比特幣安全「紅隊」一直利用Kimi——一款中國開發的AI模型——系統性地掃描比特幣相關程式碼以尋找潛在漏洞。這項倡議是將AI輔助分析應用於開源加密貨幣基礎設施的更廣泛努力的一部分，不過目前為止所有報告的發現都代表審查過程中標記的潛在問題，而非已確認的漏洞。

這項努力由比特幣開發者Calle (@callebtc)帶到公眾視野，他在X上發文描述了紅隊使用該模型進行比特幣程式碼審查。根據Decrypt的報導，Kimi被識別為一款中國開發的AI模型，紅隊部署它來掃描比特幣相關專案中的潛在弱點。

背景：ColdCard漏洞事件後的審計行動

這項審查與更廣泛的開源審計有關，該審計在ColdCard漏洞事件後變得更加緊迫。ColdCard是一款廣泛使用的比特幣硬體錢包，涉及它的漏洞突顯了對處理私鑰和用戶資金的比特幣專案進行全面審查的必要性。這項工作被定位為對潛在缺陷的主動搜尋，而非對已確認的即時事件的回應。除報導所描述的內容外，尚未建立任何已驗證的漏洞名稱、日期或程式碼層級的發現，所有被標記的項目仍為有待人工驗證的潛在問題。

審查中報告的數據

根據crypto.news的報導，紅隊在ColdCard漏洞事件後審查比特幣專案時發現了4,962個問題。Bitcoin Magazine的另一份報告稱，在390個開源儲存庫中發現了85個嚴重缺陷。這些數據描述的是被標記待審查的項目，其實際嚴重程度取決於人工維護者的後續驗證。

AI輔助漏洞搜尋：優勢與局限

在紅隊場景中使用AI模型突顯了加密貨幣基礎設施與AI輔助分析之間日益增長的交集。主要優勢在於速度——模型可以識別重複模式，覆蓋的程式碼量遠超對數百個儲存庫的人工審查。這種規模對比特幣的開源生態系統至關重要，因為其關鍵基礎設施——包括錢包軟體、節點實作和金鑰管理工具——由分散的團隊維護，資源有限，難以進行全面審計。

選擇Kimi本身也反映了當前AI模型選項的格局，在美國以外開發的模型越來越容易取得，有時還提供不同的成本或能力特徵。將中國開發的模型用於加密貨幣程式碼的安全審查值得關注，因為跨境技術依賴面臨更廣泛的地緣政治審查，不過紅隊將其使用定位為務實的工具選擇，而非策略性宣告。

局限性同樣明顯。眾所周知，AI模型會產生誤報，可能會幻覺出不存在的問題，這意味著每個被標記的項目都需要人工審查者確認它是否代表真正的弱點。「潛在缺陷」的標籤反映了自動化偵測與已確認漏洞之間的差距。

更廣泛的意義

此類安全發展的影響超越了開發者社群。比特幣的錢包和基礎設施程式碼支撐著投資者和更廣泛市場的持倉。此處所見的自動化與人工監督之間的張力，反映了業界其他領域的類似挑戰，從針對加密貨幣用戶的社交工程攻擊，到企業將運算資源重新分配至AI工作負載。加密貨幣領域的開源安全審計傳統上依賴專門公司和社群漏洞賞金計畫；大型語言模型的整合為該工具組增添了新的一層，儘管其在整個軟體產業中的可靠性仍在評估中。

就目前而言，範圍是具體的：一個安全團隊將外國AI模型應用於比特幣程式碼，並產生了一份需要進一步檢查的項目清單。任何被標記的項目是否會被證實為真正的、可利用的漏洞，將完全取決於隨後的人工審查。

免責聲明：本文僅供參考，不構成財務或投資建議。加密貨幣和數位資產市場具有重大風險。在做出決定之前，請務必自行研究。