對 Dragonfly 管理合夥人 Haseeb Qureshi 而言，GLM 5.2 實驗最引人注目的部分是其成本：

“GLM 5.2 running for 20 minutes costs about $2. So what does that mean? It means we are in a new world.”

Dragonfly 是一家專注於加密貨幣的創投公司，而 Qureshi 的觀察在這個曾因軟體漏洞而出現多起重大失竊案件的產業中具有分量。據報，研究人員在將模型指向受影響軟體後，該模型重新發現了與近期 ColdCard 盜竊相關的漏洞。由 Coinkite 製造的 ColdCard，是比特幣自我保管使用者常見的硬體錢包。沒有證據顯示竊賊使用了 AI。這項測試反而顯示，攻擊者與開發者如今都能以極低成本檢視保護大量加密貨幣的程式碼。

為何 2 美元的成本如此重要

嚴肅的漏洞研究傳統上需要專門知識與大量手工工作時間。即使是經驗豐富的研究人員，也只能檢查有限數量的韌體版本、智慧合約與密碼學函式庫。

AI 讓更多程式碼得以先接受初步審查。研究人員可以讓多個模型針對同一程式碼庫，要求它們從不同失效路徑著手，並在更強大的模型出現時重複這個過程。

大多數搜尋可能不會得到任何有用結果。但當單次嘗試只需幾美元時，這一點就不那麼重要了。尋找弱點的人可以檢視許多目標，而不必每次都成功。只要在保護數百萬美元資產的軟體中找到一個有效缺陷，就足以抵銷數千次失敗嘗試的成本。

AI 並未消除對安全專業知識的需求。它只是降低了產生線索、驗證假設，以及覆蓋比單一人類研究者所能檢查更多程式碼的成本。

GLM 5.2 測試真正說明了什麼

Qureshi 表示，在 ColdCard 事件已經引起關注後，研究人員要求多個模型檢查該軟體。根據他的說法，模型並未被告知漏洞位於何處，而 GLM 5.2 約在 20 分鐘內找到了它。

情境很重要。研究人員已經知道相關軟體存在嚴重問題。該模型並不是在所有硬體錢包中盲目搜尋，也不是在沒有起點的情況下自行發現攻擊方法。

辨識漏洞也不同於大規模利用漏洞。攻擊者仍可能需要：

• 確定哪些裝置或錢包受到影響。
• 重建可用的私鑰。
• 找出持有可觀餘額的錢包。
• 在使用者或製造商反應之前轉移資金。

Qureshi 的評論並沒有顯示 GLM 5.2 完成了這些步驟，也沒有證明任何 AI 系統參與了最初的盜竊。這項實驗所證明的範圍較有限，但仍然重要：一個通用模型據報快速且幾乎沒有成本地重新發現了底層技術弱點。

AI 早於量子威脅到來

比特幣長期安全性的許多討論都集中在量子運算上。能力足夠強大的量子機器，最終可能威脅到保護代幣的簽章機制，迫使網路與使用者遷移到新的密碼學。這種風險需要提前準備。

AI 輔助程式碼分析則提出了不同的問題，因為這些工具已經可以用來對付今天正在運行的軟體。AI 不需要擊敗比特幣底層的數學原理。它可以搜尋周邊程式碼中的錯誤，例如弱亂數產生、暴露的祕密、錯誤的密碼學實作，以及不安全的復原功能。

我們先前對 加密貨幣面臨的 AI 與量子威脅 的分析也檢視了這種區別。量子運算最終可能造成全網路的密碼學問題。AI 則已經可以被用來針對目前保護使用者資金的錢包、跨鏈橋、函式庫與應用程式。

因此，眼前更直接的風險，是比特幣周邊軟體中的人為錯誤，而不是 AI 直接破解比特幣本身。

攻擊者與開發者使用的是同一種工具

AI 不偏好更強的安全性，也不偏好成功的攻擊。它的影響取決於人們給它的任務。

攻擊者可以用模型掃描舊韌體、自動化重複分析，並測試可能的弱點。錢包製造商也可以在發布前使用同一模型，讓它專注於金鑰生成、交易簽署與復原程序。

開發者也可以回頭檢視在現代程式代理出現之前發布的產品。五年前審計過的軟體，如今可以用當時尚不存在的工具重新檢查。多家區塊鏈安全公司已開始將 AI 輔助分析納入審計流程，不過這項技術仍是人工審查的補充，而非取代。

然而，雙方並非在相同條件下運作。攻擊者一旦確認有用的漏洞，就可以立即行動。開發者則必須重現發現結果、理解哪些使用者受到影響、準備安全修補，並在不透露足以加速利用的資訊下完成發布。

模型也可能誤解程式碼、產生誤報，或描述在實務上無法成立的攻擊。最終仍需由人類研究者負責驗證結果，並判斷專案需要多快回應。

AI 擴大了可檢查的程式碼範圍，但它無法取代發現嚴重弱點後所需的專業判斷與事故應變。

自我保管仍取決於錢包本身

Qureshi 將受影響的使用者描述為遵循一般安全建議的人：

“People who are doing all the right things.”

“People who are doing all the right things.”

他們已將比特幣從交易所移出，並存放在專用硬體錢包中。然而，自我保管仍取決於裝置能否正確生成並保護金鑰。

Qureshi 表示，受影響的韌體使用了比預期更弱的隨機來源。如果私鑰是由可預測的輸入生成，讓裝置離線也無法在之後讓這把金鑰變強。空氣隔離可以降低已正確生成祕密遭受遠端攻擊的風險，但無法修復從生成那一刻起就已經脆弱的祕密。

因此，硬體錢包使用者依賴的不只是自己如何保管復原詞組，還包括對製造商韌體、硬體設計、密碼學函式庫與亂數產生器的信任。多年未出現已知漏洞，可能表示軟體已通過一般使用考驗，但不能證明所有嚴重弱點都已被找出。

舊錢包程式碼需要重新審查

更便宜的 AI 分析，讓舊程式碼更容易被重新檢視。過去少有人關注的軟體，現在可以被反覆且大規模地檢查。

當大型模型有所進步時，錢包製造商與加密協議應重新掃描較舊版本，尤其是那些會建立私鑰、簽署交易或控制錢包復原的程式碼。

韌體更新無法解決所有問題。若漏洞影響既有金鑰的生成方式，修正軟體或許能保護新錢包，但舊錢包仍可能暴露。使用者可能需要在修復後的系統中重新生成新金鑰，並轉移資金。因此，服務提供者應能辨識受影響版本、迅速聯繫客戶，並說明如何安全遷移。

這個過程也會為詐騙者創造機會。安全事件往往伴隨假冒客服帳號、惡意遷移網站，以及要求使用者驗證錢包的訊息。使用者絕不應將助記詞或私鑰提供給客服代表、網站、社群媒體帳號或 AI 聊天機器人。合法的復原流程不需要將這些祕密交給任何其他人或服務。

安全審查不再能只做一次

AI 輔助分析應成為正常開發流程的一部分，而不是只在資金遭竊後才使用的工具。加密公司應考慮：

• 在發布前掃描新程式碼。
• 隨著模型進步，重新檢視較舊的韌體與函式庫。
• 使用多個模型從不同角度檢查同一份程式碼。
• 讓經驗豐富的研究人員重現重大發現。
• 準備緊急溝通與錢包遷移程序。
• 維持負責任揭露與漏洞獎勵計畫。

模型提供更廣泛、更快速的覆蓋範圍，但安全團隊仍需區分真正漏洞與錯誤報告，開發修補措施，並管理對使用者造成的後果。

安全競賽正在變便宜

Qureshi 的例子並不表示 AI 能破解比特幣。它顯示的是，現在檢查保護比特幣的軟體是否存在漏洞，成本已迅速變得微不足道。

這種發展可能帶來更好的安全性，也可能帶來更便宜的攻擊。開發者可以用 AI 挑戰自己的產品，並在發布前找出錯誤。攻擊者則可以把它指向被遺忘的程式碼，在多個目標上重複搜尋，並在出現第一個有用結果時立即行動。

這項技術對雙方都可取得。結果取決於誰使用它、發現是否被準確驗證，以及防禦者回應得有多快。持續重新評估自身軟體的專案，能從讓攻擊更容易的同一工具中受益；而依賴舊審計，或假設長期隱藏的漏洞早就應該被發現的做法，只會把這個機會留給別人。

Disclaimer: This article is for informational purposes only and does not constitute security, financial or investment advice. The reported experiment does not establish that AI was used in the ColdCard theft or that GLM 5.2 can reliably identify every software vulnerability.

Methodology: This analysis uses public comments from Dragonfly managing partner Haseeb Qureshi concerning the ColdCard incident and the reported GLM 5.2 test. The comparison between AI and quantum risk distinguishes currently available vulnerability-research tools from longer-term threats requiring cryptographically capable quantum hardware.

The post How a $2 AI Test Rediscovered the Bug Behind a $100M Bitcoin Theft appeared first on Coindoo .