目錄

• 你可能想知道的
• 主要議題
• 關鍵見解表
• 後續……

你可能想知道的

1. 生成式人工智慧如何改變尋找與利用與比特幣相關軟體漏洞的難易度與速度？

2. 開源比特幣專案可以採取哪些實際步驟以領先於由 AI 協助的攻擊者？

主要議題

強大生成式 AI 模型的快速興起改變了資安局勢，而圍繞比特幣的軟體——錢包、交易所、閃電網路實作以及其他周邊工具——越來越成為攻擊目標。比特幣核心協議本身在設計上仍然穩健，但更廣泛的生態系由許多獨立的專案與應用構成，這些專案經常會暴露最常見且最容易被利用的攻擊面，而 AI 支援的威脅行動者正專注於這些領域。

一個名為 Bitcoin Red Team 的志願團體因應這些由 AI 加速的新風險而成立。該團隊約有二十多位貢獻者——許多以假名參與——來自比特幣開發者與隱私社群，以及產業研究人員。他們組織對開源比特幣生態系的快速主動性安全掃描，並接受想要目標性稽核的專案請求。目的是及早發現漏洞，並與受影響的維護者協調負責任的揭露與修補。

紅隊的一位創始成員——以 Calle 為名的開發者——解釋說，該組織的動機源自一次嚴重的硬體錢包妥協事件，以及隨後對攻擊者利用 AI 自動化發現利用途徑的憂慮。Calle 強調，雖然比特幣協議本身尚未顯示出內在缺陷，但面向使用者的比特幣相關軟體才是可能造成實際資產損失的地方。這包括桌面與行動錢包、託管服務軟體、瀏覽器擴充功能，以及與比特幣節點或付款通道介接的第三方工具。

紅隊的方法結合了主動掃描與直接互動。成員會在重要的開源倉庫上進行自動與手動掃描以揭露潛在問題，然後聯絡維護者協調修補與改進嚴重度分類。這個反饋循環有助於團隊改進偵測技術並優先處理影響最大的漏洞。Calle 表示，該團隊已透過其獨立掃描涵蓋了相當一部分知名的開源比特幣專案。

一個值得注意的作業細節是團隊倚賴多種 AI 模型來協助研究與分析。Calle 指出，許多美國前沿模型帶有嚴格的保護措施，可能會阻礙資安研究：它們可能拒絕協助定位漏洞，甚至拒絕提供修補步驟。因此，紅隊較常依賴某些中國模型，因為他們發現這些模型在安全工作上限制較少。Calle 說，美國模型與某些中國替代方案在資安任務上的實用性差異「完全不可同日而語」。

同時，Calle 也承認頂級的美國模型整體上仍然非常有能力，但其以安全為導向的保護措施在研究人員需要全面協助時會限制實用性。這種現實造成了一種張力：能更好保護安全並防止惡意使用的模型，也可能妨礙合法的防禦性研究。紅隊的做法是將人類專業知識與可用的 AI 工具結合，同時在揭露與公開討論上保持倫理界線，以避免給攻擊者一條路徑。

團隊提出的一個核心擔憂是，過去保護複雜軟體系統的信息不對稱正在侵蝕。過去，成功發現並利用細微漏洞需要深厚的領域專業知識和大量手動努力。現在，當人類的意圖與 AI 協助能力結合時，即使相對簡單或低複雜度的漏洞也能被背景較淺的人端到端地識別並利用。Calle 直言不諱地描述這種變化：「我認為軟體已經沒有秘密了。」曾經提供防禦的一層模糊性，如今不再可靠。

加密貨幣領域的財務誘因使其成為這些 AI 支援攻擊的早期目標。當存在直接的金錢回報的有價值目標時，攻擊者有動機部署最有效的工具。Calle 主張，「互聯網上的錢」代表一個特別有吸引力的目標類別，因此比特幣生態系可能是更廣泛趨勢的早期例子，隨著 AI 工具更強大且更廣泛可得，該趨勢會在許多產業展開。

在作業層面上，紅隊將志願者努力與有限的財務資源結合，以支付工具、基礎設施與掃描服務。他們與專案協調以確保負責任的揭露與修復。這種合作立場很重要：公開揭露詳細的攻擊鏈與利用方法可能會快速幫助惡意行為者，因此團隊將敏感技術討論限制在受影響的維護者與可信賴的夥伴之間。

從防禦角度來看，這種情勢迫使比特幣生態系中的專案採取多項實際回應。首先，假設攻擊者會使用 AI 協助的自動化來尋找常見類型的漏洞——輸入驗證問題、錯誤配置的密碼學操作、交易處理中的邏輯錯誤，以及不安全的相依套件。其次，將持續掃描與自動模糊測試納入開發管線，結合靜態分析與動態測試工具。第三，加大對安全程式碼審查與漏洞賞金計劃的投資，以激勵負責任的揭露。第四，優先建立清晰且快速的緊急修補與協調推出的溝通管道，以便在發現重大漏洞時迅速應對。

最後，AI 驅動威脅的出現凸顯出產業協作的必要性。像 Bitcoin Red Team 這類團體展示了志願且跨專案合作的價值，能主動降低整個生態系的風險。他們的模式——結合人類專業、務實地使用 AI 工具，以及對負責任揭露的承諾——為面臨類似挑戰的其他社群提供了一條前進的道路。雖然沒有單一團隊能強化每個專案，但協調一致的努力可以提高基線安全態勢，並放慢攻擊者將自動化發現轉化為實際利用的速度。

總之，AI 正在重塑漏洞被發現與武器化的方式。比特幣核心仍具彈性，但面向使用者的更廣泛軟體生態系愈加脆弱。主動掃描、揭露與修復問題的志願行動可以削弱 AI 協助威脅的初波衝擊，但長期韌性將需要對安全開發實務、工具與跨專案合作的持續投資。

關鍵見解表

後續……

展望未來，AI 與資安之間的互動將快速演進。預期攻擊者與防守者都會在工作流程中整合日益成熟的自動化工具。對於像比特幣這類開源與去中心化的生態系，這意味著持續需要協作防禦模型、更強健的自動化測試，以及對安全開發的更強激勵。雖然不完美，協調的志願努力可以爭取時間並減少傷害；長期韌性將依賴於軟體供應鏈安全、開發者訓練與在資安研究中負責任使用 AI 的規範等體系性改善。

對專案維護者與使用者的教訓是：把 AI 視為一個倍增器——它既能賦能防守者，也能賦能攻擊者。主動掃描、快速修補與跨專案協調是可減輕即時風險的實際步驟。從長期來看，產業範圍的標準、更好的工具，以及關於 AI 模型存取與在資安背景下使用的周到政策，將左右社群能否有效適應。