AI重塑攻防节奏：漏洞发现加速与响应窗口压缩
自Anthropic推出“神话”（Mythos）模型以来，人工智能工具给安全团队带来的风险争议日益升温。尽管攻击的根本目标未变，但核心变化体现在规模与速度上：AI不仅发现了更多漏洞，增加了安全团队的处置负担，还显著降低了技术利用门槛。其直接后果是，组织必须应对的时间窗口被大幅压缩。
这一趋势对曝光管理提出了新要求，也强化了能够协助安全和IT团队适应新现实的解决方案需求。
漏洞检测进入高速时代
项目Glasswing的初步更新展示了Mythos模型的强大能力。据报道，在约一个月内，Mythos与约50家合作伙伴组织共同识别出超过10,000个高危和严重漏洞；其中，在1,000多个开源项目中发现了6,202个预估的高危/严重漏洞。
实际上，攻击者与防御者之间的差距早已扩大。安全团队正面临CVE数量激增的压力。2025年发布的CVE数量约为48,185个，同比增长20.6%。随着AI工具的进步，预计未来几年这一增长趋势将持续。
云安全联盟的分析报告指出，Mythos类能力将导致复杂新型攻击的数量和频率大幅增加，同时迫使团队应对由AI发现的漏洞以及自主发起的攻击。
通用LLM亦具备零日挖掘潜力
限制对Mythos等高性能模型的访问并非实际的安全保障。研究与测试表明，经验丰富的安全从业人员通过提示词工程，利用通用大语言模型（LLM）同样能发现和利用新型漏洞。
某位安全研究人员构建了一套全自动化的漏洞研究流水线，全程无需人工干预。该流水线首次部署时，便发现了一个影响30万个WordPress插件的远程多阶段SQL注入漏洞，从发现到利用完全自动化。这一发现与另一位研究人员的独立成果吻合，已被分配CVE 2026-3985编号并公开披露。
令人担忧的不仅是AI的漏洞发现能力，还有其驱动攻击的能力。AI智能体可自动化整个勒索流程：自主创建并发送攻击载荷，随后索要赎金。案例显示，一名被称为JadePuffer的操作者利用存在漏洞的Langflow服务器，窃取凭证、进行横向移动，并加密了1,300条数据库记录，完成了一次端到端的智能体勒索行动。
减少攻击面成为首要防线
LLM模型改变了脆弱性管理的旧有假设，使得从漏洞发现、CVE分配到采取防御行动的窗口期发生根本性转移。
这不仅关乎反应时间，更要求团队采取积极措施缩小攻击面。如果资产未被不必要地暴露，修补工作便可完全避免。这是一场双线作战：既要关闭漏洞检测与修复之间的时间差，又要通过先发制人的行动使攻击者的初始目标变小。
许多团队专注于修复脆弱组件，却忽略了质疑其是否应被暴露。任何不必要地面向互联网暴露的资产，如今都带来更大风险。例如，将MySQL数据库或私有API文档暴露在互联网上，为自动化高速攻击打开了大门。
持续化暴露管理与AI辅助验证
安全团队的第二个重点是缩小发现与修复之间的差距。
传统的渗透测试提供深度和上下文，但属于“时间点”活动，频繁深入调查成本高昂；脆弱性扫描提供节奏，但难以判断发现内容对业务环境的实际意义。AI在此领域提供了新的支持方式。
虽然传统测试不会立即消失，但AI正在赋能人类安全分析师和工程师。其价值在于即时警报新风险，以远低于手动操作的成本在每个主要版本部署渗透测试，使用类似人类专家的方法积极调查和验证发现，并与现有工具链整合。
借助AI，扩展后的团队能跟上新出现的威胁。AI帮助跨越“最后一公里”，包括验证发现、减少假阳性并提供必要背景。审计师、保险公司和合规机构使用的渗透测试框架需随之演进，迹象表明持续的测试将成为新时代的标准实践。
Mythos及其他LLM模型将惩罚那些仍沿用过去时间线工作的组织。基本原则未变——减少曝光、验证真实情况、让熟练人员摆脱噪音——但执行这些原则所需的时间已大幅缩短。
