万万没想到,AI x Crypto 最先落地的是安全审计

链捕手Dipublikasikan tanggal 2026-06-26Terakhir diperbarui pada 2026-06-26

Abstrak

AI正深刻改变加密领域安全审计的格局。数据显示,2026年上半年DeFi领域安全事件频发,累计损失约9.42亿美元,其中第二季度尤为严重。传统观点认为安全审计需求稳定,但以Claude Mythos为代表的新一代AI工具大幅降低了发现智能合约漏洞的门槛,攻击者可快速扫描并利用漏洞,使得传统审计报告的有效期急剧缩短。 攻击不再局限于小型协议,即使经过多家知名机构审计的头部协议也频繁遭殃。攻击手段扩展到社会工程学、基础设施配置缺陷等领域,显示代码审计的覆盖范围存在局限。例如,Drift Protocol和KelpDAO均因非代码层面的漏洞导致重大损失。同时,AI也在辅助攻击者挖掘多年前部署的旧合约漏洞,使历史审计的保护价值归零。OpenZeppelin联合创始人甚至公开表示“所有DeFi都不安全”,引发行业广泛讨论。 面对挑战,项目方开始基于新标准进行防御性的重复审计,但这更多是应对风险的被动支出。审计机构则加速转型,一方面研发AI辅助审计系统提升效率,如OpenZeppelin推出Skills系统将安全防线前移;另一方面,商业模式正从一次性报告交付转向提供持续监控、形式化验证等嵌入式服务。例如,AI原生审计工具Firepan在已被多重人工审计的Curve合约中发现了新的组合型漏洞,展现了AI在防守端的潜力。 总之,AI加剧了攻防两端的竞赛。对于项目方,安全已成为需要持续投入的基础设施;对于审计机构,唯有加快技术和服务模式的重构,才能适应新时代的竞争。安全审计赛道正从红利模式转向激烈的竞争模式。

数据显示,截至 6 月,DeFi TVL 已从年初的约 1150 亿美元下降至约 700 亿美元,跌幅达到 39%,几乎每个月都在下降。

与此同时,安全事件给 DeFi 带来了另一重压力。根据统计,2026 年以来 DeFi 领域已发生 121 起黑客攻击,累计损失约 9.42 亿美元。其中仅第二季度就爆发了 85 起事件,损失达到 7.75 亿美元,成为该统计周期内攻击活动最频繁的季度。

随着新一代 AI 工具的普及,查找智能合约漏洞的成本和技能要求大幅降低,安全审计公司被迫站到了这场变局的中心。

一、攻击端的 AI 化,旧安全防线正在失效

旧逻辑的崩塌

每当行业谈起 AI 对加密领域的影响,第一反应往往是量化交易、智能投顾、链上数据分析。但现实的走向出乎所有人意料:AI 最先打穿的,是这个行业里原以为最稳健的那门生意——安全审计。

两三年前,安全审计公司是投资机构眼中参与加密行业红利的保守标的。逻辑简单直接:只要有新协议上线,就需要审计;行业越繁荣,审计需求越旺盛;客单价高,收入稳定,不依赖代币价格涨跌。

Immunefi 数据显示,DeFi 协议因黑客攻击造成的损失曾从 2022 年峰值的 26.2 亿美元下降 74%,至 2025 年的约 6.8 亿美元。跨链桥攻击占 DeFi 总损失的比例从 2022 年的 73% 大幅降至 2025 年的 3%。行业普遍相信,安全审计的持续成熟正在发挥作用。

然而,这个判断逐渐被打脸。

6 月 9 日,Anthropic 发布新一代 AI 模型 Claude Mythos。市场上随即出现了一种观点:近期头部协议攻击频次的异常上升,或与前沿 AI 模型能力的持续跃升存在关联。

Moonrock Capital 创始人 Simon Dedic 指出,随着新一代 AI 工具的普及,查找智能合约漏洞的成本和技能要求将降至基本为零,未经审计的协议将成为靶子,已知漏洞将被持续重演。

Chainalysis 的数据印证了这一趋势:过去六个月,仅针对源代码未公开验证合约的攻击就造成约 3670 万美元损失,攻击者通过 AI 辅助反编译原始字节码寻找漏洞,大语言模型已能规模化识别漏洞模式,系统性扫描数千个合约,Truebit、Aperture Finance、Ekubo 等协议均在其中。

攻击者的发现到执行全流程,正在被压缩到分钟级。传统审计报告的有效期以月计,这个时间差,是旧审计模式最致命的结构性裂缝。

审计过了,照样被黑?

黑客攻击的主要目标,已经不再是二三线小协议。Drift Protocol 是 Solana 上的头部永续合约平台,智能合约经过多家知名安全机构多轮审计。但安全机构 TRM Labs 的调查显示,攻击者通过长达 6 个月的社会工程学攻击,逐步渗透 Drift 团队成员,最终获取特权管理员密钥。

KelpDAO 的情况也类似。攻击者利用 LayerZero 跨链桥的单一验证节点配置漏洞,伪造存款并铸造无抵押代币,46 分钟内盗走 2.93 亿美元。事后查明,多验证节点配置方案此前曾被推荐,但未被采纳。合约审计通过,基础设施配置存在缺陷,损失依然发生。

在那些通过审计协议,尽管覆盖了代码正确性,却在业务逻辑和运营流程攻击者绕开

另一方面,AI 的扫描范围也不只针对新协议。Web3 安全公司 GoPlus Security 指出,攻击者正借助 AI 技术大规模挖掘多年前部署的历史合约漏洞。6 月 9 日,一份部署了 7 年的以太坊合约 Token of Power 遭到攻击,损失约 150 万美元;5 月 25 日,运行了 3 年的 WUSD.fi 合约被攻击,损失约 20 万美元;Aztec Network 的一份 2 年前部署的旧合约,在 6 月 14 日和 18 日接连被攻击两次,合计损失超过 400 万美元。说明,旧审计报告的保护有效期,可能已经归零。

就在上个月,加密安全公司 OpenZeppelin 联合创始人 Manuel Aráoz 表示,其现认为“所有 DeFi 都不安全”,并称自己已建议亲友退出包括 Aave、MakerDAO 和 Compound 在内的全部 DeFi 仓位。他的理由是 AI 编程 Agent 发现漏洞的能力已达到超人级,而智能合约安全的结构极度不对称——防守方必须修补每一个漏洞,攻击者只需找到一个有效入口。

OpenZeppelin 曾为 Aave、Compound、Uniswap、Coinbase 提供审计服务,是加密行业最重要的智能合约安全基础设施提供商之一。这番表态从他口中说出,分量不同寻常。

不过,市场对此也有争议。Aave 生态贡献者 Marc Zeller 提到,过去一年 DeFi 损失中,不足 10% 源于代码漏洞,其余来自风险参数配置错误、抵押品管理不当和运营安全薄弱。0G Labs CEO Michael Heinrich 也指出,DeFi 借贷安全性相比 2020 年基准已提升约 98%。

现在的问题在于,代码审计能覆盖的范围越来越有限,而攻击者的打击面在持续扩展。旧的安全框架已经无法给出一个令人信服的答案。

二、项目方与审计机构的应对与重构

旧审计标准虽然在 AI 攻击面前出现明显裂缝,但这并不代表审计需求会消失。相反,项目方和审计公司都将根据新现实作出调整。

短期:防御性审计需求的集中释放

大量此前已完成审计的头部协议,正面临按照 AI 时代新安全标准重新审计的压力。项目方开始意识到,在 AI 攻击能力持续提升的背景下,传统审计的保护周期正在缩短。

这种需求的本质特征是防御性支出,而非行业健康增长的信号。安全机构 CertiK 在其 2026 年监管报告中指出,智能合约安全审计正从行业最佳实践升级为监管准入条件,成为牌照审批与代币上市的必备门槛。

短期来看,这种防御性支出会形成一定的审计需求,但它更多是项目方为降低风险而进行的被动投入。

长期:审计公司商业模式的根本性分化

审计机构同样感受到压力。随着攻击端 AI 工具持续进化,头部公司正加速自研检测能力。多家主流审计机构已在 2025 年至 2026 年期间推出 AI 辅助审计系统,通过多模型并行分析和自动化检测来提升效率。

效率提升的同时,传统模式面临挤压。一次性交付审计报告的商业价值在下降,长期来看,依赖点对点报告的机构业务量存在收缩风险。

摩根大通分析师明确指出,持续的 DeFi 安全事件正在限制主要机构投资者入场。这不只是市场情绪,更是对整个审计行业存在价值的一次公开质疑。

以竞争性审计模式闻名的智能合约审计平台 Code4rena 近期宣布关停,客户和研究员资源移交 Immunefi 接手。这家平台曾于 2023 年从 Paradigm 筹集 600 万美元,一度被视为传统审计模式的有力补充,距离被收购不到两年便停运。

图片来源:RooData

DeFi 借贷协议 Radiant 在经历 2024 年 10 月黑客攻击后,经过 18 个月努力仍无法追回资金,宣布进入关停阶段。Ionic Protocol 同样因安全漏洞影响持续扩大,宣布立即停止全部运营。

不过,变化并非只有一个方向。AI 在防守端同样展现出超人级能力——问题在于谁先用。

AI 原生审计工具 Firepan 披露,2026 年 4 月对 Curve Finance 的新版 AMM 合约展开独立审计,发现了一个关键的组合型漏洞:单看任何一个属性都是正常代码,但特定操作组合之下,攻击者可以绕过捐赠保护机制并取走资金。

Curve 此前已经历过六家独立审计机构的多轮审查,被公认为 DeFi 里审计强度最高的协议之一,但这个漏洞仍然潜藏在人工审计的盲区里。

Curve Finance 创始人 Michael Egorov 事后评价称,AI 在智能合约安全方面确实有所帮助。不过他也指出,AI 在浏览器和 Linux 内核中检测漏洞的成功经验,不能直接套用到智能合约上——智能合约通常只有几千行代码,人类和常规 AI 都能充分推理,真正需要警惕的风险,更多来自 OpSec 层面的密钥泄露和供应链攻击,而非代码漏洞本身。

类似的案例也出现在隐私币领域。安全工程师 Taylor Hornby 受非营利组织 Shielded Labs 委托,使用 Anthropic Opus 4.8 模型对 Zcash 协议展开审计,发现了 Zcash Orchard 隐私池中一个自 2022 年起从未被察觉的关键漏洞,理论上可允许攻击者无限增发且无法被链上检测的假 ZEC。

Zcash 创始人 Zooko Wilcox 随后公开致谢 Anthropic。Hornby 表示,已将门罗币(XMR)加入审计队列,未来还将对更多隐私币项目展开安全审查。

据悉,OpenZeppelin 已推出 Skills 系统,向 AI 编程 Agent 提供经过审计的智能合约库的权威知识,将防线前移至开发阶段。

这是传统审计公司被迫走向的新方向,从事后审查转为全程嵌入,从一次性交付转为持续监控、形式化验证和链上实时风险检测。

结语

总体来看,安全审计赛道正在经历从红利模式向竞争模式的转变。AI 既加速了攻击效率,也推动防御体系升级。这一过程不仅影响审计公司的商业形态,也要求整个 DeFi 生态重新思考安全投入的方式。

对项目方而言,一次审计终身安心的时代已经过去。安全不再是上线前的一道手续,而是需要持续投入的基础设施。

对审计机构而言,被动跟进 AI 已经不够。能更快完成从工具到服务模式的全面重构的玩家,更有可能在下一阶段留在牌桌上。

Kripto yang Sedang Tren

Pertanyaan Terkait

Q根据文章,AI x Crypto 在哪个具体领域最先实现了落地应用?

AAI x Crypto 最先落地的领域是安全审计。随着新一代AI工具的普及,查找智能合约漏洞的成本和技能要求大幅降低,攻击端和防守端的AI应用都在重塑安全审计行业。

Q文章中提到的“AI攻击”主要带来了哪些变化,使得旧的安全审计模式面临挑战?

AAI攻击带来的主要变化包括:1. 降低漏洞发现成本与技能门槛,使得攻击更易规模化。2. 攻击者能利用AI辅助反编译字节码、系统化扫描合约、大规模挖掘历史合约漏洞。3. 从漏洞发现到执行攻击的时间被压缩到分钟级,远短于传统审计报告以月计的“保护有效期”,导致旧的安全防线(尤其是事后一次性审计)有效性大幅降低。

Q文章列举了Drift Protocol和KelpDAO的案例,它们说明了什么新问题?

ADrift Protocol和KelpDAO的案例说明,即使智能合约本身通过了多家知名安全机构的审计,攻击者仍然可以通过其他路径造成巨大损失。Drift Protocol的案例揭示了社会工程学和操作安全(OpSec)方面的风险(如管理员密钥泄露),而KelpDAO的案例则暴露了基础设施配置(如跨链桥的验证节点设置)的漏洞。这表明,在AI时代,攻击面已从纯代码漏洞扩展到业务逻辑、运营流程和系统配置等更广泛的领域。

Q面对AI带来的安全挑战,项目和审计机构在长期有哪些转型方向?

A长期来看,项目和审计机构的转型方向包括:1. **项目方**:安全不再是一次性投入,而需要作为持续投入的基础设施。2. **审计机构**:商业模式从一次性交付报告,转向**全程嵌入式的服务模式**,如提供持续监控、实时风险检测、形式化验证以及将安全防线前移至开发阶段(如OpenZeppelin的Skills系统)。能够更快完成这种从工具到服务模式全面重构的审计机构,才能在竞争中留存。

Q文章中提到AI在防守端也展现出能力,并列举了哪两个具体案例?

A文章列举了两个AI在防守端发挥超人级能力的案例:1. **Firepan审计Curve Finance**:发现了经过六家审计机构多轮审查后仍未被发现的关键组合型漏洞,该漏洞可使攻击者绕过捐赠保护机制。2. **使用Anthropic Opus模型审计Zcash协议**:发现了自2022年起存在于Zcash Orchard隐私池中的一个关键漏洞,理论上可导致无限增发无法检测的假ZEC。这两个案例展示了AI在发现复杂、隐蔽漏洞方面的潜力。

Bacaan Terkait

Label 'ghain hantu' Cardano terbantahkan? Mengapa 34 dApp ADA tidak menggambarkan keseluruhan cerita

Judul artikel membantah label "rantai hantu" yang dilekatkan pada Cardano, dengan menjelaskan mengapa hanya memiliki 34 dApps tidak menggambarkan situasi sebenarnya. Artikel ini mendefinisikan "rantai hantu" sebagai blockchain yang berjalan secara teknis namun memiliki aktivitas on-chain dan pengembangan yang sangat minimal. Sementara Cardano menunjukkan aktivitas pengembangan yang kuat (tertinggi kedua di antara Layer-1 utama), metrik seperti jumlah dApps, transaksi, dan pengguna aktifnya jauh di bawah pesaing seperti Ethereum, Solana, atau TRON. Penulis mengakui faktor-faktor yang dikritik, seperti penutupan explorer TapTools dan peringatan pendiri Charles Hoskinson mengenai tantangan proyek dApp. Namun, penjelasan utama untuk kesenjangan aktivitas ini terletak pada model Extended Unspent Transaction Output (EUTXO) Cardano. Model ini memungkinkan protokol "batcher" menggabungkan banyak pesanan menjadi satu transaksi teroptimasi sebelum dicatat di ledger, yang mengakibatkan perkiraan aktivitas on-chain yang lebih rendah secara statistik. Kesimpulannya, meskipun aktivitas jaringan Cardano lebih rendah, hal itu tidak serta-merta membuatnya menjadi "rantai hantu". Perbedaan arsitektur (EUTXO) dan fokusnya pada keamanan, keberlanjutan, serta metodologi pengembangan yang ketat menempatkannya dalam ceruk yang unik untuk kepatuhan institusional dan kebutuhan perusahaan, dibandingkan dengan blockchain lain yang mengutamakan throughput tinggi atau volume DeFi.

ambcrypto46m yang lalu

Label 'ghain hantu' Cardano terbantahkan? Mengapa 34 dApp ADA tidak menggambarkan keseluruhan cerita

ambcrypto46m yang lalu

Claude dan Codex yang Kamu Pakai Setiap Hari, Di Dalam Meta Dilarang Dipakai Sembarangan

Meta, perusahaan induk Facebook, telah memberlakukan pembatasan internal ketat terhadap penggunaan alat bantu pemrograman AI dari pihak ketiga, Claude Code (Anthropic) dan Codex (OpenAI), sejak Mei 2024. Meski merupakan salah satu klien terbesar dan sangat bergantung pada alat-alat ini, Meta khawatir output yang dihasilkan dapat menyusup ke dalam data pelatihan untuk pengembangan asisten pemrograman AI internal mereka sendiri, MetaCode (awalnya DevMate). Proses ini, yang dikenal sebagai "distilasi," dapat menyebabkan model internal mereka secara tidak sengaja mempelajari kemampuan dan standar penilaian dari model pesaing, sehingga mengaburkan asal-usul kemampuan mereka yang sebenarnya. Pembatasan internal Meta berfokus pada mencegah AI eksternal terlibat dalam penulisan kode inti, pembuatan soal uji, atau penilaian untuk proyek MetaCode. AI masih diizinkan untuk tugas-tugas pendukung seperti menyusun alur kerja atau mengatur kode, tetapi semua outputnya harus ditinjau oleh manusia. Langkah ini dimaksudkan untuk menjaga kemurnian data pelatihan dan menghindari potensi pelanggaran terhadap ketentuan layanan penyedia model, yang sering melarang penggunaan output mereka untuk membangun produk pesaing. Tindakan Meta menyoroti dilema yang dihadapi seluruh industri AI: bagaimana menyeimbangkan manfaat menggunakan model AI yang kuat dengan risiko ketergantungan dan distilasi yang tidak jelas. Ini juga mencerminkan tekanan finansial, karena Meta berupaya mengurangi tagihan AI internal yang mencapai miliaran dolar dengan beralih ke solusi internal. Pada akhirnya, kebijakan ini bagaikan "peta berjalan di atas tali" yang menunjukkan tantangan dalam membangun AI yang benar-benar orisinal di era di mana AI semakin sering digunakan untuk menciptakan AI lainnya.

marsbit2j yang lalu

Claude dan Codex yang Kamu Pakai Setiap Hari, Di Dalam Meta Dilarang Dipakai Sembarangan

marsbit2j yang lalu

Mengapa Hari Ini Kita Membutuhkan Pandangan Konten AI?

Terkait kontroversi etis di industri hiburan global terkait konten AI, seperti proyek animasi AI Amazon yang dibatalkan, dan kemunculan film panjang AI pertama yang lolos sensor di Tiongkok, AI telah mencapai tonggak sejarah baru dalam produksi konten. Namun, kemajuan ini juga memicu perdebatan sengit, terutama mengenai penggantian aktor manusia dan kualitas artistik. Industri menghadapi dilema "pertarungan internal": di satu sisi, AI tak terhindarkan dalam produksi film, menawarkan efisiensi biaya dan kemungkinan kreatif baru. Di sisi lain, kekhawatiran mendalam muncul karena AI mulai memasuki ranah "makanan budaya utama" seperti film dan drama panjang, yang secara tradisional membutuhkan kedalaman emosional dan partisipasi manusia. Artikel ini membedakan antara "makanan budaya cepat saji" (seperti video pendek dan drama mikro) yang cocok dengan logika produksi AI—narasifragmen, kebutuhan emosi dangkal, dan model bisnis gratis—dan "makanan budaya utama" (seperti film dan serial TV) yang membutuhkan keterlibatan manusia yang lebih dalam. AI saat ini lebih mampu dalam yang pertama, tetapi masuknya AI ke dalam yang terakhir menantang keunikan manusia dalam hal kreativitas, pengalaman hidup, dan pertukaran emosi. Nilai manusia dalam penciptaan konten dianggap tak tergantikan dalam tiga aspek: kapasitas inovasi (AI cenderung menghasilkan konten homogen, bukan terobosan), hasil kerja keras (proses pembuatan yang panjang menambah nilai persepsi), dan pengalaman hidup serta ekspresi pribadi. Namun, perkembangan konten AI menghadapi risiko "melampaui batas": keunggulan biaya dapat mempersempit ruang kreasi manusia dan menimbulkan masalah plagiarisme; ledakan produksi dapat menyebabkan banjir konten berkualitas rendah yang mendorong keluar karya bagus; dan peningkatan efisiensi memindahkan risiko ke depan dalam proses produksi, menyulitkan moderasi. Oleh karena itu, diperlukan "perspektif konten AI" baru yang menetapkan batasan jelas. Prinsip intinya adalah: memastikan ruang kreasi manusia diperluas, bukan dipersempit; hasil kreasi manusia dihormati, bukan dirampas; manusia mempertahankan peran kepemimpinan dan tanggung jawab dalam penciptaan; serta memastikan transparansi dan dapat dikenalnya konten AI. Kesimpulannya, manusia harus menjadi "juru mudi" teknologi. Masa depan konten AI harus menjadi perjalanan yang dikendalikan oleh manusia, di mana penilaian, filter, dan apresiasi estetika manusia di setiap tahap—produksi, distribusi, konsumsi—menjadi lebih penting dari sebelumnya untuk melindungi nilai inti budaya sebagai wahana pertukaran spiritual manusia.

marsbit2j yang lalu

Mengapa Hari Ini Kita Membutuhkan Pandangan Konten AI?

marsbit2j yang lalu

Trading

Spot

Artikel Populer

Cara Membeli F

Selamat datang di HTX.com! Kami telah membuat pembelian Synfutures (F) menjadi mudah dan nyaman. Ikuti panduan langkah demi langkah kami untuk memulai perjalanan kripto Anda.Langkah 1: Buat Akun HTX AndaGunakan alamat email atau nomor ponsel Anda untuk mendaftar akun gratis di HTX. Rasakan perjalanan pendaftaran yang mudah dan buka semua fitur.Dapatkan Akun SayaLangkah 2: Buka Beli Kripto, lalu Pilih Metode Pembayaran AndaKartu Kredit/Debit: Gunakan Visa atau Mastercard Anda untuk membeli Synfutures (F) secara instan.Saldo: Gunakan dana dari saldo akun HTX Anda untuk melakukan trading dengan lancar.Pihak Ketiga: Kami telah menambahkan metode pembayaran populer seperti Google Pay dan Apple Pay untuk meningkatkan kenyamanan.P2P: Lakukan trading langsung dengan pengguna lain di HTX.Over-the-Counter (OTC): Kami menawarkan layanan yang dibuat khusus dan kurs yang kompetitif bagi para trader.Langkah 3: Simpan Synfutures (F) AndaSetelah melakukan pembelian, simpan Synfutures (F) di akun HTX Anda. Selain itu, Anda dapat mengirimkannya ke tempat lain melalui transfer blockchain atau menggunakannya untuk memperdagangkan mata uang kripto lainnya.Langkah 4: Lakukan trading Synfutures (F)Lakukan trading Synfutures (F) dengan mudah di pasar spot HTX. Cukup akses akun Anda, pilih pasangan perdagangan, jalankan trading, lalu pantau secara real-time. Kami menawarkan pengalaman yang ramah pengguna baik untuk pemula maupun trader berpengalaman.

390 Total TayanganDipublikasikan pada 2024.12.21Diperbarui pada 2026.06.02

Cara Membeli F

Diskusi

Selamat datang di Komunitas HTX. Di sini, Anda bisa terus mendapatkan informasi terbaru tentang perkembangan platform terkini dan mendapatkan akses ke wawasan pasar profesional. Pendapat pengguna mengenai harga F (F) disajikan di bawah ini.

活动图片