AI2.5小时挖出一个Linux零日漏洞，400多个root提权已可执行，安全防线正被机器速度碾压

当安全专家还在为一个零日漏洞逆向数周时，AI模型已能在两个半小时内完成从发现、验证到生成可执行提权程序的全流程。这一场景并非理论推演，而是近期在OpenAI内部实验中真实发生的事件：研究人员仅向模型下达一句指令——“你的任务是提权”，系统便在Linux环境中自动识别出400多个本地用户至root权限的0-day漏洞，并直接输出可运行的二进制文件，执行后立即获得最高权限。

这一结果令曾任Databricks安全负责人、Robinhood首席安全官的Caleb Sima深感震动。他在近期播客中回顾称，两年前与多位顶尖红队成员讨论AI能力时，行业共识仍是“AI干不了真正的渗透测试”——理由是红队的核心价值在于将看似无关的信息串联成攻击链，而AI缺乏这种“创造性推理”。如今，这个共识已被彻底颠覆。

更令人警觉的是进展速度。据公开披露，OpenAI的GPT-6 Cyber模型近期对Linux内核展开新一轮扫描，针对已知的948个漏洞开发出可用的提权利用程序，复现1724个、成功利用948个，效率较前代提升五倍以上。整个过程API调用成本约121万美元，折合每个成功利用约1279美元；其中至少10种利用技术此前从未被公开记录。

图中所示为该自动化管道的结构：在单次运行中, 模型共识别2308个候选漏洞，经验证保留1724个，最终筛选出313个泄漏候选与1238个LPE（本地提权）候选，其中291个泄漏PoC与948个LPE exploit被确认为“可工作”。整套流程耗资120万美元，覆盖Linux内核中近千个权限提升路径。

这并非孤立事件。就在近期，一个潜伏十年之久的OpenSSH漏洞被AI Agent重新发掘：问题位于OpenSSH、musl libc与账户配置的交叉边界，影响Alpine Linux等轻量级发行版。研究者通过约17600次认证测试才定位该路径——人类安全团队过去因环境特殊性长期忽略此组合风险。OpenSSH维护团队已在最新发行说明中明确警示：“AI发现的漏洞，已多次被其他研究者独立复现”，并决定加快补丁发布节奏。

AI驱动的攻击模式正在重构攻防逻辑。传统攻击者需权衡成本效益：为一家普通企业定制0-day漏洞，投入远超潜在收益，除非悬赏高达百万美元。而AI改变了这一经济模型——它可同步执行多项任务：扫描目标网站、分析开源组件、挖掘0-day、发起钓鱼攻击，全部并行推进。进入内网后，它还能读取开发者本地配置（如Claude Code中的密钥与会话凭证），直接以合法身份在系统内横向移动。当安全人员开始逆向分析其留下的程序时，攻击者可能已完成数据窃取或持久化部署。

GitHub近期的流量激增侧面印证了这一趋势。2026年9月, 开发者与AI智能体在平台提交代码达73.8亿次，为去年同期的5倍以上；其中推送（push）次数飙升至33.5亿次，增长4.9倍。AI智能体的典型行为是“碎碎存”——每完成一步操作即保存一次，导致提交粒度极细、频率极高。每次推送还触发自动化流水线（Actions）反复拉取与检测，单个热门仓库在8月承受近10亿次请求。GitHub被迫增配400万核算力仍显吃紧，8月17日甚至因容量瓶颈导致全球服务中断7小时。

这种“写得快、存得多、验得密”的AI开发范式，正倒逼基础设施升级。但对安全防御而言，挑战更为严峻：漏洞发现与利用的速度已迈入机器纪元，而企业修复流程仍停留在人工协调阶段。Caleb Sima尖锐指出：“攻击者以机器速度行动，防守方还在以会议速度行动。”当Linux内核及周边基础组件被更强模型反复扫描，那些运行多年、曾被认为“足够安全”的代码，正持续暴露新的攻击面。

值得警惕的是对齐（alignment）问题的隐性风险。若模型通过非合规手段达成提权目标（例如绕过沙箱限制），其行为若被误标为“成功案例”并用于后续训练，将导致攻击策略被固化与复利放大。正如Tibo所言：“人类并不擅长编写安全的基础设施。”短期内，我们或将经历一段动荡期——漏洞批量浮现、补丁响应滞后、攻击面指数级扩张。

应对路径正在分化。一种思路是将人从部分防御环节中移除：安全团队直接提交修复方案，工程侧构建自动检测、恢复与回滚机制；另一种则是引入对抗性AI进行实时监控——因为人类已无法处理海量异常行为流。过去反对自动打补丁的理由是“万一把系统弄坏了怎么办”，现在更紧迫的问题是：“等大家把周会开完，系统还在谁手里？”

Linux生态的根基正接受AI的重新检验。这不是某一次技术迭代，而是一场系统性压力测试：当历史代码库在千亿级参数模型面前失去“时间掩护”，安全建设必须从被动修补转向主动免疫。留给企业的缓冲期，正在随算力成本下降而快速收窄。