Anthropic Opus 5 找漏洞逼近顶尖，但离“打穿”还差一步：AI 攻防能力边界解读
近期有报道称，Anthropic 最新一代模型（报道口径称之为 Opus 5）在发现代码漏洞上已经逼近当前顶尖评测里的强基线（报道口径称之为 Mythos 5），但在真正把漏洞转化为可用的利用（exploit）这一步仍然明显落后。换句话说：AI 越来越擅长“看出哪里有问题”，却还不擅长“打穿它”。这对防守方是好消息也是提醒——本文从安全从业者视角解读这一能力落差、背后的结构性原因，以及企业应如何借力。（文中模型名称与结论均为对公开报道的解读，最终以官方评测与披露为准。）
一、报道说了什么：能“找”，还难“打穿”
综合公开报道的口径：新一代模型在漏洞发现（bug finding）类评测上取得了接近顶尖基线的成绩——能在真实代码库里定位可疑模式、指出潜在的注入点、权限缺失与不安全用法。但在漏洞利用（exploitation）——即从“这里可能有问题”推进到“这是一条稳定可复现的利用链”——上，仍与最强表现有可观差距。
这个区别看似技术细节，实则非常关键：发现≠利用，利用≠可武器化。一个漏洞被“看见”，离它被“稳定打穿并造成实际影响”，中间隔着环境适配、绕过缓解措施、构造可靠 payload、维持稳定性等一系列硬工程。
二、为什么“发现”比“利用”更容易被 AI 做好
这不是偶然，而是任务性质决定的：
- 发现是“模式识别 + 静态推理”：大量漏洞在代码层面有可识别的“坏味道”（拼接 SQL、未校验的重定向、危险反序列化），恰好落在语言模型的强项上；
- 利用是“与真实环境的多步交互”：需要运行时反馈、精确的内存/协议细节、对防护（ASLR、WAF、沙箱）的动态绕过——这要求确定性、状态保持与试错闭环，是当前模型的弱项；
- 利用的“对错”是二元且残酷的：发现可以“大致像”，利用要么成功要么失败，容不下“看起来合理”的幻觉；
- 数据分布不同：公开语料里“如何识别漏洞”的讨论远多于“端到端稳定利用链”的完整实操。
一句话：AI 已经是很好的“漏洞发现放大器”，但还不是可靠的“自动攻击者”。
三、对防守方的三个实际含义
- “AI 会自动黑掉一切”被夸大了，但“AI 大幅降低发现成本”是真的。攻击者会用它更快、更广地筛出你的弱点——即使最后一步仍需人来完成。防守窗口在缩短。
- 把 AI 用在你最该用的地方：规模化发现。用 AI 做代码审计与资产扫描的“第一层快筛”，把人力集中到确认、定级与修复这些高价值判断上。
- 不要把 AI 的“发现”当结论。它会漏报、会误报、也会“自信地说错”。发现之后仍需确定性工具（SAST/DAST/SCA）与人工验证来定真伪、定优先级。
四、把“AI 漏洞发现”安全纳入流水线的清单
- 定位为“第一层筛查”：AI 审查放在 CI 早期做快筛，明确它不是唯一防线；
- 叠加确定性工具：Semgrep（SAST）+ 依赖扫描（osv-scanner / Trivy）+ 密钥扫描（gitleaks），互相印证、降低漏报；
- 对高危发现做人工/渗透确认：尤其是鉴权、支付、个人数据、反序列化与 SSRF 相关路径；
- 控制 AI 的输入输出边界：不要把生产密钥、真实敏感数据喂给外部模型；对其“修复建议”做复核后再合入；
- 建立复现与定级流程：发现 → 复现 → 定级（CVSS/业务影响）→ 修复 → 回归，形成闭环而非一次性扫描；
- 红队视角常态化：用 AI 扩大覆盖面，用人做最后一步的利用验证与业务影响评估。
五、Halocent 建议
这条新闻真正的信号，不是“某个模型又变强了”，而是攻防的经济学正在改变：发现漏洞的成本在快速下降，而把漏洞变成实际损失的“最后一公里”仍然需要工程与人。对企业而言，正确的姿势不是恐慌，也不是无视，而是抢在攻击者规模化发现你之前，先用同样的能力把自己扫一遍、修一遍。
Halocent 光晕科技可以帮你把“AI 辅助的漏洞发现”与“确定性工具 + 人工渗透验证”组合成一条轻量但可靠的安全评估流水线，并对你的关键系统做一次针对性复核。欢迎联系我们。
← 返回行业资讯