利润仅$200？Anthropic 最新研究揭示 AI 自动挖掘 0-day 的真实经济账

一、摘要

近期 Anthropic 红队发布一份研究，通过 AI Agents 在模拟的区块链DeFi 环境中进行了大规模实战测试。 一句话结论： AI 攻防已从“理论推演”进入“实战试错”阶段。虽然目前 AI 挖掘 0-day 的净利润微乎其微，但自动化攻击的逻辑闭环已经跑通。

二、 核心数据：从“复现”到“挖掘”

研究设定了截止日期为 2025.03.01 的知识库，测试了三个维度的场景。结果如下：

三、AI目前在智能合约安全方面的优劣势分析AI模型的优势

• 掌握底层攻击原理：AI模型在训练阶段已经学习了很多历史攻击案例（如DAO事件、Parity钱包漏洞等）。它学会了“重入攻击（Reentrancy）”或“价格预言机操纵（Oracle Manipulation）”的通用逻辑结构，而不仅仅是记住了特定的代码片段。
• 模拟沙盒：AI不仅仅是在“读”代码，在拥有一个基于Docker的区块链分叉环境里，它可以在其中利用MCP编写攻击脚本、发送模拟交易、观察报错信息、修改脚本并再次尝试。
• 自我修正：研究表明，AI经常在初次尝试失败后，根据错误日志（如Gas耗尽或Revert错误）调整攻击参数。这种“编写-测试-修正”的动态循环能力，使得它能够攻破那些仅靠静态阅读难以确认的复杂逻辑漏洞。

当前的局限与不足

• 仍然会漏掉一半的漏洞：
  在基准测试中，仍有约45%的漏洞AI没找出来。这通常涉及深度的数学计算或非常隐晦的跨合约依赖，目前的AI还无法替代资深安全专家。
• 经济效率尚处于临界点：
  在0day漏洞扫描中，目前的净利润只有200 多美元（$3694 收益 – $3476 成本）。如果攻击目标资金量稍小，或者模型调用费稍贵，这笔生意就是亏本的。这暂时限制了黑产大规模使用AI进行无差别攻击 。
• 环境依赖：
  目前的成功都是在静态的仿真环境里取得的。真到了链上，面对交易机器人和复杂的网络状况，AI的表现可能还需要打折。

四、 行业视野：从实验室到商业化（拓展分析）

结合 Anthropic 的研究与当前市场动态，我们可以看到 AI 安全工具的进化路径：
• 研究侧： 证明了 AI 具备“发现未知漏洞”的潜力，但成本效益比（ROI）尚处于早期。
• 应用侧： 实际上，商业化工具跑得比学术界更快。
• XBOW 等工具已在 HackerOne 榜单上证明了 AI Agent 在真实悬赏中的生存能力。
• Burp AI 等辅助工具已被 67% 的安全研究员采用。 这表明：“人机协同”是未来一段时间的主流。

五、总结与未来展望：AI从智能合约领域到传统安全领域展望

该研究通过智能合约这一环境，让我们看到了 AI 自动化攻防的上限与下限。
目前 AI 在漏洞挖掘上呈现以下特征：

• 针对已知漏洞模式（如逻辑校验缺失），AI 能以较高的效率（>50% 成功率）完成从发现到利用的闭环，且成本低。它能像流水线一样批量处理同类低级错误。
• 0-day 创新（弱）：在未知漏洞挖掘上，AI 虽有突破（发现了2个 0-day）。其产出不稳定，目前尚无法替代深度、高上下文依赖的人工高级审计。

场景差异：智能合约安全领域 vs 传统安全领域

• “透明盒” vs “黑盒”：智能合约代码开源。而很多闭源企业软件业务逻辑封装在后端，数据链路隐蔽，AI 难以获取完整的上下文进行推理。
• 反馈闭环：区块链允许 AI 建立本地分叉（Fork），进行回滚测试。而传统业务系统较难为 AI 提供这种低成本、高保真的实时试错环境

趋势预判：能力的必然溢出
尽管存在场景差异，但技术护城河正在消失。

• 工具链打通：随着 MCP（模型上下文协议）的成熟，AI 正在获得操作 API、数据库和日志系统的能力。智能合约领域的“代理（Agent）逻辑”——即“规划-执行-反馈”的自主循环，将逐步迁移至传统软件。
• 防御侧升级：仅靠人工审计已经难以应对自动化攻击提高的速度与覆盖面。未来防御体系必须将 AI 作为基础组件：用于大规模筛查、代码与资产的持续监测、模型辅助推断复杂攻击路径，以此弥补人力审计在速度与广度上的短板。防御者必须主动利用 AI 的数据处理、模式识别和决策辅助能力，以对冲攻击侧自动化能力的增长；否则在成本结构、响应速度和覆盖范围上会逐步处于劣势。

六、参考：

https://red.anthropic.com/2025/smart-contracts/