AI辅助漏洞挖掘门槛塌方：PS5大神退圈背后的技术信号-北京尧图网络

1. 从“大神退圈”说起一个信号而不是一条新闻PS5 Linux 大神被“定点狙击”后愤而退圈这事在圈子里炸开锅的时候我正在调试一块 RK3588 的板子。消息弹出来我第一反应不是惋惜而是——这套剧本我见过。早些年做安全研究、搞逆向的那批人多多少少都经历过类似的处境你花几个月甚至几年啃下来的东西别人用一套自动化工具几天就跑完了跑完还顺手把你的公开成果“定点”了。区别只在于以前是脚本小子现在是 LLM。先把话说清楚这篇不是来蹭热度的也不是来站队骂谁的。我想聊的是这件事背后那条更长的线——当 AI 把漏洞挖掘、代码审计、逆向分析的门槛从“三年起步”拉到“三天上手”那些靠手艺吃饭的人到底被改变了什么。PS5 Linux 这条线只是这条长线上一个特别刺眼的节点。如果你是从业者或者正在往安全、逆向、系统底层这个方向走这篇值得你花二十分钟看完。如果你只是好奇“AI 到底能不能挖漏洞”那更该看——因为答案不是能或不能而是它已经在挖了而且挖得比你想的快。我尽量不写成新闻评论而是按一个实操者的视角把这件事拆成几个能落地的层面技术门槛怎么被拉平的、漏洞挖掘的流程被 AI 改成了什么样、以及一个普通从业者现在该怎么调整自己的位置。中间会穿插一些我自己踩过的坑和实际跑过的流程能抄作业的地方我会直接给出来。2. 门槛塌方AI 到底把哪几层“护城河”填平了2.1 从“读汇编”到“读意图”逆向的第一道墙被推倒搞过 PS5 Linux 这条线的人都知道最耗时间的从来不是写 exploit而是理解目标。你得啃固件、扒符号、对着几万行反汇编找那个可疑的边界检查。这个过程里经验的价值在于“直觉”——你知道哪种模式大概率有问题哪种写法是编译器优化出来的噪音。LLM 进来之后第一件被改变的事就是这个直觉可以被部分外包了。你把一段反汇编丢给模型让它解释这段代码在干什么它给出的答案不一定对但方向感是有的。以前一个新手要花两周才能建立的“这段代码可疑”的判断现在可能两天就有了雏形。我实测过一个很典型的场景一段带边界检查的解析函数手动看要来回翻调用链用模型辅助的话它能直接指出“这里的长度字段在减法之后没有重新校验可能下溢”。这个判断对不对另说但它把注意力引到了正确的位置。这就是门槛塌方的第一层——不是能力被替代而是注意力被加速。2.2 漏洞挖掘的“体力活”被自动化吃掉了一大块漏洞挖掘这件事拆开来看是三层发现可疑点、验证可疑点、构造利用。AI 目前吃掉最狠的是第一层和第二层的前半段。以前挖一个缓冲区溢出你得先 fuzzfuzz 出 crash再手动 triage判断这个 crash 是不是可利用的。这个过程里triage 是最枯燥的——几百个 crash大部分是重复的、不可利用的。现在用 LLM 做 crash 聚类和初步分类效率提升是肉眼可见的。你把 crash 的栈回溯和输入样本丢进去让它判断“这几个是不是同一类问题”“这个 crash 有没有可能走到可控的内存写”它给出的分类结果准确率在实际项目里能到七八成。注意这里说的“七八成”是在你已经有一批 crash 样本的前提下。模型不会帮你凭空变出 crash它帮你的是筛选和归类。别指望把目标一丢模型就给你吐一个 0day。2.3 知识获取的“时间差”被压缩到几乎为零以前学一个新技术栈比如 PS5 上的某个私有文件系统你得翻文档、看别人的 writeup、自己试。这个“知识获取”的过程本身就是一道护城河——谁先搞懂谁先动手。现在这道墙基本没了。你把相关的公开资料、代码片段、甚至别人的博客丢给模型让它整理成一份“这个文件系统的关键结构和潜在攻击面”几分钟就能拿到一份可用的摘要。这份摘要不一定深但足够让你知道从哪下手。这就是为什么“定点狙击”这件事会发生。当知识获取的时间差被压缩先发优势的窗口期就变短了。你花半年啃下来的东西别人用模型辅助可能一个月就摸到了门口。这不是谁对谁错的问题这是工具改变了游戏节奏。3. 拆解“定点狙击”AI 辅助漏洞挖掘的真实流程3.1 一个完整的 AI 辅助挖洞流程长什么样我把目前比较成熟的一套流程拆给你看。这套流程不是理论是我自己在几个 CTF 和实际项目里跑过的简化版。第一步目标信息聚合。把目标的公开信息——固件版本、更新日志、相关 CVE、社区讨论——全部丢进一个知识库。这一步用普通的 RAG 就能做不需要多复杂的框架。关键是信息要全别漏掉那些看起来不相关的更新说明漏洞经常藏在“修复了一个小问题”这种描述背后。第二步攻击面梳理。让模型基于聚合的信息列出可能的攻击面网络接口、本地接口、文件解析、IPC 通道。这一步的输出是一张表不是最终答案但能帮你排优先级。第三步代码/固件审计。把反汇编或源码分段喂给模型让它标注可疑点。这里有个技巧不要一次性喂太多。上下文窗口再大信息密度太高反而会稀释模型的注意力。我一般按函数或模块切每个片段控制在几百行以内。第四步可疑点验证。对模型标出来的可疑点手动写测试用例验证。这一步目前没法完全自动化因为验证需要真实环境而真实环境往往有各种反调试、完整性校验。第五步利用构造。确认漏洞之后构造利用链。这一步模型能帮的是提供思路和模板比如“这种类型的堆溢出常见的利用路径有哪几条”但具体的偏移、gadget 查找还是得手动来。3.2 为什么“定点狙击”在技术上变得可行“定点狙击”这个词听起来很玄拆开看其实很朴素在正确的时间把正确的工具用在正确的目标上。以前要做到“定点”你需要一个团队有人负责信息收集有人负责审计有人负责验证。现在这个团队可以被压缩——一个人加一套 AI 工具链就能覆盖原来三个人的活。这不是说一个人能顶三个人而是说流程里的等待时间和沟通成本被砍掉了。我举个具体的例子。以前审计一个二进制发现可疑函数之后要等逆向的人确认调用链再等写利用的人确认可行性。现在这些环节可以在同一个会话里完成模型帮你追调用链你当场判断可行性不行就换下一个可疑点。迭代速度从“天”变成了“小时”。这就是“定点狙击”的技术基础——不是 AI 有多神而是它把流程里的摩擦系数降到了很低。3.3 被狙击的人到底失去了什么回到 PS5 Linux 大神这件事。从技术角度看他失去的不是“能力”而是能力变现的窗口期。在 AI 辅助工具普及之前一个高难度的漏洞从发现到公开中间有一个相对长的窗口。这个窗口里发现者可以决定怎么披露、跟谁合作、什么时候公开。这个“决定权”本身就是一种价值。现在这个窗口被压缩了。你还在验证的时候别人可能已经用类似的工具链跑到了同样的位置。先发优势不再来自“你知道别人不知道”而是来自“你做得比别人深”。深度这件事AI 暂时还替代不了但深度需要的时间AI 帮你省下来了——问题是它帮所有人都省下来了。所以退圈这个选择从个人角度可以理解但从行业角度看它更像是一个信号靠信息差吃饭的时代正在快速收尾。4. 实操层面一个普通从业者现在该怎么调整4.1 把 AI 当成“副驾驶”而不是“自动驾驶”我见过两种极端。一种是完全不用 AI觉得“手搓才是真本事”另一种是全交给 AI自己只负责点按钮。这两种在实际项目里都会出问题。正确的姿势是副驾驶模式你负责判断方向和做决策AI 负责执行重复性劳动和提供备选方案。具体到漏洞挖掘这件事上我的做法是信息收集阶段让 AI 做摘要和聚类但原始资料我一定自己过一遍。因为摘要会丢细节而漏洞经常藏在细节里。审计阶段让 AI 标可疑点但每个可疑点我都自己确认一遍。模型的误报率不低盲目跟会浪费大量时间。验证阶段AI 提供测试用例模板但环境搭建和实际运行我自己来。因为环境问题往往比漏洞本身更耗时间。实操心得我习惯在让模型分析之前先自己快速扫一遍目标建立一个“我觉得哪里可能有问题”的列表。然后再让模型分析对比两者的差异。差异点往往是最有价值的地方——要么是我漏了要么是模型误报了两种情况都能学到东西。4.2 把精力从“找漏洞”往“理解系统”上移当“找可疑点”这件事被 AI 加速之后真正的差异化竞争力就变成了“理解系统”。什么叫理解系统举个例子。同样是发现一个堆溢出一个人只知道“这里可以溢出”另一个人知道“这个堆在什么条件下会被分配、释放之后会被谁复用、整个内存布局在什么状态下最可控”。后者能构造出稳定的利用前者只能交一个 crash。AI 目前能帮你到“发现可疑点”这一层但从可疑点到稳定利用之间的那段路还是得靠人对系统的理解。这段路就是你现在应该花时间的地方。我的建议是别再把时间花在“学怎么用工具”上工具会越来越简单。把时间花在“学系统怎么运作”上。内存管理、进程调度、文件系统、网络协议栈——这些底层的东西AI 能帮你查资料但理解这件事它替不了你。4.3 建立自己的“知识资产”而不是依赖公开信息AI 时代公开信息的价值在快速贬值。因为所有人都能拿到公开信息所有人都能让 AI 整理公开信息。真正有价值的是你自己的知识资产你踩过的坑、你调试时发现的非预期行为、你对某个系统的“手感”。这些东西不在公开资料里AI 也编不出来。我的做法是维护一个私有知识库把每次调试的记录、失败的尝试、突然的灵感都丢进去。这个知识库不需要多精致一个本地的 Markdown 文件夹加一个简单的检索工具就够了。关键是持续往里写。时间长了这个知识库就是你跟别人拉开差距的地方。因为 AI 能帮你整理公开信息但整理不了你脑子里的东西——除非你先把它写下来。5. 常见问题与排查技巧实录5.1 模型分析结果不可靠怎么办这是最常见的问题。模型给出的可疑点十个里面可能只有两三个是真的。我的处理方式是分层过滤层级判断标准处理方式第一层模型标了可疑但代码逻辑明显安全直接丢弃不浪费时间第二层模型标了可疑逻辑上有可能手动确认调用链和输入可控性第三层模型标了可疑且输入可控写测试用例验证第四层验证成功进入利用构造阶段这个分层的关键是不要跳过任何一层。我见过有人直接把第一层的结果拿去写利用结果浪费了一整天。5.2 上下文窗口不够用怎么办大目标的反汇编上下文窗口肯定不够。我的做法是按调用链切分而不是按地址切分。具体来说从一个入口函数开始沿着调用链往下走把相关的函数放在同一个上下文里。这样模型能看到完整的逻辑流而不是一堆孤立的代码片段。如果调用链太长就分段处理但保留接口信息。比如处理 A 函数时把 A 调用的 B 函数的签名和简要说明放在上下文里让模型知道“这里会走到 BB 大概做什么”。5.3 怎么判断一个漏洞值不值得深挖这个问题没有标准答案但我有一个快速判断法输入可控吗如果输入不可控再漂亮的漏洞也是死胡同。路径稳定吗如果触发条件依赖竞态或特定时序利用难度会指数上升。影响面大吗同样是溢出能拿到代码执行和只能 crash价值差几个数量级。这三个问题任何一个答案是“否”就要慎重考虑是否继续投入。AI 能帮你快速走到“发现可疑点”这一步但值不值得深挖还是得你自己判断。避坑技巧我习惯在开始深挖之前先花十分钟写一个“如果这个漏洞成立利用链大概长什么样”的草稿。如果草稿写不出来说明这个漏洞可能没那么好利用趁早换目标。5.4 退圈是不是唯一的选择不是。退圈是一种选择但不是唯一的选择。我认识的一些人在 AI 工具普及之后反而做得更好了。因为他们把 AI 当成杠杆而不是替代品。以前他们只能覆盖一个目标现在能同时看三个以前只能做审计现在能顺带把利用也跑了。关键不在于 AI 抢了什么而在于你怎么重新定位自己。如果你把自己定位成“找可疑点的人”那确实危险因为这件事 AI 做得越来越好了。但如果你把自己定位成“能理解系统、能构造稳定利用的人”那 AI 反而是你的助力。6. 最后聊几句实在的PS5 Linux 大神退圈这件事我看了很多讨论大部分都在情绪层面。但情绪之外有一个事实是清楚的工具在变门槛在变价值分布也在变。以前这个圈子的价值分布是金字塔形的——底层是大量做重复劳动的人顶层是少数能做深度利用的人。AI 进来之后底层被压缩了但顶层没有被替代。被压缩的那部分人如果往上走还有空间如果停在原地确实会难受。我自己从这件事里得到的最大启发是别把时间花在“学工具”上工具会过时。把时间花在“学系统”上系统不会过时。AI 能帮你查资料、写模板、做摘要但它理解不了系统的“手感”。那个手感才是你真正的护城河。至于“黑客道义”这件事我不太想展开。道义这东西从来都是靠人守的不是靠工具守的。工具变了守道义的方式也得变。但守不守还是看人。最后分享一个小技巧如果你也在用 AI 辅助做安全研究每次让模型分析之前先自己写一段“我预期会看到什么”。然后对比模型的输出和你的预期。差异越大越值得深挖。这个习惯帮我省了很多时间也帮我发现了一些自己没想到的角度。

AI辅助漏洞挖掘门槛塌方：PS5大神退圈背后的技术信号

相关推荐

基于AT89S52与模糊PID的恒温水箱温控系统设计

Grok4.7高分却退订？真实用户的AI订阅体验与选型反思

从实时全模态交互到自主智能体：端侧大模型如何迈向真正的端侧智能？

更多资讯

GPU服务器集群系统级参数调优与性能优化指南

ADK Runtime架构解析：AI Agent开发的事件驱动引擎

TOON数据格式：优化LLM处理效率的结构化数据方案

SeaweedFS存储空间回收机制与优化实践

开源雷达周刊：十个开源工具串成可试用自动化流程

昇腾RAG索引结构优化：从HNSW到IVF_PQ的工程实践

今日更新

PLFM_RADAR：从被动告警到主动感知的微服务健康监控系统

SPI隔离设计实战：MAX14431BAEE+与STM32F407工业级应用

数字隔离器如何根治SPI通信地环路干扰：MAX14431与TM4C129实战

本周精选

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？