原文作者:Oluwapelumi Adejumo
原文编译:Saoirse,Foresight News
Coldcard 钱包危机重创比特币市场情绪,混淆链上各项参考指标,同时暴露了 AI 辅助网络防御体系长期存在的短板。
7 月 30 日,硬件厂商 Coinkite 向用户发布风险预警:受特定版本 Coldcard 固件影响生成的钱包存在资产被盗风险,根源是软件故障致使助记词的随机生成度远低于设计标准。
Galaxy Research 表示,本次安全事件一共出现三波攻击潮,共计 4585 个地址遭到针对性入侵,被盗比特币数量为 1367.05 枚,折合价值约 8900 万美元。
Coldcard 比特币钱包黑客事件(来源:Galaxy Research)
Galaxy 全球研究主管 Alex Thorn 称,三波攻击对应的被盗比特币依旧留存于攻击者控制的地址中。但他补充,一些零散小额被盗资金已经借助剥皮链(peel chains)、跨链服务以及境外赌场完成辗转洗白。
Coldcard 钱包迁移扰乱比特币看跌信号
安全风险持续发酵,存在暴露隐患的用户纷纷抢先转移比特币,避免资产被黑客盗取。 尽管 Coinkite 已经为受影响机型推送了修复版固件,但此前已生成的高危助记词无法依靠系统更新修复,用户只能创建全新钱包,把资产划转至安全地址。
这场大规模钱包迁移,让小额持有者以及长期沉睡比特币的链上活跃度出现异常飙升。 CryptoQuant 研究主管 Julio Moreno 介绍,7 月 31 日,单笔产出不足 1 枚比特币的交易总规模达到 39600 枚比特币。这是自 2022 年 11 月 FTX 破产之后,该类别交易的单日最高值;当年 FTX 暴雷后不久,同类交易流转量为 39900 枚比特币。
比特币每日活跃地址数量也从 7 月 30 日的约 64.5 万个暴涨至次日近 100 万个,创下 2024 年 12 月 10 日以来的峰值。 Moreno 表示,地址数量暴涨主要集中在转出地址,接收地址涨幅十分有限,足以说明用户是出于避险需求转出原有钱包内的资金。
比特币每日活跃地址(数据来源:CryptoQuant)
单笔转账低于 10 枚比特币的交易所充值量上涨至 7300 枚比特币,创下当年 2 月 6 日之后的新高。部分用户在新建安全钱包的过渡期,临时将资产存入交易所,当然这批资金流里也包含有投资者准备抛售变现的筹码。
Coldcard 事件后比特币交易所存款激增(来源:CryptoQuant)
CryptoQuant 分析师 JA Maartunn 补充,漏洞曝光后,已有 77402 枚长期未动用的比特币发生转账。 不过 Maartunn 提醒,不能将这次资金大规模流动视作大量投资者恐慌割肉的证据,结合事件背景来看,资金变动本质是用户为钱包加固安全。
他说道:「Coldcard 助记词问题让用户为保障资产安全转移长期持有的比特币。这会干扰长期持有者供应量变化、币天销毁、花费产出周期分布等各类图表数据的准确性。」
伴随链上交易活跃度大增,整体市场情绪急剧走弱。区块链分析机构 Santiment 指出,全网比特币看涨评论与看跌评论的比值跌至平台开启现代化社交数据追踪以来的最低水平。在 X 平台、Reddit、Telegram 等平台,每 1 条看跌评论仅对应 0.58 条看涨评论。
比特币市场情绪转为看跌(来源:Santiment)
Santiment 认为,市场反应之所以如此激烈,根源在于本次漏洞攻击对象是冷存储钱包。多数持有者把冷钱包视作从交易所提币、远离高风险加密平台后,比特币资产的最后安全防线。
美国 AI 管控规则增加 Coldcard 案件追查难度
这批造成比特币市场信号紊乱的钱包转账,也让赃款追踪变得刻不容缓,必须赶在资金流入可兑换、可提现平台之前锁定流向。
Galaxy Research 汇总了受害者上报信息,梳理出一批疑似黑客地址,并把资料同步给执法部门、合规机构以及其他网络安全调查人员。Thorn 透露,机构已上报约 600 个疑似存放被盗比特币的黑客地址。
但他表示,美国各大主流大模型设置的安全护栏限制了被盗资产追踪与用户保护工作,调查团队不得不改用一款中国开源 AI 模型。 Thorn 并未指明具体是哪些美国 AI 模型、有哪些查询指令遭到拦截,也没有详细说明这款替代模型为调查提供了哪些助力。即便如此,他提出的困境,和 Hugging Face 此前遭遇网络攻击时碰到的难题高度相似。
这家 AI 平台表示,曾有自动化程序入侵其部分基础设施,安全团队需要分析超过 17000 条事件记录。最初调查人员通过商用接口调用主流前沿大模型,上传攻击指令、漏洞利用载荷、指挥控制相关日志用于分析。
Hugging Face 称,这些查询全部被系统拦截。原因是 AI 安全体系无法区分开展应急处置的调查人员与真正的攻击者。最终该团队选用智谱 AI 自研的开源权重模型 GLM 5.2,在自有服务器上完成全部取证分析。
这款模型协助工作人员梳理出完整攻击时间线、定位泄露凭证、提取入侵特征,还能区分真实攻击痕迹与诱饵干扰行为。Hugging Face 称,原本需要耗时数天的取证工作,依托 AI 辅助缩短至几小时。
该案例印证了 Thorn 口中 Coldcard 案件存在的攻防 AI 不对等问题:黑客能够使用无限制、可自主修改的 AI 工具,不受商用模型安全规则约束;而防守方在提交带有恶意特征的资料用于案件排查时,常会遭到 AI 拒绝,即便初衷是控制恶性安全事件。
可如果大范围取消 AI 安全限制,又会催生新风险。AI 服务商无法仅凭用户口头声称追查盗币就放开权限,这类无限制工具同样会被滥用于钱包攻击、洗钱、规避交易监管等违法活动。
加密领域内,这种矛盾格外尖锐:被盗资产几分钟内就能借助跨链桥、交易所、博彩平台完成流转。一旦追查出现延误,资金会在受害者拿到报案回执、调查人员完成人工溯源前转入可自由提现的平台,彻底失去冻结机会。
