网络安全行业正在被逐层炮击：下一个被重新定价的技术方向是什么？

原创

jishuzhain
jishuzhain

OnionSec

2026年11月6日 20:32
广东

去阅读

— ◆ —

从安全运营、漏洞挖掘、自主渗透，到逆向工程。

3 月 13 日，我在朋友圈看到一篇文章：《Memfit AI：连续渗透测试 N 小时不迷路的生产级 AI Agent》。

当时我随手写了一条朋友圈：

忙完自己的事情后，闲下来把今天朋友圈遇到的 AI 相关的文章都阅读一遍，保持敏感度。以前读过一篇公众号文章，大意是说安全渗透人员或者研究人员，不建议执着于构建效率工具，因为对于很现实的劳动力市场来说，往往会反向影响到自己。
这不是我的观点啊。

当时只是觉得这个观点有意思。

现在是 11 月 6 日。

回头看这八个月，网络安全行业的 AI 技术发展，已经出现了非常值得关注的变化。

—最早受到明显影响的是安全运营。

—随后是漏洞挖掘。

—现在，自主渗透测试平台也开始走向成熟。

—而原本被认为技术门槛较高的逆向工程和二进制安全，同样已经出现了令人意外的进展。

我开始思考一个问题：

如果连这些需要多年经验积累的专业领域，都开始受到 AI 的直接冲击，那么网络安全行业还有多少传统意义上的技术护城河？

• • •

01

一、先从安全运营开始

安全运营是最容易理解的方向。

—告警分析

—日志检索

—威胁情报关联

—事件归类

—攻击链研判

—报告编写

这些工作需要大量信息处理、知识检索和逻辑推理。

过去，一个安全分析人员需要在不同系统之间切换，查询日志、关联 IOC、分析上下文，再形成研判结论。

现在，大模型已经能够参与其中相当多的环节。

特别是当 AI 可以调用 SIEM、EDR、情报平台和内部知识库时，它就不再只是一个回答问题的聊天机器人，而是能够执行查询、整理证据和生成分析结论的工作代理。

我自己以前做过终端威胁检测、恶意样本分析和告警治理，也尝试过把 IDA、IDAPython 与大模型结合，构建自动化研判流程。

所以我很清楚，这类工作的时间究竟消耗在哪里。

很多时候，真正困难的不是某一个技术动作，而是大量重复的信息收集、上下文整理和判断过程。

AI 不需要完全替代一个高级安全分析人员。

只要能够承担其中一部分重复性较高的任务，就足以改变团队的人员配置。

• • •

02

二、接下来是漏洞挖掘

漏洞研究的专业门槛更高。

它涉及代码理解、程序逻辑、内存安全、输入边界、异常状态和漏洞验证。

过去，研究人员需要花费大量时间阅读代码、寻找可疑路径、构造测试用例，再通过调试和实验确认漏洞。

现在，大模型已经能够参与这些过程。

2026 年 11 月 4 日，OpenAI 公布了一项 Linux 内核漏洞研究成果。

其自主研究流水线分析了 2,308 个候选问题，动态复现了 1,724 个漏洞，并生成了 948 个本地提权 Exploit。

整个过程花费约 121.3 万美元的 API 费用。

需要说明的是，这项研究使用的是尚未公开发布的专用网络安全模型，并不是普通用户随手调用的通用模型。

但这个案例的意义已经非常明确：

漏洞发现、动态验证、利用开发和补丁生成，正在被组织成可规模化执行的自动化流程。

这已经不是简单地让 AI 帮忙阅读代码。

它开始进入过去需要专业研究人员长期投入的工作领域。

• • •

03

三、自主渗透：从辅助工具走向任务执行

3 月份看到 Memfit AI 时，我关注的是 AI Agent 如何在长时间渗透过程中保持任务目标和上下文记忆。

到了现在，自主渗透平台已经开始把资产识别、信息收集、漏洞验证、攻击路径探索和结果整理组织成连续流程。

以 ARTEX 及多智能体渗透平台的发展为例，行业正在从单个模型辅助执行，转向多个智能体协作和统一调度。

这意味着技术竞争不再只是哪个模型能够回答更好的渗透测试问题。

还包括：

—如何分配任务

—如何调用工具

—如何验证结果

—如何处理失败

—如何保证整个执行过程处于授权范围内

当然，真实企业环境远比演示环境复杂。

网络拓扑、权限体系、身份认证、业务状态和安全设备都会影响最终执行效果。

但对传统渗透测试服务来说，变化已经发生。

企业购买的是发现问题、验证风险和交付结果，而不是一定数量的人工操作时间。

如果平台能够承担越来越多标准化工作，传统服务的交付成本和劳动定价自然会受到影响。

• • •

04

四、连逆向工程，也不再是安全人员的避风港

我原本以为，逆向工程和二进制安全可能是 AI 比较难以突破的领域。

毕竟，这类工作涉及汇编指令、控制流、数据流、内存布局、调用约定、动态调试和复杂程序状态。

但最近的一些案例，让我不得不重新评估这个判断。

2026 年 10 月，Anthropic 公布了一项研究：使用内部研究模型分析真实软件中的复杂漏洞。

其中一个 Android 案例尤其值得关注。

模型不仅分析了 Android 的开源代码，还逆向分析并反混淆了 Google Play Services 的二进制文件，随后在实体 Pixel 9 上进行测试，最终将多个漏洞组合成锁屏绕过和数据提取攻击链。

这已经涉及传统逆向工程师需要掌握的多项专业能力。

另一个值得关注的是 2026 年 10 月发布的人机逆向工程对比研究。

研究人员使用 IDA Pro，让九种模型分析二进制程序，并与人类分析人员进行比较。

其中 GPT-5.5 Pro、Claude Opus 4.8 和 Kimi K3 在两项静态分析挑战中达到了统计意义上的人类竞争水平。

这里需要严谨一点：两项挑战不能代表全部逆向工程，也不能据此断言 AI 全面超过资深逆向工程师。

但它至少说明，部分过去需要专业人员长期积累的二进制分析能力，已经可以由顶级模型在特定任务中实现。

而且 AI 的速度优势，使这个问题变得更加现实。

我认为，逆向工程不应该再被视为一个可以长期躲避 AI 冲击的技术避风港。

• • •

05

五、真正的冲击，不需要 AI 完全超过专家

这里是我最想表达的观点。

现在讨论 AI 替代工作，经常陷入两个极端。

—一种观点认为，AI 还不能完全独立完成复杂工作，因此暂时不必担心。

—另一种观点认为，AI 已经能够完成大量工作，因此所有专业人员都将被替代。

我觉得这两种判断都不够准确。

企业用人并不要求 AI 在所有方面超过专家。

假设一个高级安全研究人员的工作包括：

—代码阅读

—漏洞分析

—调试

—PoC 编写

—攻击链验证

—报告整理

AI 即使只能够稳定承担其中一半的工作，也可能显著改变团队的生产效率。

原来需要十个人完成的项目，现在可能只需要六个人。

也可能企业不裁员，但下一轮招聘时减少岗位数量。

对于正在寻找工作的技术人员而言，这已经是一个非常现实的问题。

因为劳动市场不需要等到 AI 成为世界上最优秀的逆向工程师，才开始重新评估逆向工程师的招聘需求。

技术能力只需要跨过企业愿意调整用人方式的门槛，就足以产生冲击。

而且，受到影响的并不只是网络安全。

软件开发、数据分析、财务分析、法律研究、咨询和大量以知识检索、推理、信息整理及代码编写为主要劳动内容的岗位，都面临类似的问题。

这并不意味着 AI 的整体生产效率会指数增长。

模型能力、工具调用、任务成功率和真实生产效率之间，还有很多工程环节。

但是，对于某些高度依赖推理和信息处理的脑力劳动，局部能力的提升已经足以产生很大的劳动替代效应。

• • •

06

六、生产力提高，也可能创造新的需求

这里不能一棍子打死。

如果只讨论 AI 替代劳动，而不讨论生产效率提升后可能产生的新业务，分析就是不完整的。

例如：

—过去一家企业可能一年只能负担两次渗透测试。

—如果自动化将单次测试成本大幅降低，企业可能开始提高测试频率，扩大资产覆盖范围，甚至探索持续性安全测试服务。

—过去没有预算购买专业安全服务的中小企业，也可能成为新的客户。

—类似的变化还可能发生在漏洞研究、软件安全检测、恶意软件分析和企业安全运营领域。

—原来因为成本过高而无法开展的业务，可能因为技术进步而变得具有商业可行性。

—企业也可能利用生产率提升后的资源，探索新的产品、新的市场和新的业务方向。

这意味着 AI 不仅可能替代现有劳动，也可能创造新的劳动需求。

但两者需要分开讨论。

新业务能否形成，取决于客户需求、支付能力、商业模式和企业经营决策。

即使新岗位出现，也不意味着原来的从业者能够无成本转型。

—一个传统安全分析人员，未必能够直接成为 AI Agent 架构师。

—一个逆向工程师，也未必能够立即转型为 AI 安全研究员。

生产力提高和就业结构改善之间，并不存在自动等号。

• • •

07

七、那么，普通技术人员何去何从？

我没有什么特别宏大的建议。

只是觉得，有几个现实问题值得认真考虑。

1.第一，不要把某一种工具、框架或者编程语言当成长期护城河。今天熟悉某个 Agent 框架可能是一项优势，明天它可能已经成为基础设施。

2.第二，不要只关注自己能否更快地完成工作，还要关注企业为什么需要这项工作。

3.第三，尽可能把自己的经验沉淀为可复用的工程成果、工具、研究方法和产品能力。

4.第四，保持对技术变化的敏感度，但不要陷入无止境的技术焦虑。

一个人不可能同时追踪所有模型、Agent 框架和研究成果。

更实际的做法，是持续观察自己所在领域的关键工作流，判断哪些任务正在被自动化，哪些能力仍然需要复杂的工程验证。

还有一点：

不要把自己的全部价值绑定在某个具体职业名称上。

安全运营、漏洞挖掘、渗透测试和逆向工程，本质上都是解决安全问题的不同技术路径。

当工具发生变化，解决问题的方法也需要随之变化。

• • •

尾声

最后

3 月 13 日，我只是随手转发了一个关于 AI 自动化渗透的技术话题。

11 月 6 日，再回头看，已经有太多值得重新思考的东西。

从安全运营，到漏洞挖掘，再到自主渗透和二进制逆向。

我不认为网络安全行业会因此消失，也不认为所有技术人员都会失去工作。

但我确实认为，过去建立在专业知识稀缺性之上的部分劳动价值，正在受到前所未有的挑战。

未来可能会有更多业务、新的岗位和新的技术领域出现。

只是这些机会能否及时出现，能否吸纳原有从业者，又能否让他们分享生产率提升的收益，都需要时间验证。

生产力提升是一回事，生产关系如何调整是另一回事。

对于普通技术人员来说，最现实的问题可能不是 AI 最终会不会取代自己。

而是当自己掌握的技能越来越容易被复制时，自己还能凭什么获得合理的劳动报酬？

这不是反对技术进步。

恰恰相反，正因为技术进步太快，我们才更有必要认真讨论它带来的现实后果。

◆