对于Dragonfly管理合伙人Haseeb Qureshi而言，GLM 5.2实验最引人注目的方面是其成本："GLM 5.2运行20分钟的费用约为2美元。这意味着什么？意味着我们进入了一个新世界。"

Dragonfly是一家专注于加密货币的风险投资公司，Qureshi的观察在软件漏洞已导致史上最大规模盗窃事件的行业中具有重要分量。据报道，该模型在研究人员将其引导至受影响软件后，重新发现了与近期ColdCard盗窃案相关的漏洞。ColdCard由Coinkite制造，是比特币自托管用户中广受欢迎的硬件钱包。没有证据表明窃贼使用了AI。这项测试反而展示了攻击者和开发者如今可以以多么低廉的成本来审查保护大量加密货币的代码。

2美元成本的重要性

严肃的漏洞研究传统上需要专业知识和大量的人工投入。即使经验丰富的研究人员也只能审查有限数量的固件版本、智能合约和加密库。

AI使更多代码能够接受初步审查。研究人员可以为同一代码库分配多个模型，让它们调查不同的故障路径，并在更强的模型可用时重复此过程。

大多数搜索可能不会产生有用的结果。但当单次尝试仅需几美元时，这一点就变得不那么重要了。寻找弱点的人可以审查多个目标，而不需要每次运行都成功。在保护数百万美元的软件中发现一个有效漏洞，即可证明数千次不成功尝试的成本是合理的。

AI并未消除对安全专业知识的需求。它降低了生成线索、测试理论以及覆盖比人类研究人员独自审查更多代码的成本。

GLM 5.2测试实际证明了什么

Qureshi表示，研究人员是在ColdCard事件已经引起关注之后，要求多个模型审查该软件的。据他介绍，模型们并未被告知漏洞的位置，GLM 5.2在大约20分钟内发现了它。

背景很重要。研究人员已经知道相关软件存在严重问题。该模型并非在所有硬件钱包中盲目搜索，也不是在没有起点的情况下发现攻击方法。

发现漏洞也不同于大规模利用漏洞。攻击者可能还需要：

• 确定哪些设备或钱包受到影响。
• 重建可用的私钥。
• 识别包含有价值余额的钱包。
• 在用户或制造商做出反应之前转移资金。

Qureshi的言论并未表明GLM 5.2执行了这些步骤，也未表明AI系统参与了原始盗窃案。实验所证明的范围更为有限，但仍然重要：一个通用模型据报以极低的成本快速重新发现了潜在的技术弱点。

AI在量子威胁之前已经到来

围绕比特币的大部分长期安全辩论都集中在量子计算上。足够强大的量子机器最终可能威胁到保护代币的签名方案，迫使网络和用户迁移到新的加密技术。这种风险需要提前准备。

AI辅助的代码分析提出了一个不同的问题，因为这些工具已经可以用于攻击当今运行的软件。AI不需要攻破比特币的基础数学。它可以搜索周边代码中的错误，例如弱随机数生成、暴露的密钥、有缺陷的加密实现和不安全的恢复功能。

此前对加密货币面临的AI和量子威胁的分析探讨了同样的区别。量子计算最终可能造成全网范围的加密问题。而AI已经可以被用来攻击当前保护用户资金的钱包、跨链桥、库和应用程序。

因此，当前最紧迫的担忧是比特币周边软件中的人为错误，而非AI攻破比特币本身。

攻击者和开发者可以使用相同的工具

AI不会偏好更强的安全性或成功的攻击。其效果取决于人们分配给它的任务。

攻击者可以使用模型扫描旧固件、自动化重复性分析并测试可能的弱点。钱包制造商可以在发布前使用相同的模型，将其引导至密钥生成、交易签名和恢复程序。

开发者还可以重新审查在现代编码助手出现之前发布的产品。五年前审计的软件现在可以用当时客户获得产品时还不具备的工具来检查。多家区块链安全公司已经开始将AI辅助分析纳入其审计工作流程，尽管该技术仍然是对人工审查的补充而非替代。

然而，双方并非在同等条件下运作。攻击者可以在确认有用漏洞后立即行动。开发者必须重现该发现、了解哪些用户受到影响、准备安全修复方案，并在分发时不泄露可能加速漏洞利用的信息。

模型也可能误解代码、产生误报或描述在实践中失败的攻击。人类研究人员仍然负责验证结果并决定项目需要多紧急地做出响应。

AI扩大了可审查代码的范围。它不能替代发现严重漏洞后所需的专业知识或事件响应。

自托管仍取决于钱包

Qureshi将受影响的用户描述为遵循了常规安全建议的人："那些做了所有正确事情的人。"

他们将比特币从交易所转出并存储在专用硬件钱包中。然而，自托管仍然取决于设备是否正确地创建和保护其密钥。

Qureshi表示，受影响的固件使用了比预期更弱的随机性来源。如果私钥是由可预测的输入生成的，之后将设备保持离线也无法使密钥变得更强。物理隔离可以降低对正确生成的密钥遭受远程攻击的风险。它无法修复从一开始就存在弱点的密钥。

因此，硬件钱包用户依赖的不仅仅是自己对恢复短语的管理。他们还信任制造商的固件、硬件设计、加密库和随机数生成器。多年未发现已知漏洞可以表明软件经受住了日常使用的考验。但这并不能证明每个严重弱点都已被发现。

旧钱包代码需要重新审查

更便宜的AI分析使旧代码更容易重新审查。之前很少受到关注的软件现在可以被反复、大规模地检查。

钱包制造商和加密协议应该在主要模型改进时重新扫描旧版本，特别是当代码涉及创建私钥、签署交易或控制钱包恢复时。

固件更新无法解决所有问题。当漏洞影响到现有密钥的创建方式时，修复软件可能保护新钱包，但旧钱包仍然暴露在风险中。用户可能需要在修复后的系统中生成新密钥并转移资金。因此，提供商应能够识别受影响的版本、快速联系客户并解释如何安全迁移。

该过程也为骗子创造了机会。安全事件通常会产生假冒客服账号、恶意迁移网站和要求用户验证钱包的信息。用户绝不应向客服代表、网站、社交媒体账号或AI聊天机器人提供种子短语或私钥。合法的恢复流程不需要另一个人或服务接收这些密钥。

安全审查不能再是一次性事件

AI辅助分析应成为正常开发的一部分，而不是仅在资金被盗后使用的工具。加密公司应考虑：

• 在发布前扫描新代码。
• 随着模型改进，重新审查旧固件和库。
• 使用多个模型从不同方向分析同一代码。
• 让经验丰富的研究人员重现严重发现。
• 准备紧急通信和钱包迁移程序。
• 维护负责任披露和漏洞赏金计划。

模型提供了更广泛、更快速的覆盖。安全团队仍需区分真正的漏洞和错误的报告，开发修复方案，并管理对用户的影响。

安全竞赛正在变得更加廉价

Qureshi的例子并未表明AI可以攻破比特币。它表明保护比特币的软件现在可以以正在迅速变得微不足道的成本进行漏洞测试。

这一发展可能带来更好的安全性或更便宜的攻击。开发者可以使用AI挑战自己的产品并在发布前发现错误。攻击者可以将其指向被遗忘的代码，在多个目标上重复搜索，并根据第一个有用的结果采取行动。

这项技术对双方都可用。结果取决于谁使用它、发现被检查的准确程度以及防御者响应的速度。持续重新评估软件的项目可以从使攻击变得更容易的相同工具中受益。依赖旧审计或假设长期隐藏的漏洞早已被发现的项目，则将这一机会留给了别人。

免责声明：本文仅供参考，不构成安全、财务或投资建议。所报道的实验并未证明AI被用于ColdCard盗窃案，也未证明GLM 5.2能可靠地识别每个软件漏洞。

方法论：本分析使用了Dragonfly管理合伙人Haseeb Qureshi关于ColdCard事件和报道的GLM 5.2测试的公开评论。AI与量子风险之间的比较区分了当前可用的漏洞研究工具与需要具备加密能力的量子硬件才能实现的长期威胁。