一名机器人创业公司的技术负责人，把一段长期无人审计的代码交给通用大模型，两小时后拿到一个人类很难手工发现的严重漏洞——这个场景正在把「AI 找漏洞」从安全会议上的设想变成日常工程实践。OpenAI 随后推出的网络安全专用模型，正是对这一趋势的正面回应，但它同时也把一个更棘手的问题摆上台面：当攻击方也能用上同类能力时，防守方的时间还剩多少。
事件背景：从一次个人实验到产品化
据公开信息，Charge Robotics 联合创始人兼 CTO Max Justicz 通过 OpenAI 的 Daybreak Blue 计划，使用 2026 年 7 月发布的 GPT 5.6 Sol，针对 Ubuntu 所依赖的某段开源代码发起漏洞搜索。他的提示方式相当直接：指出自己多年前在同一代码库中发现过一个已被修复的漏洞，要求模型找出同等或更严重的问题。模型在两小时内返回了一个结构极其复杂、人工审计难以定位的缺陷。该问题已报告给维护相关软件的 Debian 项目，并已发布补丁，目前没有已知的利用证据。
Justicz 本人的判断是，这类发现只是冰山一角。他提到，把强力模型对准尚未被审计的代码或二进制文件，当前存在「巨大的信息差红利」，并预计未来几个月会出现更多被发现的严重缺陷。他同时透露，为找到若干漏洞，个人在订阅和 token 上的支出约为 5000 美元。
在这一背景下，OpenAI 宣布推出面向网络安全的 ChatGPT Cyber 模型，向 Daybreak Red 计划的最高层级用户开放。该计划面向 offensive 安全研究，用于漏洞挖掘与利用开发。OpenAI 还披露了更早的一次扫描成果：同一模型被用于检查 Linux 内核漏洞并准备补丁，发现 948 个潜在问题；在 Firefox 中发现 81 个「新型」漏洞。官方表态称，目标是大幅扩展 Daybreak，把高级安全研究能力带给各种规模的组织、独立研究者和开源维护者。
已确认的核心信息
以下为素材中明确的事实性内容，可与分析判断区分开：
- ChatGPT Cyber 面向 Daybreak Red 最高层级用户开放，定位为网络安全专用模型。
- 同一模型此前被用于 Linux 内核漏洞扫描与补丁准备，报告 948 个潜在问题；在 Firefox 中发现 81 个新型漏洞。
- OpenAI 宣布一项 10 亿美元规模的计划，用于支持参与该计划、从事电网或供水系统等关键基础设施安全工作的专业人士。
- OpenAI 技术团队成员 Eric Wallace 表示，公司正把「大量前沿算力」投入开源代码库的漏洞发现与修补，且完全无偿。
- Linux 漏洞扫描的算力成本为 120 万美元，低于公司此前为某流体力学难题投入的约 600 万美元 token 支出。
- 目前参与 Daybreak 计划的安全专业人员数量为「数千」级别。
- Justicz 称加入计划只需上传驾照照片，并认为 Daybreak Blue 近期被「削弱」，在漏洞发现上的效用下降。
对防守方与开发者的实际影响
对开源维护者和企业安全团队来说，最直接的变化是漏洞报告的来源结构。过去漏洞多来自人工审计、模糊测试或外部研究者，现在可能来自一个成本可控、速度极快的模型流程。这意味着补丁响应压力上升：Linux 内核一次扫描就产出近千条潜在问题，即便其中大量是误报或低危项，分诊工作量也足以压垮小型维护团队。
对开发者而言，这类能力的门槛正在快速下降。Justicz 的案例说明，具备基础安全直觉的工程人员，配合通用模型和一段清晰的提示，就能触及过去需要资深审计经验才能发现的问题。这既是防守方的杠杆，也意味着「未被审计的代码」不再是可以长期搁置的安全缓冲区。
成本层面同样值得注意。个人数千美元、机构百万美元级的投入，已经进入可计算的范围。安全预算的分配逻辑可能因此改变：与其只买扫描工具，不如评估模型辅助审计在自有代码库上的实际产出率。
| 维度 | 已确认情况 | 对团队的含义 |
| 能力开放范围 | 仅 Daybreak Red 最高层级 | 多数团队短期无法直接使用 |
| 扫描产出规模 | Linux 内核 948 个潜在问题 | 分诊与验证成为瓶颈 |
| 资金支持 | 10 亿美元关键基础设施计划 | 电网、水务等领域优先受益 |
| 参与规模 | 数千名安全专业人员 | 相对潜在攻击者仍属少数 |
仍需观察的不确定性与行动建议
最大的不确定性在于能力对称性。OpenAI 承认参与 Daybreak 的安全人员只有「数千」，而潜在攻击者数量远大于此。防守方担忧的是：如果前沿模型对防守方设限，而攻击方可以部署解除护栏的开源权重模型，那么限制访问反而造成不对等。Justicz 提到 Daybreak Blue 被「削弱」，正是这一矛盾的缩影——限制滥用与保持防守效能之间存在真实张力。
另一个未知数是资源投入是否足够。120 万美元的 Linux 扫描成本相对于 10 亿美元计划看似不大，但素材明确指出，这一数字远低于公司为某个流体力学难题投入的 token 花费。如果修补全球数字基础设施真有一个狭窄窗口期，投入节奏是否匹配，目前没有答案。
对开发者和安全团队，可考虑的行动包括：优先梳理自有依赖中长期未审计的关键组件；建立模型辅助漏洞报告的快速分诊流程，避免被报告量淹没；在采购或自建方案时，重点评估误报率与可复现性，而非仅看发现数量；对关键基础设施相关代码，提前规划补丁窗口与回滚机制。需要进一步了解相关计划细节的团队，可通过官方渠道核实准入条件，或请访问 AI Explorer 联系页面获取交流方式。
AI 找漏洞的能力已经被验证，真正的问题不再是「能不能找到」，而是「找到之后，谁来修、多快修、修不修得完」。