核心结论：AI发现的系统漏洞绝大多数是前所未见的0-day（零日）漏洞，而非已知漏洞的再识别。当这种自动化的技术攻击能力与社会工程学结合时，攻击链完成了从"纯技术"到"技术+人性"的闭环——而"人"正是整个安全体系中最大的漏洞。

一、三组数据，定调全局

在展开分析之前，先看三组关键数据：

这三组数据指向同一个结论：AI不仅让技术漏洞的发现规模化、自动化，更让社会工程攻击的门槛骤降、效果倍增。二者的结合，正在重新定义网络安全的威胁版图。

二、AI发现的漏洞：是已知漏洞还是未知漏洞？

这是用户的核心疑问。答案非常明确：

AI发现的主要是未知的零日漏洞（0-day），而非已知漏洞的再识别。

以下是决定性的证据：

2.1 Claude Mythos：一次改写规则的演示

2026年4月，Anthropic在被迫延迟发布Claude Mythos的同时，公布了其"Glasswing项目"的惊人发现：

• 发现数千个零日漏洞，覆盖Windows、macOS、Linux、FreeBSD、OpenBSD等所有主流操作系统，以及Chrome、Firefox、Safari、Edge等所有主流浏览器

• 这些漏洞全部是此前完全未知的零日漏洞，并非已知CVE的重复匹配

• 发现的漏洞中，有一个在OpenBSD内核中潜伏了27年，另一个在FFmpeg的H.264编解码器中存在了16年——期间经过无数安全专家的代码审查，无一人发现

• Mythos在Firefox JS Shell测试中达到72.4%的漏洞利用成功率，并能自主构建最多4个漏洞的链式利用（ROP链长达20-gadget），实现远程root访问

Luta Security CEO Katie Moussouris（漏洞赏金计划先驱）的评论一针见血：

"Google Project Zero通常每年披露约20到30个高严重性零日漏洞，需要一支精英研究员团队。Mythos在数周内发现了数千个。我们正在目睹漏洞研究方式的完全范式转变。"

2.2 Google GTIG：首次野外捕获AI零日漏洞

2026年5月11日，Google威胁情报小组（GTIG）发布了更具冲击力的报告——首次在真实攻击环境中捕获了由AI自主发现、武器化并实施攻击的零日漏洞。

这个案例的关键细节：

• 一个犯罪团伙利用AI模型，针对一款主流开源网络管理工具发现了2FA（双重认证）绕过漏洞

• 该漏洞是一个语义逻辑错误——开发者硬编码了一个信任假设，与应用程序的认证逻辑存在矛盾。传统漏洞扫描工具（寻找内存崩溃、注入点、缓冲区溢出）根本无法发现这类逻辑层面的矛盾

• AI不仅发现了漏洞，还用Python编写了完整的攻击脚本

• GTIG在攻击大规模实施前成功拦截，与厂商合作完成修补

GTIG首席分析师John Hultquist的判断：

"'AI漏洞竞赛即将到来'这个判断是错误的。现实是，它已经开始了。我们每追溯到一个AI生成的零日漏洞，很可能还有更多我们尚未发现的案例。"

2.3 为什么AI能发现人类发现不了的漏洞？

答案在于LLM的本质能力：它像开发者一样阅读代码——理解设计意图，将意图与实现进行比对，找出二者之间的偏差。

传统漏洞扫描工具（静态分析、Fuzzing等）基于模式匹配——寻找已知的"坏形状"（内存越界、格式化字符串、SQL注入等）。而LLM能够进行语义级代码理解，这对逻辑漏洞（如认证绕过、权限缺陷、协议设计错误）尤其有效。

2.4 关键区别：N-day、1-day、0-day

为准确回答用户问题，区分三个概念：

• N-day（已知漏洞）：已被发现、分配CVE编号、有补丁存在的漏洞。AI当然也能发现这类漏洞，但这只是"验证已有知识"

• 1-day：补丁刚发布但大多数用户尚未安装的已知漏洞。攻击者的"黄金窗口"

• 0-day（零日漏洞）：厂商和公众完全不知道的漏洞，没有补丁。这才是AI真正的"杀手级应用"

AI在漏洞挖掘领域的革命性突破，正是在0-day发现上——它找到的不是已知问题的重复，而是人类专家数十年未能发现的未知缺陷。

三、AI漏洞挖掘的能力全景：不只是"找漏洞"

3.1 从发现到武器化的全流程自动化

AI完成的不是单个步骤，而是完整的攻击闭环：

3.2 国家行为体的工业化应用

GTIG报告揭示了国家级黑客组织对AI的工业化使用：

3.3 成本趋近于零

哈佛伯克曼中心Bruce Schneier的警告：

"我们花了数十年时间在'发现漏洞很难'这一假设上构建安全体系。Mythos粉碎了这一假设。当AI能比任何人类团队更快地发现并链式利用零日漏洞时，整个纵深防御模型需要被重新思考。"

前Google Project Zero成员Tavis Ormandy补充：

"Mythos不仅改变了规模——它改变了基本的经济学。防御者现在需要以AI速度匹配修补与AI速度的发现，而我们离那还差得很远。"

四、当AI漏洞挖掘遇到社会工程——攻击链的终极缝合

这是最令人不安的部分：技术漏洞挖掘和社会工程攻击，正在AI的催化下深度融合。

4.1 攻击链的经典模型与AI的重塑

传统的网络攻击链（Cyber Kill Chain）分为七个阶段：

AI在每个阶段都提供了指数级的增强：

关键洞察：技术漏洞（0-day）解决的是"如何进去"的问题，社会工程解决的是"如何让人主动开门"的问题。当AI同时掌握了这两把钥匙，整个安全体系面临的是双重降维打击。

4.2 社会工程攻击的AI增强：三大支柱

学术研究（MDPI《Computers》2026年论文）提出了AI驱动社会工程统一模型（UM-AISE），识别出三大增强维度：

支柱1：真实性（ρ）——以假乱真的能力

• 深度伪造技术可精确复制面部表情、唇形同步和手势

• 语音克隆仅需3秒音频样本即可复制个人语调、节奏和声音特征

• AI生成的文本消除了传统诈骗中的"可疑触发因素"（语法错误、不自然表达）

• 78%的深度伪造内容成功欺骗了Microsoft Azure等行业标准API

支柱2：个性化（θ）——精准画像的能力

• AI算法分析海量OSINT数据（社交媒体、公开数据库、数据泄露）

• 生成与受害者兴趣、角色、近期活动高度匹配的定向内容

• 运用心理学说服原则（权威、稀缺、紧迫性、互惠）定制操纵策略

• AI生成钓鱼邮件的点击率比人工撰写的高出42%

支柱3：自动化（σ）——规模化的能力

• 将操作成本降至传统方法的1/σ

• 支持实时对话适应和动态响应调整

• "越狱即服务"（Jailbreaking-as-a-Service）在暗网上商业化

• 朝鲜APT45运行数千条并行AI提示，实现工业化规模攻击

4.3 关键数学：为什么AI让攻击变得"理性"

UM-AISE模型通过马尔可夫决策过程进行了定量分析，得出一个令人不安的结论：

在传统手动社会工程条件下（成功率ps=0.15, 检测率pb=0.30），攻击者的最优策略是"不攻击"。在AI增强条件下（即使使用保守参数σ=3, θ=1.30, ρ=1），最优策略反转为"攻击"。

这意味着：AI不仅让攻击变得更容易，它还让攻击在经济理性上成为默认选择。

4.4 标志性案例：技术漏洞与社会工程的完美合奏

案例1：Arup深度伪造诈骗（2024年）——纯社会工程

• 工程公司Arup的一名财务人员被AI生成的深度伪造视频会议欺骗

• 会议中除受害者外，全部为AI生成的虚拟人物

• 单次损失：2560万美元

• 不涉及任何技术漏洞，纯粹是社会工程的胜利

案例2：Google GTIG AI零日漏洞（2026年）——技术漏洞为主

• AI发现开源管理工具中的2FA绕过逻辑漏洞

• AI自主编写Python攻击脚本

• 在实施大规模攻击前被拦截

• 如果攻击者将这个0-day漏洞与社会工程结合——例如，AI生成的钓鱼邮件引导管理员访问恶意页面触发漏洞——几乎不可能在攻击前被检测到

案例3：朝鲜IT工人渗透（2024-2026年, 微软报告）——社会工程+供应链攻击

• 朝鲜黑客利用AI：
  • 生成完整的虚假数字身份（简历、GitHub主页、作品集）
  • 使用Faceswap换脸和实时变声软件通过视频面试
  • AI辅助日常工作中的英文沟通，保持身份的一致性
  • 成功渗透进西方科技公司，获取内部系统访问权限

• 这是社会工程学在AI时代的终极形态——不是一封钓鱼邮件，而是以"同事"身份长期潜伏在组织内部

五、社会工程：最致命的"漏洞"永远是人

用户说得一针见血："社会上大部分成功的诈骗都是社会工程的杰作。"数据完全支持这一判断。

5.1 社会工程在网络攻击中的统治地位

在中国，情况同样严峻：

5.2 为什么社会工程如此有效？

技术漏洞存在补丁，人的漏洞存在永恒：

1. 权威服从：对"领导""警察""银行"的本能信任

1. 紧迫感：限时、限名额制造的非理性决策

1. 互惠心理：先给予小恩小惠再要求回报

1. 社会证明：看到"其他人都在做"的从众效应

1. 认知负荷：在信息过载时放弃理性判断

这些心理机制不是bug，是人类社会协作的feature。它们无法通过"安装补丁"来修复。

5.3 AI对社会工程的倍增效应

从2017-2022年仅22起记录事件，到2025年Q3单季度2,031起——这不是增长曲线，这是引爆曲线。

六、威胁融合：AI驱动的"技术+人性"组合攻击链

当我们将前文的分析放在一起，一幅完整的威胁图景浮现出来：

6.1 四种融合攻击模式

模式一：钓鱼投递0-day Exploit

AI生成的个性化钓鱼邮件，诱导目标点击链接或打开附件，触发AI发现的浏览器/办公软件0-day漏洞。传统防御（邮件安全网关）无法检测未知漏洞，而AI生成的钓鱼内容又能绕过语言层面的检测。

模式二：Deepfake绕过身份验证

AI语音克隆绕过电话银行语音生物识别 → 获取账户访问权限 → 结合AI发现的系统漏洞进一步渗透内部网络。

模式三：虚假身份渗透

AI生成的虚假数字身份通过招聘渗透进入组织 → 利用"合法"内部身份发现内网弱点 → AI辅助进行横向移动 → 结合0-day漏洞获取核心系统权限。

模式四：大规模自动化诈骗

AI同时运行技术和社会工程两条线：

• 技术线：扫描目标系统寻找可用的N-day漏洞，AI自动分析修补状态

• 社会工程线：生成个性化诈骗内容，通过邮件/电话/社交媒体大规模投放

• 一旦获得初始访问，AI代理自主执行后续渗透步骤

6.2 为什么传统防御失效？

七、2026年防御前沿：从"AI对AI"到"信任架构重构"

7.1 行业正在做什么？

7.2 但根本问题没有解决

技术问题有技术答案，人性问题没有。

社会工程攻击之所以成立，不是因为技术不够好，而是因为人类信任机制本身是不可能也不应该被消除的进化产物。我们不可能让每个人都变得怀疑一切——那样社会协作将无法进行。

因此，最务实的防御思路可能是：

1. 技术层：AI驱动的自动化漏洞发现与修补（用AI对抗AI）

1. 流程层：强制带外验证机制（out-of-band verification）——任何敏感操作必须通过第二独立渠道确认

1. 架构层：最小化公网暴露面，核心数据本地化

1. 制度层：AI生成内容的源头标记与溯源

1. 社会层：对深度伪造技术的监管框架和法律责任界定

八、结语：矛在加速，盾在哪里？

用户提出了一个看似简单的技术问题——"AI发现的漏洞是已知还是未知"——但这个问题的答案，揭示了一个更为深远的现实：

AI不是"更好地发现了已有漏洞"，而是从根本上改变了"漏洞"的定义。它在代码的语义层面发现了人类集体在数十年间未能察觉的逻辑缺陷。这些不是"未修补的漏洞"，而是"从未被认为可能存在的漏洞"。

更可怕的是，当这种技术能力与社会工程学——人类已知最古老、最有效的攻击方式——相结合时，攻击者拥有了一个完整的军火库：技术层面的矛可以刺穿任何已知的盾，而社会工程则绕过了所有盾牌，直接攻击持盾的人。

谷歌GTIG首席分析师Hultquist的结语或许是最好的总结：

"我们每追溯到一个AI生成的零日漏洞，很可能还有更多我们尚未发现的案例。"

在一个AI能以每小时数千个的速度发现零日漏洞、能以3秒音频克隆任何人的声音、能以视频Deepfake创造一个不存在的"人"的世界里——最危险的漏洞不是代码里的bug，而是我们仍然相信"安全"是一个可以一劳永逸解决的问题。

报告完成时间：2026年7月8日

数据来源：Anthropic Project Glasswing、Google GTIG、Verizon DBIR 2025、MDPI《Computers》2026、微软威胁情报、FBI IC3、公安部、Bright Defense、DeepStrike、CSA研究笔记、SpazioCrypto Research等