遠端程式碼執行漏洞特別危險，因為攻擊者一旦成功利用，就可能在目標電腦或整個企業網路中 執行任意程式碼並取得控制權。

這些問題都已在 2026 年 5 月 Patch Tuesday 更新中修補。該次更新總共修復約 120 個安全漏洞。

什麼是 MDASH

MDASH 是一個 多模型（multi‑model）且具代理式架構（agentic）的 AI 安全系統，目標是自動化部分原本由資安研究員手動進行的漏洞發現工作。

與傳統單一掃描工具不同，MDASH 會協調 100 多個專門 AI 代理（agents） 同時分析大型程式碼庫，例如 Windows 的核心程式碼。

這套系統由微軟 Autonomous Code Security 團隊 與 Windows Attack Research and Protection 團隊共同開發。

其核心目標是：

• 更快發現可被利用的漏洞
• 在攻擊者之前找到問題
• 協助研究人員處理龐大的程式碼規模

多代理 AI 如何一起找漏洞

公開資料顯示，MDASH 採用多階段流程，讓不同 AI 代理從不同角度分析同一份程式碼。

整體流程大致分為幾個步驟：

1. 準備與威脅建模
系統先讀取原始碼，建立攻擊面與潛在威脅模型，找出最可能存在漏洞的區域。

2. 大規模代理掃描
數十到上百個專門審查程式碼的 AI 代理同時分析程式，提出漏洞假設並附上證據。

3. 代理辯論與驗證
另一組代理會對結果提出質疑或驗證，讓 AI 彼此「辯論」漏洞是否真實存在。

4. 去除重複結果
系統會將語意相似的漏洞報告合併，避免重複發現。

5. 生成可利用證據
最後系統嘗試觸發漏洞或生成利用證明，確認漏洞確實可被利用。

這種流程其實很像人類資安研究團隊的工作模式：提出假設 → 驗證 → 產生證據。差別是 MDASH 能以自動化方式在極短時間內完成。

測試與基準結果

早期測試顯示 MDASH 在漏洞發現任務中表現相當強。

報導指出，在 CyberGym 漏洞測試基準中，MDASH 約達到 88% 的表現，在該評測中優於其他工具。

在內部測試中，當系統分析一個包含人工植入漏洞的測試驅動程式時，也成功找出 所有已知漏洞。

雖然基準測試並不能完全代表真實世界，但它顯示多代理 AI 在大型程式碼安全分析上具有潛力。

為何這次結果特別重要

MDASH 的第一個公開成果並不是實驗室測試，而是 直接在 Windows 正式更新中修補的真實漏洞。

這一點相當關鍵。

許多安全研究工具在實驗環境表現很好，但在實際軟體中往往難以找到可操作的漏洞。MDASH 卻已在 Windows 核心網路與驗證層發現多個漏洞，代表它已能鎖定高風險攻擊面。

微軟的「AI 速度防禦」策略

微軟將 MDASH 視為其更大資安策略的一部分，稱為 “Defense at AI speed”（以 AI 速度進行防禦）。

背後的邏輯很直接：

如果攻擊者也能利用 AI 更快發現漏洞，那防禦方就必須用 AI 更快找到並修補問題。

微軟也計畫讓 MDASH 以企業私有預覽（private preview）形式提供給企業客戶，讓組織能在自己的環境中嘗試 AI 協助的漏洞發現流程。

如果這類系統持續成熟，未來軟體安全流程可能會出現幾個變化：

• 在巨大程式碼庫中自動擴展漏洞研究
• 縮短漏洞發現到修補的時間
• 讓 AI 協助研究人員提出與驗證漏洞假設

簡單說，MDASH 展示了一個趨勢：AI 代理可能成為資安團隊的固定成員，持續掃描大型系統、提前找出弱點，減少被攻擊者利用的機會。

2026 年 5 月 Patch Tuesday 的結果，也暗示未來越來越多漏洞，可能是 AI 與人類研究員一起發現的，而不再只是人類單獨完成。

遠端程式碼執行漏洞特別危險，因為攻擊者一旦成功利用，就可能在目標電腦或整個企業網路中 執行任意程式碼並取得控制權。

這些問題都已在 2026 年 5 月 Patch Tuesday 更新中修補。該次更新總共修復約 120 個安全漏洞。

什麼是 MDASH

MDASH 是一個 多模型（multi‑model）且具代理式架構（agentic）的 AI 安全系統，目標是自動化部分原本由資安研究員手動進行的漏洞發現工作。

與傳統單一掃描工具不同，MDASH 會協調 100 多個專門 AI 代理（agents） 同時分析大型程式碼庫，例如 Windows 的核心程式碼。

這套系統由微軟 Autonomous Code Security 團隊 與 Windows Attack Research and Protection 團隊共同開發。

其核心目標是：

• 更快發現可被利用的漏洞
• 在攻擊者之前找到問題
• 協助研究人員處理龐大的程式碼規模

多代理 AI 如何一起找漏洞

公開資料顯示，MDASH 採用多階段流程，讓不同 AI 代理從不同角度分析同一份程式碼。

整體流程大致分為幾個步驟：

1. 準備與威脅建模
系統先讀取原始碼，建立攻擊面與潛在威脅模型，找出最可能存在漏洞的區域。

2. 大規模代理掃描
數十到上百個專門審查程式碼的 AI 代理同時分析程式，提出漏洞假設並附上證據。

3. 代理辯論與驗證
另一組代理會對結果提出質疑或驗證，讓 AI 彼此「辯論」漏洞是否真實存在。

4. 去除重複結果
系統會將語意相似的漏洞報告合併，避免重複發現。

5. 生成可利用證據
最後系統嘗試觸發漏洞或生成利用證明，確認漏洞確實可被利用。

這種流程其實很像人類資安研究團隊的工作模式：提出假設 → 驗證 → 產生證據。差別是 MDASH 能以自動化方式在極短時間內完成。

測試與基準結果

早期測試顯示 MDASH 在漏洞發現任務中表現相當強。

報導指出，在 CyberGym 漏洞測試基準中，MDASH 約達到 88% 的表現，在該評測中優於其他工具。

在內部測試中，當系統分析一個包含人工植入漏洞的測試驅動程式時，也成功找出 所有已知漏洞。

雖然基準測試並不能完全代表真實世界，但它顯示多代理 AI 在大型程式碼安全分析上具有潛力。

為何這次結果特別重要

MDASH 的第一個公開成果並不是實驗室測試，而是 直接在 Windows 正式更新中修補的真實漏洞。

這一點相當關鍵。

許多安全研究工具在實驗環境表現很好，但在實際軟體中往往難以找到可操作的漏洞。MDASH 卻已在 Windows 核心網路與驗證層發現多個漏洞，代表它已能鎖定高風險攻擊面。

微軟的「AI 速度防禦」策略

微軟將 MDASH 視為其更大資安策略的一部分，稱為 “Defense at AI speed”（以 AI 速度進行防禦）。

背後的邏輯很直接：

如果攻擊者也能利用 AI 更快發現漏洞，那防禦方就必須用 AI 更快找到並修補問題。

微軟也計畫讓 MDASH 以企業私有預覽（private preview）形式提供給企業客戶，讓組織能在自己的環境中嘗試 AI 協助的漏洞發現流程。

如果這類系統持續成熟，未來軟體安全流程可能會出現幾個變化：

• 在巨大程式碼庫中自動擴展漏洞研究
• 縮短漏洞發現到修補的時間
• 讓 AI 協助研究人員提出與驗證漏洞假設

簡單說，MDASH 展示了一個趨勢：AI 代理可能成為資安團隊的固定成員，持續掃描大型系統、提前找出弱點，減少被攻擊者利用的機會。

2026 年 5 月 Patch Tuesday 的結果，也暗示未來越來越多漏洞，可能是 AI 與人類研究員一起發現的，而不再只是人類單獨完成。