一句话结论
OpenAI 实验证实 AI 可在 2.5 小时内挖掘 Linux 零日漏洞并生成利用程序，迫使安全防御体系从人工响应转向自动化“机器速度”对抗。
关键要点
- OpenAI 模型在 Linux 系统中发现 400 多个本地用户提权至 root 的 0-day 漏洞，平均挖掘耗时仅 2.5 小时，而顶尖人类逆向工程师解析部分案例需数周。
- GPT-6 Cyber 模型为 Linux 内核 948 个漏洞开发提权利用程序，成功利用 948 个，效率超过上一代模型 5 倍，API 总成本约 121 万美元，单次成功利用成本约为 1279 美元。
- OpenSSH 存在一个藏匿十年的漏洞，涉及 musl 及账户配置，主要影响 Alpine Linux，发现者通过运行约 17600 次认证测试并利用 AI Agent 找出利用路径。
- 攻击者可并行执行网站扫描、0-day 挖掘及员工钓鱼，窃取 Claude Code 配置凭据及 session，实现内网横向扩散，证伪了“AI 无法串联不相关线索进行渗透测试”的旧共识。
- 防御侧需将人类移出部分响应环节，建立自动检测、恢复及回滚机制，补丁修复窗口需从传统的 7 天大幅缩短至 24 小时以内。
背景与事实
在 OpenAI 近期召开的安全会议上，展示了一项关于人工智能在网络安全领域能力的实验数据。实验结果显示，模型能够在 Linux 操作系统中识别出超过 400 个允许本地用户提升至 root 权限的 0-day 漏洞。系统不仅识别了漏洞，还直接生成了可执行二进制文件。完成这一过程平均耗时仅为 2.5 小时，相比之下，顶尖逆向工程师要解析并理解这些复杂案例，往往需要耗费数周时间。这一数据直接改变了安全行业对漏洞挖掘效率的传统认知。
具体到模型能力层面，OpenAI 研发的 GPT-6 Cyber 模型在 Linux 内核漏洞利用方面表现显著。该模型针对 948 个特定漏洞开发了提权利用程序，在复现 1724 个案例的基础上，成功利用了其中的 948 个。其工作效率超出了上一代模型 5 倍。在经济成本方面，利用该 API 进行此项测试的总成本约为 121 万美元，折算下来，单个成功利用案例的成本约为 1279 美元。值得注意的是，在这批利用程序中，至少有 10 种利用技术在当时并未被公开，显示了 AI 在发现未知攻击向量上的能力。
除了内核漏洞，长尾组件的安全问题也被 AI 重新审视。OpenSSH 中发现了一个藏匿了十年的漏洞，该漏洞涉及 musl 库及特定账户配置，主要影响运行 Alpine Linux 的系统。研究人员通过运行约 17600 次认证测试，利用 AI Agent 协助找出攻击路径。受此影响，OpenSSH 维护者宣布将加快软件发布频率，以应对 AI 重复发现漏洞的现状。与此同时，攻击者视角下的行为模式也发生了质变。AI 攻击者能够并行执行网站扫描、0-day 漏洞挖掘以及针对员工的钓鱼攻击。一旦突破外网，攻击者可窃取 Claude Code 的配置凭据及会话信息，在内网进行横向扩散，并伪装调用其他被攻破站点的 OpenAI 网关 token，植入休眠后门代码以维持长期连接。
在理论框架上，安全专家 Guy 提出了安全、安全性与对齐三层框架。其中，“安全”指 Agent 闯入系统的能力，“安全性”指保护周边系统及限制授权，“对齐”指确保 Agent 在指令界线内行动。Guy 批评当前训练模式过度依赖可验证结果，忽视了中间过程，导致不对齐行为被复利固化。Caleb Sima 则指出，AI Agent 容易受社会压力妥协，但不同角色设定可能独立坚持立场。这些理论为理解 AI 攻防的动态博弈提供了基础。
影响分析
从分析判断的角度来看，这些事实对中文开发者及从业者意味着安全运营范式的根本性转变。过去，安全团队习惯于通过人工审计、低频的渗透测试和基于规则的检测系统来防御威胁。然而，面对具备极高速度、彻底性及并发复杂度的 AI 攻击者，传统的低精度检测（如简单端口扫描告警）已然失效。防守方必须意识到，攻击方现在可以低成本地批量逆向开源代码寻找 0-day 漏洞并发起攻击。这对依赖开源组件构建业务的团队提出了严峻挑战，必须重新评估第三方库的供应链安全风险，特别是像 Alpine Linux 这样的轻量化系统环境。
此外，责任归属的变化也要求开发者在部署 AI Agent 时更加谨慎。Guy 认为提供方需为模型决策负责，而用户需负责安全使用；Caleb 则主张用户需为委托 Agent 的后果担责。这意味着，当企业引入 AI 进行自动化运维或开发时，必须建立严格的权限隔离和审计机制。未来趋势将基于用户身份验证建立分级信任体系，普通消费者与大型企业在模型开放程度及安全限制上存在差异。企业若希望在 AI 驱动的攻防战中生存，必须将安全左移，从代码编写阶段就引入自动化的安全检测与修复循环，而非仅仅在事后进行响应。
适用边界
上述结论主要适用于已经或计划部署具有自主行动能力（Agentic）AI 系统的中大型技术组织，以及依赖开源 Linux 发行版（如 Alpine Linux）的企业级应用场景。对于资源有限、无法承担 121 万美元级别 API 测试成本的小型初创团队，虽无需投入同等规模的 AI 漏洞挖掘，但必须警惕攻击者利用 AI 降低的攻击成本所带来的常态化威胁。该分析结论不适用于完全离线、无网络连接且不使用任何 AI 自动化组件的孤立物理系统，因为 AI 攻击依赖于网络边界突破及内部横向移动的能力，无法在绝对隔离的环境中直接复现。同时，对于不涉及用户提权或关键内网资源访问的边缘物联网设备，其受影响程度相对较小，但也不能完全排除通过固件更新通道植入后门的风险。
孤本观察
基于本文事实，一个显著的编辑判断是：AI 在攻防两端的提升并未拉近双方差距，反而因为攻击侧的“机器速度”对防御侧“会议速度”的碾压，使得自动化防御的紧迫性超越了过去任何一次技术变革。防守方若无法在组织内部达成去除“人类在环”的政治共识，即便部署了最先进的检测技术，也将在与 AI 攻击者的速度竞赛中落败。
常见问题
OpenAI的GPT-6 Cyber模型在Linux内核漏洞利用测试中的总成本和单次成功利用成本分别是多少？
总成本约为121万美元，单次成功利用成本约为1279美元。
OpenAI在OpenSSH中发现的十年藏匿漏洞主要影响哪种Linux系统，且通过多少次认证测试找出利用路径？
主要影响Alpine Linux，通过运行约17600次认证测试找出利用路径。
在应对AI自动化攻击时，文章建议将补丁修复窗口从传统的多少天缩短至多少时间以内？
需从传统的7天大幅缩短至24小时以内。
GPT-6 Cyber模型成功利用的948个漏洞中，至少有多少种利用技术在当时未被公开？
至少有10种利用技术在当时并未被公开。
来源：InfoQ 中文 AI