分类：AI编程
OpenAI 近期发布研究《A thousand fewer paths to root》，披露其即将推出的自主网络安全模型在 30 小时内发现并武器化了 948 个可在 Linux 内核中使用的本地提权（Local Privilege Escalation，LPE）漏洞。仅 API 算力成本就达到 1,213,430 美元。对安全研究而言，这是一次自动化漏洞挖掘能力的展示；但对开源项目维护者来说，它提出了一个更现实的问题：当 AI 可以批量制造漏洞报告，谁来承担后续验证、修复和长期维护的成本。
30小时生成948个提权利用
根据 OpenAI 的研究，该模型在短时间内完成了大量攻击路径探索，并产出 948 个可用的 LPE 利用。这类漏洞通常允许低权限用户或进程提升为更高权限，对于操作系统内核而言属于高风险问题。相关分析提到，这一过程消耗了大规模算力，仅 API 计算费用就达到 1,213,430 美元。
从技术基准角度看，这一结果说明 AI Agent 已经具备自动发现系统漏洞、构造利用代码，并将漏洞转化为可执行攻击路径的能力。它不再只是辅助搜索已知问题，而是在主动生成候选攻击方案。这也是该研究受到关注的原因。
漏洞可以被批量生产，补丁不能
真正的压力出现在漏洞发现之后。生成候选攻击利用可以在 30 小时内完成，但处理 948 个内核漏洞并不是简单打补丁。对 Linux 内核这样的关键基础设施，维护者需要完成分诊、测试、验证、修复，并把补丁回移到多个 LTS 长期支持分支。整个过程还必须避免影响全球生产环境中的云基础设施。
素材指出，这类工作可能需要数千小时的人工劳动。与 AI 生成漏洞相比，修复漏洞更依赖工程判断。大模型可以轻松生成漏洞利用的概念验证，但无法保证一个候选修复方案不会在关键调度器路径中引入细微的并发死锁或内存损坏问题。
- AI 可以批量生成漏洞报告和 PoC，但维护者需要逐一确认其真实性与影响范围。
- 内核补丁不仅要修复当前问题，还要避免破坏已有功能。
- Linux 内核被广泛用于关键系统，一个错误补丁可能造成大范围稳定性风险。
因此，文章将这种现象称为开源项目的“响应税”：自动化系统在前端快速产出大量漏洞，而响应成本被转移到后端维护者身上。相关观点甚至认为，这相当于对志愿维护者发起一场企业级拒绝服务攻击。
“负责任披露”需要配套资源
对于 AI 实验室而言，自动化漏洞挖掘可以被描述为提高软件安全水平的工具。但如果只有漏洞报告被提交给开源社区，而没有相应的资金、工程支持和维护资源，这种做法就难以被称为完整的“保护生态”。素材认为，如果 AI 实验室希望声称自己在让生态更安全，那么在没有资助上游维护的情况下倾倒原始漏洞报告，并不是负责任披露，而是把企业研发成本转嫁给开源志愿者。
Linux 内核的特殊性在于，它对错误几乎没有容忍空间。所谓“幻觉”在聊天机器人中可能只是一段不准确回答，但在内核补丁中可能变成系统故障。素材提到，一个损坏的补丁可能影响银行大型机和全球云可用区。对于这样的项目，漏洞报告数量突然被 AI 放大，本身就意味着新的运营风险。
自动化安全研究进入现实阶段
这次争议并不是否定 AI 在安全研究中的价值。相反，它说明自动化漏洞挖掘已经进入可以产生实际影响的阶段。问题在于，安全研究并不止于发现漏洞。完整的流程还包括修复验证、补丁分发、长期维护和与下游系统协调。
当 AI Agent 能够以较低边际成本批量发现漏洞时，开源项目面临的将不只是技术问题，而是资源匹配问题。谁提交漏洞，谁验证漏洞，谁支付维护成本，谁对修复后果负责，这些问题正在成为 AI 安全时代必须回答的基础设施议题。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/openai-30-xiao-shi-wa-chu-948-ge-linux-ti-quan-lou-dong-kai
