2026-10-24 13:46:16 网络安全文章来源：ZONE.CI 全球网 0 阅读模式

AI暴露数字世界的安全欠账，加速安全企业分化

原创

小编
小编

首席安全官

2026年10月23日 18:13
北京

去阅读

点击上方蓝字，发现更多精彩

北京时间2026年10月21日晚，PHP发布紧急安全更新，修复两项可能导致未经身份认证远程代码执行的严重漏洞。漏洞披露前后，多国政府及公共服务网站采取预防性下线措施，各地运营者紧急排查，云平台和安全服务商部署防护，软件维护者推动补丁分发。

从Firefox到最新的PHP事件，AI正在加速暴露数字世界长期积累的安全欠账，也在降低复杂漏洞的利用研究成本。防御需求随之扩大，但机会不会平均落到每家安全企业。随着模型公司、云厂商和开发平台进入安全工作流程，行业竞争将进一步转向：谁能将模型能力转化为可靠的工程体系，持续交付经过验证的防御结果。

一、从Firefox到PHP漏洞，AI加速暴露安全欠账、释放巨大需求

PHP漏洞引发的全球紧急响应，并非一次孤立事件。此前，大模型已在浏览器、操作系统和基础软件中接连发现严重缺陷。这些发现共同指向一个变化：长期运行、反复测试的软件，正在接受新一轮更深入的检查；过去因研究成本高、利用路径复杂而未被充分认识的风险，开始显现。

2026年3月，Anthropic与Mozilla披露，Claude Opus 4.6在两周内发现了22项Firefox安全漏洞，其中14项被评为高危。但发现漏洞与实现攻击之间，当时仍有明显距离。Anthropic表示，经过针对数十个漏洞的数百次尝试，模型仅在两个案例中成功构造利用。AI已经表现出扩大漏洞发现范围的能力。

4月，Anthropic公布Project Glasswing时进一步披露，Claude Mythos Preview发现了一个存在27年的OpenBSD漏洞，以及一个存在16年的FFmpeg漏洞。后者所在代码曾被自动化测试执行超过500万次，却始终没有暴露这一问题。这些案例表明，软件的使用年限和测试次数，并不能保证深层缺陷已经得到充分识别。

PHP事件进一步展示了AI对复杂利用研究的影响。Wiz披露，形成有效攻击需要串联多个缺陷，并针对目标内存布局反复测试和调试，前沿模型降低了完成这些工作的成本。AI改变的不只是发现漏洞的数量，也包括长期缺陷的实际可利用性。

PHP基金会的复盘则揭示了安全欠账的另一面：其中一项问题在2024年已有迹象，但修复可能破坏兼容性、引入拒绝服务风险，还需调整第三方扩展，加上决策困难、核心开发资源不足，导致修复工作反复停滞。随着AI辅助研究证实其可利用性，这一长期未修复的缺陷成为整个PHP生态必须紧急应对的风险。

这些变化进一步揭示了AI时代巨大的安全需求空间：既覆盖庞大的存量系统，也随AI应用普及而不断扩大。多年运行的网站、业务平台及其底层依赖，需要重新评估风险；基础组件的严重缺陷，还可能形成跨行业的集中排查和修复需求。模型和智能体接触内部数据、调用业务系统、执行实际操作，则进一步增加了权限控制、数据保护、行为监测和操作审计的需求。

黄仁勋也看好这一市场。据彭博社2026年9月10日报道，他认为网络安全将成为AI的下一个重要市场。此前在CrowdStrike大会上，他已指出，网络安全正处于转折点，攻防双方都将获得更强的AI能力。

这一市场的空间，不仅在于为模型和智能体增加防护，更在于让海量数字资产获得更广覆盖、更高频率的检测，以及及时、可靠的修复能力。AI正在加速暴露过去未被充分处理的风险，也使长期未能满足的安全需求变得更加紧迫。

二、从检测报告到持续防御，AI重构安全工作与商业模式

庞大的安全需求，无法仅靠增加人员、工具和报告来满足。PHP事件暴露的关键瓶颈，是发现问题之后，能否及时、可靠地完成修复。当漏洞发现与利用研究加速，依靠周期性检测、人工逐项调查和跨部门反复协调的方式，将面临更大的效率压力。

补丁发布只是中间节点。运营者仍需识别实际受影响的资产和隐藏依赖，判断业务影响，完成兼容性测试、升级部署和结果检查；无法立即修复的系统，则需要临时防护并持续跟踪。如果发现速度持续超过修复速度，更强的扫描能力可能只是带来更多待办工单。

这些工作过去分散在内部安全人员、外包测试机构、软件供应商、开发与运维团队之间。每个环节都可能等待其他团队补充信息、确认责任或安排变更。AI带来的变革，是让智能体连接这些流程，持续收集环境信息、调查风险、调用工具、生成和测试修复方案，并在授权范围内推动处置、检查结果。

这种变化已经出现了具体实践。CrowdStrike推出的SafeMind，在模拟客户环境中组织进攻与防御系统反复测试，将发现问题、调整防御和再次验证连接起来；应用与API安全测试公司StackHawk则强调在应用实际运行时检测漏洞，并利用自动化加快修复。安全工作正在从阶段性的检查，向持续测试与改进延伸。

对安全模式而言，变化在于从周期性检查、发现后处置，进一步走向随环境变化持续验证。一次检测结论不再足以长期代表系统的安全状态。

代码发布、配置调整、权限变化，以及AI漏洞研究能力的提升，都可能使此前的安全判断过时。智能体需要在这些变化发生后重新检查风险，而专业人员负责复杂判断、业务取舍和高风险操作。

产品的关键变化，是将过去依赖人员手动连接的环节，组织为能够持续运行、接受监督并留下验证证据的工作流程。

对商业模式而言，这意味着将原本分散在人工调查、外包测试和修复协作中的部分支出，转化为持续的软件服务。客户购买的内容，可以从一次测试、若干驻场人员或一份报告，延伸到持续的调查能力、风险验证和修复支持。厂商的业务增长，也有机会减少对人员数量同比例增加的依赖。

相应地，产品价值的评价标准也要改变。发现多少漏洞、产生多少告警，只能说明识别了多少问题。客户更需要知道：关键风险暴露了多久，多少问题完成了验证修复，处置是否引入故障，以及同类问题是否反复出现。授权、审批、测试、审计与回滚机制，都是可靠交付的一部分。

AI对安全产业的颠覆，核心在于工作方式和商业模式的重构。能够将发现、判断、修复和验证连接起来，以更低成本持续交付可核验防御结果的企业，才更有机会把巨大需求转化为可持续收入。竞争的重点，也将从“谁能发现更多问题”，进一步转向“谁能持续、可靠地完成风险处置，并验证效果”。

三、安全行业的竞争，不再限于安全企业之间

AI带来的竞争变化，不只是新一代安全企业挑战传统厂商。模型公司、云厂商和开发平台，也正在把漏洞检测、代码审计、修复建议乃至自动修补，嵌入原有产品和工作流程。安全企业面对的竞争者，可能正是客户已经使用的模型、云平台和开发工具。

模型公司已从提供底层能力，走向直接交付安全工具。2026年6月，OpenAI更新Codex Security，将漏洞发现、验证和补丁生成接入开发流程，并通过“Patch the Planet”支持开源软件修复。在此次PHP事件中，OpenAI还参与了修复验证、防护准备和跨机构协调。Anthropic则先后推出Claude Code Security和OSS Scanner，分别面向企业代码库和开源项目提供漏洞扫描与修复建议。

云厂商的优势在于连接代码与运行环境。AWS通过Security Agent及其后续整合的Continuum，提供代码审查、威胁建模和渗透测试；Google Cloud则通过Wiz Skills，将云环境中的风险信息提供给编程智能体，帮助开发者结合实际部署情况修复问题。安全能力由此进一步进入软件开发和运行流程。

开发平台也在直接承接安全工作。Cursor先后推出Bugbot Autofix和Security Reviewer，将问题发现、修复建议与代码修改连接起来。开发者可以在日常代码合并流程中完成部分安全审查，而不必等待单独的检测项目。

国内也在出现类似变化。火山引擎通过安全运营智能体参与告警研判、调查和授权处置，同时以大模型应用防火墙保护AI应用；阿里云百炼将Agent身份、凭证隔离和审计等能力纳入平台；华为云则通过WAF和AI安全护栏提供提示词攻击、敏感信息泄露及接口滥用防护。客户部署模型和应用时，就可以接入部分安全能力。

这些变化意味着，客户获取和采购安全能力的入口正在发生变化。独立安全厂商承受的压力，未必是客户选择了另一家安全企业，也可能是已有平台满足了部分需求，降低了单独采购的必要性。

专业安全企业仍可凭借跨平台治理、独立验证、复杂攻击研究和可靠处置形成差异化。但竞争已不只是谁的模型更强，还包括谁掌握客户环境、谁能进入实际流程，以及谁能可靠执行并验证结果。当基础能力逐渐融入平台，独立安全厂商必须证明：自己还能解决哪些值得客户额外付费的问题。

四、AI加速安全企业分化，可靠工程能力成为关键

AI带来更多安全需求，并不意味着所有安全厂商都会迎来增长。风险增加不等于安全厂商收入同比例增加；行业收入增加，也不等于每家厂商都受益。随着调查、测试和修复能力逐步被自动化，企业之间的分化，将越来越取决于谁能解决复杂问题、融入实际工作流程，并持续证明防御效果。

首先，依赖重复人工的服务模式，将面临越来越大的替代压力。Dropzone AI已经将告警调查做成可以持续运行的软件服务：连接企业已有工具，收集证据、分析告警并输出调查结果。其公布的Zapier案例显示，人工告警调查工作减少了85%。这一厂商披露的个案不能代表所有客户，但已展示出明确的替代方向：一部分过去需要分析师逐条处理的工作，可以由智能体承担。

这意味着，人员规模不再天然代表安全能力。如果一家企业的业务增长仍然依赖人员数量同比例增加，主要通过配置初级人员、执行标准化检查和编写报告交付服务，庞大的团队就可能逐步成为成本压力。面对自动化服务，客户可以要求降价、减少外包人力，或者更换供应商。无法改造交付方式的企业，即使短期仍有订单，也可能逐步陷入价格下降、利润收缩和客户流失，最终式微或退出。

真正需要区分的，是人员规模背后承载着什么能力。复杂事件响应、底层漏洞研究、行业知识和工程实施经验，仍然可能构成壁垒；可以反复复制的基础操作，则越来越难以支撑溢价。

低差异化工具将受到平台内置能力的挤压。微软已宣布将Security Copilot纳入Microsoft 365 E5，在规定容量与资格条件下逐步开放。当部分安全能力成为既有订阅的组成部分，独立产品就需要证明额外采购的价值。

仅仅重复发现相同问题，或者将通用模型输出包装成另一套控制台，难以长期支撑单独采购。缺少独特研究能力、环境理解和执行能力的产品，会更容易被整合、替换或边缘化。

但这不意味着新兴安全企业必然胜出。CrowdStrike的探索说明，既有安全厂商仍然可以凭借安全数据、攻防经验和部署基础改造产品。网络安全企业的胜负取决于这些积累能否转化为可靠的自动化能力。

网络安全企业的核心竞争力都将越来越体现为：能否将安全专业知识、客户环境数据与模型能力结合，转化为持续运行、可靠执行并验证效果的工程体系。这至少包含三项相互连接的能力。

一是准确判断风险。模型可以调用，但客户的业务关系、权限边界、系统依赖和历史变化，需要持续积累与分析。区分误报与真实风险、判断攻击路径和业务影响，才能避免把更多发现变成更多噪声。漏洞研究、威胁情报和实战经验，仍然是这种判断的重要基础。

二是可靠推动处置。PHP事件表明，确认漏洞之后，还需要解决修复取舍、兼容性、部署和验证。能够连接开发、运维与业务流程，在明确授权下推动修复，并控制变更风险，才能把模型能力转化为客户环境中的实际行动。

三是持续证明效果。客户需要知道哪些风险已经得到控制、处置用了多久、是否影响业务，以及修复后是否重新验证。证据、审计、审批和回滚机制，都是可靠交付的一部分。一次演示或一项模型评测，无法替代长期运行中的检验。

对中国网络安全厂商而言，这种分化还涉及原有客户资源和交付模式能否转化为新的竞争优势。长期服务政企客户所积累的行业知识、部署基础和业务信任，仍然具有价值。但如果这些积累主要依附于项目人员，每增加一个客户，都需要重新投入大量驻场和定制开发，AI就未必能够改善交付效率，反而可能增加模型、算力和系统集成成本。

即使客户提出新的AI安全需求，也不意味着原有安全厂商自然具备承接能力。关键在于，厂商能否理解具体场景，将模型能力融入客户流程，交付有效防护，而不是沿用原有工具和人工作业方式，再增加一层“AI安全”的包装。

因此，评价中国安全厂商的AI转型，不能停留在发布了多少AI安全产品、接入了哪些模型。更有价值的观察是：产品能否进入客户的实际流程，能否将行业经验沉淀为可复用能力，减少重复人工与定制工作，能否形成持续付费，以及能否用修复时间、调查质量和风险处置完成情况证明效果。

中国安全厂商的分化，将越来越取决于能否把“拥有客户”转化为“持续解决客户问题”的能力。能够将专业知识、行业经验与模型能力转化为可靠工程体系的企业，有机会扩大优势；主要依靠客户关系、重复人力和低差异化交付的企业，则可能在需求增长的同时，承受更大的成本与价格压力。

能否把模型“能够做什么”，转化为客户环境中“能够可靠完成什么”，并证明实际风险因此下降，将成为安全企业竞争力的重要分界。

精彩回顾