2萬美元幾小時，最強AI模型攻破27年無敵系統！暴力破解時代來了！

抓住風口

本期要點：AI帶來了解題新思路——遍歷式求解

你好，我是王煜全，這里是王煜全要聞評論。

先問你一個問題，假如在IT產業，AI模型只需要2萬美元就能找到一個隱藏了27年的重大系統漏洞，那你的行業又會如何被AI顛覆？

據媒體透露，上周，Anthropic啟動了一項名為“玻璃之翼”（Project Glasswing）的內部計劃。

他們將自己最前沿的Claude Mythos模型，提供給了包括微軟、谷歌、英偉達等約40家核心公司與機構，讓他們去發掘自己系統中的漏洞。因為據Anthropic稱，這個模型能力過強，如果直接貿然公開，可能帶來不可控的網絡安全風險。

比如Claude Mythos只用了幾個小時，就在OpenBSD系統的核心代碼中識別出了一個此前從未被發現的關鍵漏洞。

簡單介紹一下，OpenBSD是一個以極致安全著稱的開源操作系統。從1999年發布以來，它的代碼經過全球開發者數十年的反復審計，廣泛應用于對安全要求極高的網絡設備、防火墻和服務器中。

然而，Claude Mythos發現，攻擊者只需要發送兩個精心構造的網絡數據包，就能導致主機系統崩潰。這意味著，全球無數基于此系統的關鍵網絡節點，都可能因此癱瘓。而更令人驚訝的是，完成這次深度挖掘任務的整體成本，只有大約2萬美元。

不過，當所有人的注意力都放在網絡安全問題這個層面時，我們不妨把鏡頭拉得更遠一些。類似的情節，在另一個領域就曾上演。

今年1月，我們就曾報道，清華大學智能產業研究院在《Science》雜志上發表了一項名為DrugCLIP的研究。

他們訓練了一個深度神經網絡，只花了24小時，就在人類2萬個蛋白質與5億個藥物分子所構成的、接近10萬億種配對中找到了大量藥物組合。經過實驗驗證，其中不少組合都是有效的。

在硅谷，一個AI模型用2萬美元和幾小時就從曾被人們認為無懈可擊的的系統中找到了漏洞。在北京，一個AI系統用24小時就從10萬億種可能性中定位了新的候選藥物。

兩件事看似無關，但都表明了，AI給我們帶來了解決問題的全新方法，也就是用算力對某個領域的所有可能性進行系統性的遍歷與篩查。我們可以稱其為 “遍歷式求解”，而且這種范式變革可能會重塑每個行業。

遍歷式求解

首先，這種“遍歷式求解”的內核到底是什么？又有什么價值？

過去，我們試圖通過理解原理機制或天才的靈光一現來解決復雜問題。但在現實世界巨大的可能性面前，這種方法必然會碰到天花板，成本也高得令人望而卻步。

比如，在網絡安全領域，專家要在代碼所有的可能執行路徑中，憑借經驗去猜測漏洞可能藏在哪里。可是對一個百萬行級的代碼庫進行一次全面的人工滲透測試通常需要數萬乃至十幾萬美元，且耗時數月。

在藥物研發領域，研發一款新藥，平均要投入26億美元和超過十年時間，但最終成功率不到10%。

于是，新的解題邏輯應運而生，也就是將問題轉化成計算機可以高速、低成本、并發處理的形式。

一條路徑是特征提取與匹配。

清華大學將蛋白質口袋的形狀以及藥物分子的結構轉換成兩組高維的向量，這樣一來，判斷兩者能否結合，就從模擬相互作用的繁重計算，轉變為計算兩個向量的相似度。

另外一條路徑就是并行探索與測試。

雖然沒有太多公開的細節，但我們也可以合理推測，Claude Mythos很可能是將人類安全專家的滲透測試工作流程自動化了。從而可以讓成百上千個Agent同時測試，對代碼進行地毯式的掃描。

模型會閱讀代碼，理解其結構；再基于學到的知識，提出測試假設；之后，模型還會行動，生成測試代碼，去驗證這個假設，并觀察結果；當測試失敗后，它還能修改方案，重新測試。

無論是哪條路徑，它們都不再依賴人類專家的直覺，而是通過構建一套可以自動運行的系統來解決問題。

這種“遍歷式求解”范式的核心價值在于重構了探索未知的成本結構。

舊模式下，一個項目啟動起來確實相對容易，但每多測試一個分子，每多審查一行代碼，成本都會累積。

新范式下，主要成本集中于前期系統的構建。一旦系統建成，增加探索廣度和深度的邊際成本就只不過是算力而已。

這就像福特把流水線用于汽車的生產，通過規模標準化生產的方式改變了汽車的成本結構，從而給汽車產業帶來了根本性的改變。

擴散

可以預見，這個新范式必然不會只停在網絡安全和藥物研發，一定會流向所有類似的、過程可以工程化的領域。

許多行業已經呈現出可被遍歷的潛力。

例如芯片設計，本質就是在海量的晶體管級微架構組合中，尋找特定約束下的最優解。傳統設計依賴工程師的經驗，未來的EDA工具，可能會讓AI Agent并發探索，快速鎖定最優方案。

再如材料科學中，尋找新材料的過程，就是在元素、晶體結構、合成工藝構成的龐大組合中進行搜索。

傳統模式依賴研究人員像炒菜一樣試錯，未來也可以借鑒清華大學篩藥的思路，將材料特征向量化，進行大規模篩選，從而縮短研發周期。

此外，你也別以為這一范式只是研發人員的專屬工具，其實平時很多日常工作也可以工程化，并通過“遍歷式求解”的方式破解。

前段時間，我的合伙人賀志剛老師就分享了一個內容工程化的思路。

過去，策劃爆款內容依賴策劃者的敏感度和靈感。但其實，可以將內容解構為場景、年齡、痛點、情緒、解決方案等多個維度，再進行組合。隨隨便便就能得到數十萬個組合，一輩子也做不完。

那么，我們也可以進一步思考，創作者也可以用“遍歷式求解”的方式，基于這個結構化清單批量生成內容，再投入社交平臺進行A/B測試。數據會迅速揭示哪些組合是具有潛力的方向，值得進行深挖。

所以，關鍵是你能否把思維打開，能否用AI構建工程化的流程來探索自己領域里的復雜問題。

那么，你得到了什么啟發？又準備怎么做呢？歡迎在評論區分享你的思考。

以上就是今天的內容，最后做個小廣告。5月10日，我們的硅谷考察團就將啟航了。我將帶你，在英偉達、谷歌和Meta，在亞馬遜和微軟的云服務中心，以及在斯坦福和納斯達克創業中心，一起和創業者、研究者面對面，看AI如何真正進入業務流程，變成改變行業的產品和公司。

歡迎你和我一起，到一線沉浸式地觀察和思考產業變化，看懂AI浪潮。考察團名額有限，快快掃碼報名吧！

更多的科技產業新趨勢和底層規律，歡迎加入科技特訓營學習，先人一步，領先一路！

王煜全要聞評論，我們明天見。

硅谷AI考察，請掃碼報名↓

↓長按圖片掃碼報名，先人一步，領先一路

最后， 鑒于公眾 號推送機制的改變，你未來刷 到要聞評論的機會可能沒那么多了，建議你加入粉絲群，第一時間 得到我的獨家前沿分析，而且我們還會每天在粉絲群里發布獨家資料 ，快快掃碼加入吧！

此外，我們還為您準備了一個思維導圖，掃描加群即可領取

“AI for Science”

↓點擊學習王煜全老師最新大師課，掌握馬斯克的賺錢底層邏輯！