Sakana AI 成立安全研究组,专注 AI 驱动的集体网络防御
Introducing Sakana AI’s Security Research Group
Sakana AI 成立独立研发团队 Security Research Group,研究集体式 AI 驱动网络防御及 AI 自身安全,与商业业务分离,成果以公开研究、可复现 benchmark 和实用指南形式服务公共利益。

Sakana AI 正在成立安全研究小组(Security Research Group),这是一个独立的研发团队,研究集体式、AI 驱动的网络防御以及 AI 自身的安全与保障。
我们的研究始于这样一个理念:智能与韧性源自集体,就像鱼群而非单个游鱼。作为一家构建前沿 AI 的公司,我们也相信我们共同承担着使用它的社会安全的责任。与我们的商业业务相分离,该小组的使命是服务公共利益:发布研究、可复现的基准和实用指南,并与政府、产业界和学术界合作开展研究以提升网络安全。
我们所看到的
前沿 AI 发现软件缺陷的能力正在增强,已披露缺陷的数量也在攀升。1 NIST 报告称,2020 年至 2025 年间 CVE 提交量增长了 263%,而 2026 年初的提交量比去年同期高出近三分之一。2 提供日语漏洞信息的 JVN iPedia 在最近一个季度登记的条目数也几乎是去年同期的两倍,其中大部分来自 NVD。3 人们普遍怀疑 AI 在其中起了一定作用,不过仍有待进一步确认:FIRST 指出 AI 辅助发现与管理因素并存,NIST 工作人员表示基于 AI 的发现工具增加了他们的工作量。4 日本政府现在将这一趋势视为国家安全问题。1
压力已经显现。NIST 已停止对较旧记录的常规分析,现在优先处理已知被利用的缺陷。5 日本金融监管机构已要求各机构将应对工作视为管理问题,由最高管理层直接参与。6 缺陷正以机器的速度被发现,却以组织的速度被修复,我们怀疑夹在中间的人正是承担代价的一方。
另一边也在变化。攻击者正在使用 AI 智能体,同时对众多目标发起入侵。7 而 AI 系统本身也正成为目标:NICT 记录到 2026 年第一季度针对 AI 服务端点的探测有所增加。8
为什么更快的响应还不够
更快的分类处置与打补丁是必要的,但为已在运行中的系统打补丁不足以降低整体风险。CISA 对两个财年的审查发现,许多攻击者利用的是众所周知、简单直接的弱点,其中输入验证和内存安全缺陷是最可靠的入侵途径,并呼吁消除长期存在、本可预防的弱点。9 NICT 近期关于针对移动应用后端服务器攻击的警报也指出了同类弱点,例如缺少授权检查和未经验证的输入。10 FBI 对 AI 智能体入侵的描述列出了 SSRF、IDOR、缺少 API 认证和注入。7 即使 AI 让发现这些缺陷变得更快,如果同样的弱点仍不断被引入软件和架构中,这项工作很可能持续增长。
这就是为什么我们相信持久的答案在上游,在于系统的开发过程,包括AI。与其在发布后追逐缺陷,不如在设计构建阶段就防止它们出现,或在那里将其消除。日本政府层面的整体方案也指向同一方向,要求软件供应商应用安全设计原则,并在整个开发过程中使用先进的AI来尽早发现和修复漏洞。1
从上游到下游的四层防御:每个产品的质量、系统的设计与配置、运维与打补丁,以及检测与响应。安全研究小组在全部四层开展工作,长期重心放在上游两层。
质量是日本可以引领的领域
我们建议将此视为一个质量问题。发现和修复漏洞可能被视为安全专家在产品构建完成后单独执行的特殊任务。我们更愿意将其视为产品应具备的质量的一部分,并从源头提升这一质量。日本或许有条件在这方面引领。日本制造业以质量建立了全球声誉,这一传统也是日本产品长期受到重视的原因之一。通过软件安全重新思考质量是一项挑战,也是提升日本形象的机会。
AI在这里也能提供帮助。在成品系统中发现缺陷的同一能力,可以转化为在设计、构建和运维的每一步检查质量的方式,我们将在防御方充分利用它。如果能将优秀人类审查者的专业知识内置到AI代理中,就能以以前难以达到的规模和深度保证质量,而今天发现的缺陷可以教会我们明天不再构建同样的缺陷。这给了防御者希望的理由。
安全是必备质量
质量管理中广泛使用的狩野模型按与用户满意度的关系将质量分为三类:魅力质量,具备时令人愉悦;一元质量,满足程度与满意度同步;以及必备质量。必备质量在具备时不被注意,只在缺失时引起强烈不满。安全是经典例子,安保是另一个;因为它们被视为理所当然,很少被明确要求,两者都很容易被完全排除在质量定义之外。这就是为什么必须从一开始就将它们作为质量要求并内置,而不是在最后进行检查。保持质量意味着努力永不引入导致事件的缺口,无论是在我们运行的软件中还是在AI系统本身中。
安全和安保是狩野模型中的必备质量:满足它们从不会让用户高于中性,但不足会引起强烈不满。概念草图参考狩野等人(1984)。
日本的制约因素
应对AI时代的漏洞在日本很困难,很可能原因如公开文件所述,包括金融厅和日本银行的请求。11
- 外包运营:许多组织将系统维护委托给供应商,因此补丁是否包含在维护合同中,以及谁负责什么,需要事先明确。
- 技术债务:遗留系统和不完整的资产清单会让人难以判断哪些缺陷适用,修复起来更是难上加难。
- 人手有限:短期内大幅扩充 IT 人员并不现实,因此必须把现有的专业能力集中到最关键的地方。
在这些条件下,仅仅增加人手是跟不上需求的。我们将这些困难视为需要解决的结构性问题,也就是设计问题。产品的缺陷越少,所需的供应商协调、补丁窗口和应急人员就越少。在产品建成后通过事件响应来维持必备质量,往往代价高昂。如果改为把投入放在设计与构建阶段,必备质量的总成本就可能下降,节省下来的资源可以投入到一维质量和魅力质量上,从而提升客户满意度。这就是我们长期把重心放在上游的原因。不过,仅靠一个前沿模型还不够:如果没有针对每种环境适配的脚手架以及对整个系统的全局视角,它可能产生误报和不安全的修复。改变不会一夜之间发生,因此我们希望不是以单一组织的身份,而是与日本及世界各地的人们携手前行。
我们的研究领域
我们的研究有两大主题:利用 AI 实现集体防御,以及 AI 自身的安全与保障。借鉴安全-by-design 和质量管理实践,我们规划了以下研究方向:
- 设计即预防:如何在系统构建之前就定义它必须保持的质量,并在其整个运行期间持续检查?如何让整类缺陷变得不可触及?而当仍然需要修复时,如何依据自动化本身无法改写的标准来校验自动修复,并在出问题时快速回滚?
- 以 AI 智能体实现集体防御:攻击者已经在使用 AI 智能体同时攻击多个目标,7而防御在很大程度上仍以单个组织为单位进行。在日本,相关分析已经通过相关人员的努力在组织之间共享,我们希望探索能否以机器速度、在国家规模上运行,让分布在各组织中的防御智能体保持同步,使其中一个智能体观察到的情况反馈到所有智能体下一步的防御方式中。这样,一次被发现的攻击就能成为所有参与方共享的防护。这里的问题尚无定论,包括哪些信息可以共享、需经谁同意,共享信号如何跨组织和供应商边界获得信任,以及当智能体据此行动时由谁负责。
- 保障 AI 自身安全,从防御者自己的智能体开始:AI 背后的系统已经在被探测。8负责分诊和修补的智能体拥有特权访问权限,因此前两个领域都依赖于这一领域。我们如何让 AI 系统抵御攻击和滥用,并确保其行为安全?我们从防御者自己的智能体入手:如何将每个智能体的权限限制在其任务范围内,追溯其行动原因,并确保为防御而构建的工具只用于防御?
我们的研究基础与开放问题
网络安全归根结底是一个共同进化的系统,其中有两组共同进化在起作用:攻击与防御的共同进化,以及 AI 的进步与使这些进步得以持续的安全与保障之间的共同进化。Sakana AI 在自我改进 AI 的研究中亲身目睹了失败,例如智能体找到了绕过所给约束的办法;我们的立场是将这些视为核心的技术问题,而非例外。这使得 Sakana AI 此前的工作成为一个自然的起点,我们的目标是将这些共同进化所揭示的内容反馈到设计中,在那里它成为预防:
- 对抗性共同进化(Digital Red Queen):在编程游戏 Core War 中,我们让 LLM 编写的程序与其自身的前代程序进行进化对抗,结果它们往往在面对未见过的、由人类编写的程序时变得更加通用。我们如何将这一点安全地引入生产环境的蓝队和红队行动中?
- 样本高效搜索(ShinkaEvolve):在紧张的评估预算内进化出更强的代码,我们认为这可能适合在真实世界测试成本高昂的情况下,用于制定检测规则和候选补丁。
- 集体编排(Fugu-Cyber):协调专门的模型,在 CyberGym 上达到 86.9%,在 CTI-REALM 上达到 72.1%,Sakana AI 报告称这与领先的网络安全前沿模型相当。12基准测试结果不一定能迁移到真实的企业环境,而衡量这一差距是我们的研究问题之一。
我们如何运作
为确保我们的工作真正服务于日本更广泛的安全生态系统,安全研究组遵循以下准则:
- 供应商中立:安全研究本身通常与产品推广保持分离。当我们评估 Sakana AI 自身的系统时,我们使用与任何外部工具相同的透明、可复现的条件,并根据需要公布计算预算、迭代次数、测试框架及类似细节。
- 负责任披露:我们正在制定发布政策。目前,我们的原则是公开分享白皮书、基准测试和防御手册,不公开可操作的漏洞利用材料,并通过适当的协调渠道报告发现的漏洞。
- 连接政策与实践:日本拥有完善的安全框架,但将任何框架转化为日常运营实践都很困难,我们的目标是构建两者之间的技术桥梁。
来自该组负责人
安全研究组由 Akihiro Umegai 和 David Ha 领导。
“AI 正在同时改变网络安全的两端,没有任何单一组织能够独自跟上这一变化。我相信安全与保障不是 AI 进步的刹车,而是维持其进步的条件。通过这个小组,我将帮助在日本开启对下一代网络安全以及 AI 自身安全与保障的研究,并与世界分享我们的所学。”
Akihiro Umegai,Sakana AI 安全研究主管
“网络安全是人工智能已经在改变可能性的最明显领域之一,对攻击者和防御者都是如此。防御者需要能够与威胁同步快速改进的工具。安全是一个永不停歇变化的对抗性环境,而这正是我们在进化、集体智能和多智能体系统方面的工作所要研究的问题。作为一家扎根于日本的人工智能公司,我们也希望帮助保护我们正在建设的社会。这就是为什么我们现在就成立这个小组,以及为什么我们将其设置为公开分享其工作。”
David Ha,Sakana AI 联合创始人兼首席执行官
与 Sakana AI 安全研究组合作
我们欢迎与日本及全球的政策制定者、企业和安全研究人员合作。我们也在招聘!如果你想帮助构建人工智能时代的弹性防御,请在我们的招聘页面上查看技术员工(安全研究组)职位。
日语
Sakana AI 成立 Security Research Group

Sakana AI 宣布成立独立研发团队“Security Research Group”,研究利用 AI 的集体网络防御,以及确保 AI 系统本身的安全与保障。
Sakana AI 此前一直基于这样一种理念推进研究:智能且有韧性的系统并非来自一条鱼,而是来自群体。同时,作为开发前沿 AI 的企业,我们也感到有责任保护使用 AI 的社会的安全。今天启动的 Security Research Group 作为与业务活动分离的组织,以贡献公共利益为使命,在公开研究成果、可复现基准和实用指南的同时,与政府、产业界和学术界合作,开展旨在提升网络安全的研究开发。
正在发生什么
如今,前沿 AI 发现软件缺陷的能力正在增强,公开披露的缺陷数量也在持续增加。13 据美国国家标准与技术研究院(NIST)称,2026 年初,为公开漏洞分配识别编号 CVE 的注册申请比去年同期高出近三成。14 提供日语漏洞信息的 JVN iPedia 中,最近一个季度的注册数量也达到去年同期的近两倍(不过其中大部分来自美国漏洞数据库 NVD)。15
AI 在多大程度上参与了这一增长,目前尚不清楚。国际事件响应团队组织 FIRST 除了提到 AI 辅助发现之外,还列举了清理积压案件等事务性因素,NIST 的工作人员则表示,使用 AI 的发现工具正在增加工作量。16 日本政府也将这一动向定位为国家安全问题。13
在现场,负担已经开始显现。NIST 已停止对旧记录进行常规分析,转而采取优先处理已确认被实际利用的缺陷的方针。17 日本金融当局也要求金融机构将其作为经营高层直接参与的经营课题来应对。18 组织性的修复跟不上缺陷被发现的速度,压力集中在一线负责人身上,这就是现状。攻击者开始使用 AI 智能体同时尝试入侵大量目标19,AI 系统本身也正在成为目标。信息通信研究机构(NICT)观察到,2026 年第一季度探测 AI 服务端点(endpoint)的通信有所增加。20
仅加快应对还不够
在这种情况下,快速进行分诊(triage,即确定应处理缺陷的优先级)和打补丁的必要性正在上升。然而,仅继续为已运行的系统打补丁,并不能充分降低整体风险。根据美国网络安全和基础设施安全局(CISA)对两个财年漏洞的审查,许多攻击者利用的并非高级手法,而是众所周知的简单弱点。其中,输入验证缺失和内存安全缺陷成为攻击者最可靠的入口。CISA 呼吁消除这些长期存在、本可避免的弱点。21
NICT 最近也提醒注意针对移动应用背后服务器的攻击,其中列举的同样是授权检查缺失和输入验证缺失等同类弱点。22 FBI 报告的 AI 智能体入侵案例中,SSRF、IDOR、API 认证缺失、注入等弱点也被列为入侵入口。19 即使 AI 发现缺陷的速度提高,只要同样的弱点继续被植入软件和架构中,需要处理的工作就只会增加。
正因如此,我们认为根本解决之道在于包括 AI 在内的系统开发流程的上游。不是发布后追赶缺陷,而是在设计和构建阶段就不制造缺陷,或者当场消除缺陷。日本政府的对策方针也要求软件供应商应用 Secure by Design 原则,并在整个开发过程中使用高级 AI 尽早发现和修复漏洞。13
从上游到下游连贯的防御四个层次。由单个产品的质量、系统的设计与配置、运营与打补丁、检测与响应组成。Security Research Group 将致力于全部四个层次,同时长期将重心放在上游的两个层次。
质量这一日本的优势
我们提议将其视为一个“品质问题”。人们往往认为,漏洞的发现与修复是产品完成之后由安全专家另行开展的特殊工作;但我们认为,它更应被视为产品本应具备的品质的一部分,并应当从源头提升这一品质。
日本制造业凭借品质赢得了世界的信赖。在AI能力不断提升的今天,我们可以从安全的角度重新审视品质这一概念。我们认为,这既是一项巨大挑战,也是日本提升存在感的良机。支撑这一举措的同样是AI。AI能够发现已完成系统的缺陷,这种能力在設計、构建、运营的各个阶段都可以用来确认品质。如果能把优秀评审者的知识嵌入AI智能体,或许就能以过去难以企及的规模和深度来确认品质。如果能形成“从今天发现的缺陷中学习,明天不再制造同样的缺陷”这一循环,那么防守方或许也能看到希望。
安全是“理所当然的品质”
在质量管理中广泛使用的狩野模型,根据品质与用户满意度之间的关系,将品质分为三类:具备时会令人欣喜的魅力品质、满足程度越高满意度越高的线性品质,以及理所当然品质。理所当然品质即使具备也不会被意识到,只有在缺失时才会引发强烈不满。安全性是其典型代表,安全防护也是其中之一。由于它很难作为理所当然之事被明确提出,因此具有容易从品质定义中遗漏的性质。正因如此,不应在最后才检查,而应从一开始就作为品质要求加以确认并内建到产品中。无论是所使用的软件,还是AI系统本身,从一开始就不制造事件可乘之机,才能保持品质。
安全性与安全防护相当于狩野模型中的理所当然品质。即使充分满足,用户的评价也不会超过中立;但若不满足,则会招致不满。概念图基于狩野等(1984)。
日本特有的制约
在应对AI时代的漏洞方面,也存在日本特有的困难。从金融厅和日本银行的要求等当中,可以读出以下情况。23
- 运营外包:许多组织将系统维护委托给供应商。需要事先明确补丁应用是否属于合同范围、由谁承担什么职责。
- 技术债务:老旧系统仍在使用,资产掌握也不充分,因此难以判断新缺陷是否适用于本公司,修复也很费工夫。
- 人员有限:短期内大幅增加IT人员并不现实,需要将现有专业人才集中到最重要的地方。
在这些条件下,靠增加人手来应对的方式是跟不上节奏的。我们认为,应当重新审视产生缺陷的机制本身,在设计阶段就采取措施,这是一个结构性问题。如果产品缺陷预先较少,那么与供应商的协调、补丁应用的名额、紧急应对所需的人员都可以减少。如果试图在产品完成后通过事件应对来保持理所当然品质,那么每发现一个缺陷都会产生成本。如果在设计和制造阶段投资,将理所当然品质内建到产品中,就能抑制这些支出,并将相应资源转向线性品质和魅力品质,从而提高客户满意度。我们之所以将长期重心放在上游,正是基于这样的想法。
不过,这并非仅靠引入前沿模型就能实现。如果缺少适应各个环境的脚手架(scaffolding)以及俯瞰整个系统的视角,AI可能会产生误报或不安全的修复。这样的变革也需要时间。正因如此,我们希望不要在一个组织内完成,而是与国内外利益相关方合作推进。
研究領域
本集团有两大研究支柱:利用AI的集体防御,以及确保AI系统本身的安全与安全防护。以安全设计(Secure by Design)和质量管理知识为基础,我们正考虑开展以下研究。
(1)利用AI的集体防御
- 通过设计进行预防:如何在构建之前定义系统所需的品质,并在运行中持续验证。为了从结构上使特定类型的缺陷无法被用于攻击,应当如何设计。即便如此仍需要修复时,如何验证自动修复的安全性,并在出现问题时迅速回滚。
- 通过AI智能体进行集体防御:攻击者已经在使用AI智能体同时瞄准大量目标。19 另一方面,许多防御目前仍停留在组织单位内。在日本,相关人士的努力使跨组织共享分析得以持续。如何以机器的速度、在全国乃至全球范围内推动这一举措。我们设想的是,例如各组织部署的防御智能体相互协作,使某个组织中观测到的攻击立即反映到整体防御中。如果实现这一点,一旦观测到攻击,其信息就能用于所有参与组织的防御。另一方面,以下问题尚无答案:在何种同意下共享什么信息;如何跨越组织和供应商的边界来保证共享信息的可信度;当智能体基于该信息行动时由谁负责。
(2)确保AI系统本身的安全与安全防护
- 保护AI系统本身(首先从防御方智能体开始):支撑AI的系统已经成为攻击者探索的对象。20 其中,负责分诊和补丁应用的智能体拥有对系统的特权访问权限。如果这些智能体的安全性得不到保障,上述两个领域也无法成立。因此,我们将从防御方智能体开始,研究如何保护AI系统免受攻击和滥用。例如,如何将各智能体的权限限定在职责范围内,如何使其行动依据事后可验证,如何防止为防御开发的工具被转用。
研究基础与未解决的问题
网络安全中的攻击与防御处于“共进化”关系:一方进化,另一方也会进化。此外,AI与其安全性之间也需要共进化。如果安全与安全防护不能随AI的进步而进步,AI的进步本身就无法持续。
Sakana AI在自我改进AI的研究中,经历过智能体找到给定约束的漏洞等失败。我们不把这些失败当作例外搁置,而是将其作为核心技术课题来处理。此外,进化与共进化也是Sakana AI一直置于研究中心的主题。我们将运用在那里积累的方法,把共进化过程中显现的弱点反映到设计中,从而预防缺陷。以下三项研究是起点。
- 对抗性共进化(Digital Red Queen):在编程游戏Core War中,让LLM编写的程序与过去的自己们对战并进化,结果发现,面对人类编写的未知程序,也逐渐表现出通用性增强的趋势。下一个挑战是如何将其安全地引入实际的蓝队和红队运营中。
- 高样本效率探索(ShinkaEvolve):在严格的评估预算下进化出更强代码的方法。它可能适合用于实际环境测试成本较高的检测规则和修复方案的生成。
- 集合式编排(Fugu-Cyber):通过协调专业化模型,Fugu-Cyber 展现出了与网络领域主要前沿模型相当的性能。24 不过,基准测试结果未必能直接套用到实际企业环境中,如何衡量这一差距也是一项研究课题。
运营方针
为了让我们的工作切实服务于日本整个安全生态系统,Security Research Group 将遵循以下方针开展运营。
- 供应商中立:本集团的安全研究原则上与产品宣传相分离。在评估 Sakana AI 自身系统时,也与外部工具一样,在透明且可复现的条件下进行,并根据需要公开计算预算、迭代次数、测试框架等。
- 负责任披露:研究成果的公开方针将于今后制定。当前的原则是,公开白皮书、基准测试和防御用操作手册,但不公开可被滥用的漏洞利用素材。发现的漏洞将通过适当的协调机构进行报告。
- 连接政策与实践:日本拥有完善的安全框架,但各组织在将框架落实到日常运营方面都面临困难。我们致力于成为连接政策与一线实务的技术桥梁。
来自集团负责人
Security Research Group 由梅谷晃宏和 David Ha 领导。
“AI 正在同时改变网络安全的攻方与守方,仅靠一个组织无法跟上。我们认为,安全与保障不是 AI 进步的绊脚石,而是让进步得以长期持续的条件。通过这个集团,我们将在日本开拓下一代网络安全以及 AI 自身安全与保障的研究,并将由此获得的见解回馈世界。”
梅谷晃宏,Chief of Security Research,Sakana AI
“网络安全是 AI 在攻击与防御两方面最能显著改变可行之事的一个领域。防御方需要与威胁以同样速度进化的工具。安全是一个不断变化的对抗性环境,而我们在进化、集体智能和多智能体系统研究中一直致力于解决的正是这类问题。作为扎根日本的 AI 企业,我们也希望成为守护自身所构建的社会的力量。为此,我们现在成立了这个集团,并将公开分享成果。”
David Ha,Sakana AI 联合创始人兼 CEO
与集团合作・招募成员
我们欢迎与日本国内及全球的政策制定者、企业和安全研究者开展合作。我们也在招聘。希望共同构建 AI 时代强韧防御的人士,请查看招聘页面中“Member of Technical Staff (Security Research Group)”职位。
脚注
-
Project YATA-Shield 是由国家安全保障局、国家网络安全局及其他十二个部委和机构于 2026 年 5 月 18 日联合发布的政府整体方案。该方案以前沿 AI 模型在发现和修复漏洞方面能力快速提升为前提,并指出攻击者滥用 AI 正在提高网络攻击的速度和规模。它要求关键基础设施运营者以漏洞将被更快、更大规模地发现和修复为前提加强措施,并提醒软件供应商采用 secure-by-design 原则,在软件开发生命周期中全面使用先进 AI 以尽早发现和修复漏洞。来源:方案 和 摘要。↩
-
NIST 指出,2020 年至 2025 年间 CVE 提交量增长了 263%,并表示 2026 年前三个月的提交量比一年前高出近三分之一。来源:NIST。↩
-
JVN iPedia 在 2026 年第三季度登记了 20,073 条记录,而一年前为 10,869 条;其中 19,913 条采集自美国国家漏洞数据库(NVD),147 条来自 JVN,13 条来自日本产品开发者。统计按登记日期计算,而登记日期跟随 NVD 的发布时间。来源:IPA,JVN iPedia 登记状况,2026 年第三季度。↩
-
FIRST 的年中更新(2026 年 6 月 15 日)将这一增长归因于 AI 辅助发现以及清理 CNA 积压、扩展 GitHub Security Advisories 等行政因素。NIST 工作人员在 2026 年 4 月表示,基于 LLM 的发现工具推动的提交量增加加重了 NVD 的工作负担。来源:APNIC,汇总 FIRST;Infosecurity Magazine。↩
-
NVD 已停止对 2026 年 3 月 1 日之前发布的未充实记录进行例行充实,并优先处理 CISA 已知被利用漏洞目录中的记录、联邦政府内部使用的软件,以及第 14028 号行政命令所定义的关键软件。来源:NIST;Infosecurity Magazine。↩
-
2026 年 5 月 22 日,日本金融厅和日本银行要求金融机构及相关实体将前沿 AI 的应对作为管理层议题,由最高管理层直接参与,并使补丁管理基于风险。来源:金融厅和日本银行。↩
-
FBI FLASH-20261113-001,《ARTEX 自主渗透测试框架威胁概览》,2026 年 11 月 13 日(TLP:CLEAR)。该文将 ARTEX 描述为一个开源、由 LLM 驱动的多智能体平台,威胁行为者已将其武器化,以机器速度自动化入侵的多个阶段,至少自 2026 年 8 月起即在使用,并称它使技能极少的行为者能够同时运行复杂的多目标行动。入侵在不到三小时内达到特权访问这一数字在 FLASH 中引自 Microsoft Threat Intelligence。其列出的初始访问弱点包括 SSRF、IDOR、Web API 缺少身份验证、命令注入、SQL 注入和硬编码凭据;FLASH 未指明具体 CVE 编号。来源:FBI IC3。↩
-
NICTER 记录到 2026 年第一季度针对 AI 服务端点的探测有所增加。暗网观测记录的是未经请求的流量,不计为攻击。来源:NICT,NICTER 观测统计,2026 年 1 月至 3 月。↩
-
CISA 于 2026 年 8 月 26 日发布的《漏洞审查》涵盖 2024 和 2025 财年。该审查发现,许多攻击者针对的是众所周知、简单直接的弱点,而非复杂技术;输入验证和内存安全缺陷是最可靠的入口点;并建议消除长期存在、可预防的弱点,采用 Secure by Design 原则。来源:CISA 公告;完整审查。↩
-
该警报来自 NICT 的 LETTICE 团队,这是一个由参与 NICT 网络安全枢纽(CYNEX)的组织的志愿者组成的联合分析团队。它将 A2B(App-to-Backend)攻击认定为日本近期一系列数据泄露的原因之一:攻击者分析在日本发布的应用程序,以了解其背后的后端服务器和 API,然后攻击每个后端。它列出主要被针对的四类弱点:SSRF、远程代码执行、SQL 注入和 IDOR。来源:NICT CYNEX,2026 年 10 月 13 日警报(Rev. 1.1)。↩
-
脚注 6 所引金融厅和日本银行的要求中出现了全部三个条件。该要求指出,许多金融机构将系统维护委托给供应商,并要求它们确认:当多家机构同时需要打补丁时,供应商能够确保资源以满足服务级别协议。它要求机构清理优先系统中的技术债务,以便能够立即确定补丁的目标。它还指出,短期内大幅扩充现有 IT 人员并不现实。该要求针对金融部门。↩
-
据 Sakana AI 报告,Fugu-Cyber 在 CyberGym 上达到 86.9%,在 CTI-REALM 上达到 72.1%;该页面未给出基线分数或评估设置。来源:Sakana AI,“Introducing Fugu-Cyber”。↩
-
日本政府的对策包“Project YATA-Shield”也体现了前沿AI发现漏洞能力不断增强这一认识。该对策包由国家安全保障局、国家网络统括室等12个部门于2026年5月18日联合发布。其以前沿AI模型发现并修复漏洞的能力正迅速提升为前提,指出攻击者滥用AI正在提高网络攻击的速度和规模。在此基础上,它要求关键基础设施运营商在漏洞将被更快、更大量地发现和修复的前提下加强对策,并提醒软件供应商应用安全设计(Secure by Design)原则,在软件开发生命周期全程使用先进AI尽早发现和修复漏洞。来源:对策包、概要 ↩
-
NIST指出,2020年至2025年间CVE注册申请增加了263%,并称2026年第一季度的申请数量比上年同期多近三分之一。来源:NIST ↩
-
JVN iPedia 2026年第三季度的注册数量为20,073条,上年同期为10,869条。其中19,913条收集自美国漏洞数据库(NVD),147条来自JVN,13条来自国内产品开发者。数量基于注册日期,注册时间受NVD公开时间影响。来源:IPA“JVN iPedia注册状况(2026年第三季度)” ↩
-
FIRST的中期更新(2026年6月15日)指出,增长因素除AI辅助发现外,还包括CNA积压案件的处理以及GitHub Security Advisories的扩大等事务性因素。NIST职员于2026年4月表示,使用LLM的发现工具带来的申请增加正在加重NVD的工作负荷。来源:APNIC(FIRST摘要)、Infosecurity Magazine ↩
-
NVD已停止对2026年3月1日之前公开的未补强记录进行常态化补强(enrichment),并优先处理CISA“已知被利用漏洞目录(KEV)”中的记录、联邦政府内部使用的软件,以及第14028号行政令规定的重要软件记录。来源:NIST、Infosecurity Magazine ↩
-
2026年5月22日,金融厅与日本银行要求金融机构等将应对前沿AI作为经营高层直接参与的经营课题,并使补丁应用基于风险。来源:金融厅、日本银行 ↩
-
FBI FLASH-20261113-001《ARTEX自主渗透测试框架威胁概览》,2026年11月13日(TLP:CLEAR)。其中将ARTEX描述为开源、LLM驱动的多智能体平台。指出攻击者正滥用其以机器速度自动化入侵的多个阶段,至少自2026年8月起已被使用,且即使专业性较低的攻击者也能同时执行复杂的多目标行动。入侵至获得特权访问不足3小时这一数字,是FLASH中作为Microsoft Threat Intelligence的资料引用的。FLASH列举的初始入侵弱点包括SSRF、IDOR、Web API缺乏认证、命令注入、SQL注入、硬编码凭据等,未列出具体CVE编号。来源:FBI IC3 ↩
-
NICTER在2026年第一季度观测到针对AI服务端点的探测增加。暗网观测记录的是单方面到达的通信,并非统计攻击次数。来源:NICT、NICTER观测统计(2026年1月~3月) ↩
-
CISA的漏洞审查(2026年8月26日公布)以2024、2025财年为对象。其指出许多攻击者瞄准的不是高级手法,而是众所周知的简单弱点,输入验证不完善和内存安全缺陷是最可靠的入侵入口,并建议消除顽固存在的可预防弱点、采用安全设计原则。来源:CISA发布、审查全文 ↩
-
该提醒由NICT的LETTICE团队发布。LETTICE是由参加NICT网络安全枢纽(CYNEX)的组织志愿者组成的联合分析团队。其将国内接连发生的信息泄露原因之一列为A2B(App-to-Backend)攻击。攻击者解析国内公开的应用,掌握其背后的后端服务器和API,并攻击各后端。作为主要被瞄准的弱点,列出了SSRF、远程代码执行、SQL注入、IDOR四种。来源:NICT CYNEX、2026年10月13日提醒(Rev. 1.1) ↩
-
三个条件均见于脚注18所列金融厅与日本银行的要求中。该要求指出许多金融机构将系统维护委托给供应商,并要求确认即使多家金融机构同时需要应用补丁,供应商也能确保满足服务级别协议所需的资源。此外,还要求为能立即确定补丁应用对象而消除高优先级系统的技术债务,并指出短期内大幅增加现有IT人员并不现实。该要求以金融领域为对象。 ↩
-
Fugu-Cyber在CyberGym上达到86.9%,在CTI-REALM上达到72.1%。来源:Sakana AI“Introducing Fugu-Cyber” ↩
来源:Sakana AI Blog · sakana.ai