度與自主化發現能力。

目前公開報告沒有證明兩套系統採用相同的目標選擇方式、嚴重性標準、誤報門檻、可利用性測試，或漏洞揭露流程。因此，不能單憑 headline 數字排出一個普遍適用的「最佳系統」排行榜。

較合理的解讀是：AVDH 展示了代理鏈如何在特定安全調查中支援高可信度的深入研究；NOVA 則展示自主發現能力可以在開源軟體生態系統中擴展到什麼程度。

兩者合在一起，也說明漏洞研究正分裂成兩個不同問題：一是要有足夠廣的搜尋範圍，才能找到弱點；二是要有足夠嚴謹的驗證，才能讓發現真正可採取行動。

當發現速度加快，防守焦點轉向降低暴露

Palo Alto 對應快速發現的方案，不只是找出漏洞。公司的 Advanced Virtual Patching（進階虛擬修補） 構想，是在數小時內部署網路層級的防護，讓軟體擁有者仍在進行傳統修補時，先降低系統暴露程度。Palo Alto 將此與業界平均約 55 天的傳統修補部署時間作比較。

公司也宣布 Frontier AI Critical Defense Program，邀集 AI 公司、軟體供應商、開源社群及營運科技（OT）組織，共同應對 AI 加速發現的漏洞。據報參與者包括 Anthropic、OpenAI、IBM、Red Hat、Microsoft、Siemens、Mitsubishi Electric 與 Axis Communications 等。

虛擬修補在某些情境下確實有價值：如果易受攻擊的服務會接收可由網路控制識別及封鎖的流量，網路層防護便可能迅速降低風險。不過，它應被視為補償性控制措施，而不是修正底層軟體的替代品。

長期修復仍需要軟體負責人理解漏洞、修改程式碼、測試修正、發布更新，並確認受影響系統已完成部署。網路控制可以暫時縮小暴露窗口，卻不會自動消除應用程式或軟體供應鏈各處的脆弱程式碼。

攻擊者也在享受同樣的加速

防守方的進展，正與攻擊者利用 AI 加速相同工作的跡象同步發生。Google Threat Intelligence Group（GTIG）表示，已發現首宗其認為由 AI 協助開發的零日漏洞利用案例。該威脅行為者原本計畫發動大規模攻擊，而 Google 表示，主動反向發現可能阻止了這場攻擊。

據分析，相關漏洞針對一套廣受使用的開源網頁系統管理工具，繞過其雙重身分驗證（2FA）。漏洞利用程式中出現教育式註解，以及一個由模型捏造、實際上並不存在對應漏洞的 CVSS 分數，被視為 AI 可能參與開發的跡象。

這不代表每個由 AI 產生的漏洞都會立即變成實際攻擊，但它削弱了幾個過去常被視為緩衝時間的假設：程式碼太複雜、研究人員人手有限，或從發現到武器化之間會有很長空檔。

Cloud Security Alliance 的警告因此格外關鍵：AI 提高漏洞發現的速度與規模，可能已快過許多現有的揭露及修補機制。發現更多漏洞只有在組織能夠承擔分流、協調揭露、製作修正與安全部署的前提下，才會轉化為更高的安全性。

防守方能否重新取得優勢？

可以，但答案不是單純購買一個「找漏洞模型」。真正具備優勢的組織，必須把漏洞發現接到整個資安營運流程：

1. 威脅建模： 將搜尋範圍收窄至較符合現實的攻擊路徑。
2. 代理式分析： 讓多個 AI 代理以機器速度探索程式碼，提出互相競爭的漏洞假設。
3. 獨立驗證： 降低可疑模式被誤寫成誤導性報告的機會。
4. 人類重現： 確認疑似漏洞確實能被利用，而不只是靜態分析上的異常。
5. 協調揭露： 為維護者與供應商建立可回應的時間及流程。
6. 虛擬修補及其他補償性控制： 在程式碼修正完成前先降低暴露程度。
7. 優先排序修補： 先處理最容易被觸及、且後果最嚴重的漏洞。

AVDH 說明了這種串連式流程的價值：自動化探索的廣度，配合人類判斷與漏洞利用驗證。NOVA 則顯示這套流程必須承受的壓力：自主化發現可以產生遠超過傳統安全團隊處理能力的結果量。

AI 資安競賽的終點，是縮短「發現到緩解」的全流程

正在形成的 AI 資安軍備競賽，並不只是比誰的模型找到最多錯誤。真正的競賽，是誰能在攻擊者把漏洞轉化為攻擊之前，更快完成從偵測、驗證、揭露到緩解的整個循環。

防守方可以在掌握程式碼、部署流程、遙測資料與網路控制的地方取得先機；但如果只有發現，缺乏驗證、責任歸屬、協調揭露與修補部署，AI 可能只是把問題的總量放大，而沒有真正解決問題。

換句話說，AI 已經把漏洞發現推向工業化規模，而下一個瓶頸不在「能不能找到」，而在「能不能確認、負責任地處理，並及時修好」。