通过安全探索 AGI:推出全球首个基于 AI 的新型攻击向量研究员

XBOW 推出自主暴露管理（Autonomous Exposure Management）：以攻击者视角、无需源码与凭据，对企业整个外部应用资产并行发起测试，为每个发现附上可复现的利用证据。企业自有应用数量往往是渗透测试覆盖量的 3–10 倍，未被测试的应用并非低风险；AI 让软件产出与漏洞发现同时变便宜，证明可利用性成为把漏洞队列转化为处置决策的关键环节。

Bugcrowd 推出 Savant Forge，将模糊测试与符号执行相结合并持续集成到 CI/CD 流水线，为每个缺陷提供可工作的漏洞利用用例、优先级评分与回归测试以降低误报；配套的 Savant Runtime 跟踪生产环境实际运行的第三方组件，误报减少 80%，支撑 SBOM 合规。

SpecterOps 结合红队实战系统梳理 AI 在进攻性安全中的适用边界：侦察与数据降噪、工具开发、社会工程、漏洞发现与验证、长期自动化及报告整理等场景已见实效，但模型仍可能误读工具输出、虚报漏洞利用或提权结果。文章强调成败关键在于模型之外的工程化 harness——上下文、可用工具、持久状态、独立验证与人类判断。

Project Naptime 评估大语言模型的攻击性安全能力：给出方法论、工具链配置，以及在真实代码中发现漏洞的早期成果。

本文以 HacktronAI 对 OpenAI Discourse 社区站入侵事件的责任披露为背景，探讨如何通过沙箱隔离、运行时防护与 AI 辅助构建安全策略等纵深防御手段，在未知漏洞引发 RCE 时限制横向移动、缩小影响范围。

作者借助 AI 在 Linux net/sched 子系统发现一个 UAF 漏洞并编写 LPE 利用，针对 TyphoonPwn 2026 的 CentOS 9 目标完成优化。AI 加速了漏洞发现与利用迭代，但深入的子系统知识依然关键。