DragonflyのマネージングパートナーであるHaseeb Qureshi氏にとって、GLM 5.2の実験で最も驚異的だったのはそのコスト面でした。「GLM 5.2を20分間実行するコストは約2ドルです。それは何を意味するのでしょうか。私たちが新しい世界に入ったということです。」

Dragonflyは暗号資産に特化したベンチャーキャピタルであり、Qureshi氏の見解は、ソフトウェアの欠陥が記録上最大規模の盗難を可能にした業界において重要な意味を持ちます。このモデルは、研究者が影響を受けたソフトウェアに誘導した後、最近のColdCardの盗難に関連する脆弱性を再発見したと報じられています。Coinkiteが製造するColdCardは、ビットコインのセルフカストディユーザーの間で人気のあるハードウェアウォレットです。窃盗犯がAIを使用したという証拠はありません。このテストはむしろ、攻撃者と開発者の双方が、多額の暗号資産を保護するコードをいかに低コストで検査できるようになったかを示しています。

2ドルのコストが重要な理由

本格的な脆弱性研究は従来、専門知識と多大な手作業の時間を必要としてきました。経験豊富な研究者であっても、検査できるファームウェアのリリース、スマートコントラクト、暗号ライブラリの数は限られています。

AIにより、はるかに多くのコードが初期レビューの対象となります。研究者は同じコードベースに複数のモデルを割り当て、異なる障害パスの調査を依頼し、より強力なモデルが利用可能になるたびにプロセスを繰り返すことができます。

ほとんどの検索は有用な結果をもたらさない可能性があります。しかし、1回の試行コストがわずか数ドルであれば、それは重要性を持ちません。弱点を探す者は、毎回成功する必要なく、多数のターゲットを調査できます。数百万ドルを保護するソフトウェアにおける1つの有効な欠陥は、何千回の失敗した試行のコストを正当化し得ます。

AIはセキュリティの専門知識の必要性を排除してはいません。それは、リードの生成、仮説の検証、そして人間の研究者が単独で検査できる以上のコードを網羅するコストを下げました。

GLM 5.2テストが実際に示していること

Qureshi氏は、ColdCardの事件がすでに注目を集めた後、研究者が複数のモデルにソフトウェアの検査を依頼したと述べました。同氏によると、モデルには脆弱性の場所が知らされておらず、GLM 5.2が約20分でそれを発見したということです。

文脈が重要です。研究者はすでに関連するソフトウェアに深刻な問題が含まれていることを把握していました。モデルはすべてのハードウェアウォレットを盲目的に検索していたわけでも、起点なしに攻撃を発見したわけでもありません。

バグを特定することは、それを大規模に悪用することとは別物です。攻撃者はさらに以下を行う必要がある可能性があります。

• 影響を受けるデバイスまたはウォレットを特定する。
• 使用可能な秘密鍵を再構築する。
• 価値のある残高を含むウォレットを特定する。
• ユーザーやメーカーが対応する前に資金を移動させる。

Qureshi氏の発言は、GLM 5.2がこれらのステップを実行したことや、AIシステムが元の盗難に関与したことを示すものではありません。この実験が証明していることはより限定的ですが、それでも重要です。汎用モデルが、基盤となる技術的弱点を迅速かつ無視できるコストで再発見したと報告されています。

量子の脅威より先にAIは到来している

ビットコインを巡る長期的なセキュリティ論争の多くは、量子コンピューティングに焦点を当ててきました。十分な能力を持つ量子マシンは、最終的にコインを保護する署名スキームを脅かし、ネットワークやユーザーに新しい暗号技術への移行を迫る可能性があります。そのリスクには事前の準備が必要です。

AI支援のコード分析は異なる問題を提示します。なぜなら、ツールはすでに今日稼働しているソフトウェアに対して使用できるからです。AIはビットコインの基盤となる数学を打ち破る必要はありません。弱い乱数生成、露出したシークレット、欠陥のある暗号実装、安全でないリカバリ機能などの間違いを、周囲のコードから検索できます。

以前の暗号資産が直面するAIと量子の脅威の分析でも、同じ区別を検討しました。量子コンピューティングは最終的にネットワーク全体の暗号問題を作り出す可能性があります。AIはすでに、現在ユーザー資金を保護しているウォレット、ブリッジ、ライブラリ、アプリケーションに対して向けられます。

したがって、差し迫った懸念は、AIがビットコイン自体を破ることではなく、ビットコインの周辺ソフトウェアにおける人間のミスです。

攻撃者と開発者が同じツールにアクセス可能

AIには、より強固なセキュリティや成功した攻撃に対する好みはありません。その効果は、人が与えるタスクに依存します。

攻撃者はモデルを使用して古いファームウェアをスキャンし、反復的な分析を自動化し、可能性のある弱点をテストできます。ウォレットメーカーはリリース前に同じモデルを使用し、鍵生成、トランザクション署名、リカバリ手順に向けることができます。

開発者はまた、モダンなコーディングエージェントが存在する前にリリースされた製品を再検討することもできます。5年前に監査されたソフトウェアは、顧客に届いた当時は利用できなかったツールで今すぐ検査できます。複数のブロックチェーンセキュリティ企業がすでにAI支援分析を監査ワークフローに組み込み始めていますが、この技術は人間のレビューの代替ではなく補完として位置づけられています。

ただし、両者は同等の条件で活動しているわけではありません。攻撃者は有用な脆弱性が確認された時点で即座に行動できます。開発者は発見を再現し、影響を受けるユーザーを把握し、安全な修正を準備し、悪用を加速する十分な情報を開示することなく配布しなければなりません。

また、モデルはコードを誤解したり、誤検知を生成したり、実際には失敗する攻撃を記述したりする可能性があります。人間の研究者は結果を検証し、プロジェクトがどれだけ緊急に対応すべきかを判断する責任を引き続き負います。

AIは検査可能なコードの量を拡大します。深刻な弱点が発見された後に必要となる専門知識やインシデント対応を代替するものではありません。

セルフカストディは依然としてウォレットに依存する

Qureshi氏は、影響を受けたユーザーを、通常のセキュリティアドバイスに従っていた人々、「正しいことをすべてやっている人々」と表現しました。

彼らはビットコインを取引所から移動させ、専用のハードウェアウォレットに保管していました。しかし、セルフカストディは依然としてデバイスが鍵を正しく作成・保護することに依存しています。

Qureshi氏は、影響を受けたファームウェアが意図されたものより弱い乱数の発生元を使用していたと述べました。秘密鍵が予測可能な入力から生成された場合、デバイスをオフラインに保っても、後から鍵を強化することはできません。エアギャップは適切に生成されたシークレットに対するリモート攻撃への暴露を減らすことができます。作成された時点から弱かったシークレットを修復することはできません。

したがって、ハードウェアウォレットのユーザーは、リカバリフレーズの自分自身の取り扱い以上のものに依存しています。メーカーのファームウェア、ハードウェア設計、暗号ライブラリ、乱数生成器も信頼しています。既知のエクスプロイトなしの年月は、ソフトウェアが通常の使用に耐えたことを示し得ます。すべての深刻な弱点がすでに特定されていることを証明するものではありません。

古いウォレットコードの再レビューが必要

より安価なAI分析により、古いコードの再検討が容易になります。以前は注目を集めなかったソフトウェアも、繰り返し大規模に検査できるようになりました。

ウォレットメーカーや暗号プロトコルは、主要なモデルが改善された際に古いリリースを再スキャンすべきです。特に、コードが秘密鍵の作成、トランザクションの署名、ウォレットのリカバリを制御する場合は重要です。

ファームウェアのアップデートだけではすべての問題が解決するわけではありません。欠陥が既存の鍵の作成方法に影響する場合、ソフトウェアを修正しても新しいウォレットは保護される一方で、古いウォレットは露出したままになる可能性があります。ユーザーは修正されたシステム下で新しい鍵を生成し、資金を移す必要があるかもしれません。プロバイダーはしたがって、影響を受けるバージョンを特定し、顧客に迅速に連絡し、安全に移行する方法を説明できる必要があります。

そのプロセスは詐欺師にも機会を作ります。セキュリティインシデントはしばしば、偽のサポートアカウント、悪意のある移行ウェブサイト、ウォレットの検証を求めるメッセージを生み出します。ユーザーは、サポート担当者、ウェブサイト、ソーシャルメディアアカウント、AIチャットボットにシードフレーズや秘密鍵を決して提供してはなりません。正当なリカバリプロセスは、別の人物やサービスがそれらのシークレットを受け取ることを必要としません。

セキュリティレビューはもはや一度きりの出来事ではいられない

AI支援分析は、資金が盗まれた後にのみ使用されるツールではなく、通常の開発の一部となるべきです。暗号企業は以下を検討すべきです。

• リリース前に新しいコードをスキャンする。
• モデルの改善に伴い、古いファームウェアやライブラリを再検査する。
• 複数のモデルを使用して同じコードに異なる方向からアプローチする。
• 経験豊富な研究者に深刻な発見を再現させる。
• 緊急時のコミュニケーションおよびウォレット移行手順を準備する。
• 責任ある開示およびバグバウンティプログラムを維持する。

モデルはより広範で高速なカバレッジを提供します。セキュリティチームは依然として、誤った報告から真の脆弱性を区別し、修正を開発し、ユーザーへの影響を管理する必要があります。

セキュリティ競争はより低コストになっている

Qureshi氏の例は、AIがビットコインを破れることを示すものではありません。ビットコインを保護するソフトウェアが、急速に無視できるレベルになりつつあるコストで脆弱性テストできるようになったことを示しています。

その発展は、より良いセキュリティかより安価な攻撃のいずれかをもたらし得ます。開発者はAIを使用して自社製品に挑戦し、リリース前にミスを発見できます。攻撃者はそれを忘れられたコードに向け、多数のターゲットにまたがって検索を繰り返し、最初の有用な結果に基づいて行動できます。

テクノロジーは双方が利用可能です。結果は、誰がそれを使用し、発見がどれだけ正確に検証され、防御者がどれだけ迅速に対応できるかにかかっています。ソフトウェアを継続的に再評価するプロジェクトは、攻撃を容易にするのと同じツールの恩恵を受けられます。古い監査に依存したり、長期間隠されていたバグがすでに発見されていると想定したりする者は、その機会を他人に委ねることになります。

免責事項：本記事は情報提供のみを目的としており、セキュリティ、金融、または投資に関する助言を構成するものではありません。報告された実験は、ColdCardの盗難にAIが使用されたこと、またはGLM 5.2がすべてのソフトウェア脆弱性を確実に特定できることを確立するものではありません。

方法論：本分析は、ColdCardの事件および報告されたGLM 5.2テストに関するDragonflyのマネージングパートナーHaseeb Qureshi氏の公開コメントを使用しています。AIと量子リスクの比較は、現在利用可能な脆弱性研究ツールと、暗号能力的な量子ハードウェアを必要とする長期的な脅威を区別しています。