AI漏洞扫描的价值会随时间贬值吗？攻防经济学深度解析

一个值得深思的问题

随着AI模型能力的飞速提升与价格的持续下探，一个关于网络安全的经济学问题浮出水面：AI驱动的漏洞扫描服务，其价值究竟是会随时间贬值、保持不变，还是不断增值？

这一讨论最初源于一位Twitter用户的观察。他指出，OpenAI推出的网络安全模型可能会越来越便宜，而下一代Kimi模型的成本还会进一步降低。但另一边，攻击者手中的工具能力也在同步增强。这构成了一个典型的"攻防对抗"动态平衡问题。

值得注意的是，这里提到的两个模型代表了AI行业的重要趋势。OpenAI在2025年开始将其模型能力专门针对网络安全场景进行优化，推出了具备代码审计、漏洞模式识别等能力的专用模型。而Kimi是中国AI公司月之暗面（Moonshot AI）推出的大语言模型，以极低的推理成本著称。整个行业正经历所谓的"推理成本摩尔定律"——每隔几个月，同等能力的AI推理成本就下降一个数量级。这种成本曲线的陡峭下降使得原本只有大型安全公司才能负担的深度扫描能力，正在快速民主化。

这一趋势的驱动力来自多个技术维度：模型蒸馏（将大模型的知识压缩到小模型中）、量化技术（将模型权重从32位浮点数压缩到4位甚至更低）、推理专用芯片（如Groq的LPU和Google的TPU）、以及MoE（混合专家，Mixture of Experts）架构的广泛采用。DeepSeek-V2通过MoE架构将推理成本降低了90%以上。这种成本暴跌的直接后果是安全能力的民主化——过去需要年费百万美元的企业级安全扫描方案，未来可能以API调用的形式以几美分的价格提供。这也意味着，安全服务的竞争壁垒正在从"拥有先进工具"转向"拥有深度安全知识和架构能力"。

AI漏洞扫描价值贬值的核心逻辑

原作者给出的判断是：漏洞扫描的价值仍会随时间下降，但下降的速度会慢于模型价格的降幅（在同等能力水平下）。

这个观点背后有一个关键的假设——攻击面是有限的（there's only so much attack surface）。

攻击面是网络安全中的核心概念，指系统中所有可能被未授权用户利用来进入或提取数据的点的总和。它包括网络攻击面（开放端口、API端点、网络协议）、软件攻击面（代码中的输入验证点、依赖库、配置接口）和物理攻击面（硬件接口、存储介质）。攻击面管理（ASM）已成为一个独立的安全细分市场，Gartner将其列为关键安全技术趋势之一。攻击面"有限"这一论断的深层含义是：对于任何给定的系统版本，其暴露的攻击入口数量是可枚举的，而非无限扩展的，这与数学上的有限集合概念类似。

现代ASM工具（如Censys、Shodan）通过持续发现和清点组织的数字资产来量化攻击面大小。MITRE ATT&CK框架将已知攻击技术分类为14个战术和数百个技术/子技术，为攻击面的系统性枚举提供了框架。然而需要注意一个重要的反向力量：虽然单个系统版本的攻击面是有限的，但随着云原生架构、微服务化和API经济的扩展，组织整体的攻击面实际上在持续膨胀——一个典型的现代企业可能拥有数千个API端点、数百个SaaS集成和持续变化的容器部署。这种动态扩张与AI扫描能力的提升之间的赛跑，决定了价值贬值的实际速率。

为什么攻击面有限意味着价值贬值？

可以这样理解：漏洞扫描的价值本质上取决于"还有多少未被发现、未被修复的漏洞"。当AI扫描工具足够便宜、足够普及时，绝大多数常见的、模式化的漏洞都会被快速识别和修补。随着时间推移：

• 软件栈本身在不断进化，逐步淘汰高危的老旧组件
• 自动化扫描把"低垂的果实"（low-hanging fruit）越摘越少
• 剩下的漏洞越来越难挖，边际价值随之递减

这里所说的"低垂的果实"在安全行业中特指那些容易被自动化工具发现的常见漏洞类型，如SQL注入、跨站脚本（XSS）、已知CVE的未修补组件、默认凭据等。OWASP Top 10中列出的大多数漏洞类别都属于此范畴。历史数据表明，漏洞赏金平台（如HackerOne、Bugcrowd）上的平均赏金金额和发现频率呈现出明显的分层：80%的报告集中在20%的常见漏洞类型上，而真正高价值的零日漏洞（zero-day）越来越难以发现，需要的研究深度和时间投入呈指数级增长。这完美印证了边际收益递减的经济学规律。

从漏洞市场经济学的角度来看，这种分层正在加剧形成"K型分化"。零日漏洞交易市场（如Zerodium、灰色市场）的定价清晰反映了供需关系：一个iOS完整远程越狱链的收购价高达250万美元，而一个普通XSS漏洞在赏金平台上可能只值几百美元。随着AI扫描能力的普及，低价值漏洞的发现成本趋近于零，其市场价格也将同步下跌。但高价值漏洞由于发现难度呈指数增长，其稀缺性反而在上升。这意味着AI漏洞扫描工具的商业价值将主要集中在"中间地带"——那些比简单的模式匹配更难发现、但又不需要人类安全研究员数月投入的漏洞。

换言之，当扫描能力商品化后，单次扫描能带来的"新增安全增益"就在缩水。这与许多技术服务的价值曲线类似：能力越普及，单位价值越低。

攻防两端同步升级的矛盾

说个细节，这个判断并非没有反方力量。AI模型能力的增长是双刃剑：

"OpenAI的网络安全模型可能更便宜，下一代Kimi会更便宜，但随之而来的是攻击者的能力也在增强。"

这意味着防守方降低成本的同时，进攻方也在获得同样廉价而强大的武器。理论上，如果攻击者能力增长得足够快，漏洞扫描的价值反而应该上升——因为你需要更强的防御来对抗更强的进攻。

从博弈论的视角来看，这一动态可以用军备竞赛模型来分析。安全领域长期存在"防御者困境"（Defender's Dilemma）：防御者必须保护所有攻击面，而攻击者只需找到一个突破口。AI工具虽然能提升防守效率，但同样降低了攻击门槛——大语言模型已被证明能自动生成钓鱼邮件、编写恶意代码变体、甚至发现新型攻击路径。更值得警惕的是，AI赋能的攻击具有规模化优势：同一个攻击脚本可以同时对数千个目标发起定制化攻击，而每个目标的防御必须独立应对。DARPA的AI Cyber Challenge（AIxCC）项目正在探索让AI系统自主进行攻防对抗，这预示着未来的网络战争可能演变为AI对AI的自主博弈，人类安全专家的角色将从"操作者"转变为"裁判和战略家"。

但原作者的判断依然偏向"贬值"，理由回到了那个核心前提：攻击面的物理上限。无论攻防双方如何军备竞赛，一个系统能被攻击的入口点终究是有限的。当这些入口被系统性地加固后，纯软件层面的漏洞扫描能带来的增量价值必然递减。

安全的终极形态：从应用层下沉到硬件层

文章中一个颇具前瞻性的观点是关于"安全极致化"（cybersecurity-maxx）的路径选择：

"你可以让代码尽可能安全，但如果真的想把安全做到极致，你应该换一个更安全的技术栈，而这可能要一直下沉到硬件层面。"

从应用层到硬件层的纵深防御

这揭示了一个重要的安全思维转变：单纯依赖应用层的漏洞扫描存在天花板。真正的安全需要从架构层面重新思考：

• 技术栈选择：采用内存安全语言（如Rust）、经过形式化验证的系统，从根源上减少漏洞类别
• 硬件级安全：可信执行环境（TEE）、硬件安全模块（HSM）、安全启动等，把信任根扎在硬件里

Rust语言是内存安全语言的代表，它通过所有权系统（ownership system）和借用检查器（borrow checker）在编译期就消除了内存越界、空指针解引用、数据竞争等整类漏洞。微软的研究表明，其产品中约70%的安全漏洞属于内存安全问题，这意味着仅通过语言选择就能从根源上消灭大部分漏洞类别。形式化验证则更进一步，使用数学方法证明程序满足其规格说明。seL4微内核是首个经过完整形式化验证的操作系统内核，已被用于军事和航空航天领域。这些技术的推广将从根本上改变漏洞扫描的价值方程——如果漏洞类别本身被消灭，扫描这些类别的工具自然失去意义。

在硬件安全方面，可信执行环境（TEE）是处理器芯片中一个隔离的安全区域，能够保护其中运行的代码和数据免受操作系统甚至虚拟机管理程序的窥探。Intel SGX、ARM TrustZone和AMD SEV是主流实现。硬件安全模块（HSM）则是专用的物理设备，用于安全地生成、存储和管理加密密钥，银行和证书颁发机构广泛使用。安全启动（Secure Boot）确保从固件到操作系统的每一步加载都经过签名验证，形成从硬件到软件的信任链（Chain of Trust）。这些技术将安全的信任根（Root of Trust）锚定在硬件层面，使得即使软件被完全攻破，关键资产仍受保护。

当防御被推向栈的更底层时，软件漏洞扫描的相对价值自然会进一步被稀释。

最坚固与最脆弱：技术栈的两端

文章最后给出了一个耐人寻味的结论——最好的攻击面永远位于技术栈的两个极端：最顶端和最底层：

"最终，最好的攻击面会是栈的最顶端和最底层——也就是拥有控制权或对机器有物理访问权限的人类。"

这个洞察直击网络安全的本质：

顶端：人的因素

无论技术栈多么坚固，人始终是最薄弱的环节。社会工程学攻击、内部人员威胁、权限滥用——这些都无法通过代码扫描来防范。拥有系统控制权的管理员、开发者，本身就是最高价值的攻击目标。

社会工程学攻击利用人类心理弱点（如信任、恐惧、好奇心）来绕过技术防御。2024年MGM Resorts遭受的大规模攻击就始于一个针对IT帮助台的电话钓鱼。Verizon数据泄露调查报告（DBIR）持续多年显示，74%以上的安全事件涉及人的因素。内部威胁更是难以防范——拥有合法访问权限的员工可以在不触发传统检测系统的情况下窃取数据。即使AI能力再强，它也无法完全预测人类的非理性行为和社会动态。这解释了为什么安全培训、零信任架构（Zero Trust）和最小权限原则（Principle of Least Privilege）等以人为中心的安全措施永远不会过时。

零信任架构的兴起正是对"人的因素"的系统性回应。传统安全模型基于"城堡与护城河"的边界防御思想，假设内部网络是可信的。零信任则遵循"永不信任，始终验证"的原则，由Google的BeyondCorp项目率先在企业规模上实践，NIST SP 800-207为其定义了标准框架。在AI时代，零信任的重要性进一步凸显——当AI能够模拟合法用户行为、生成逼真的凭据时，基于身份的持续验证和微分段（microsegmentation）成为关键防线。每次访问请求都必须经过身份验证、设备健康检查和上下文风险评估，无论请求来自内网还是外网。这种架构从根本上消解了"内部可信"的假设，将安全从边界防御转变为以身份为中心的持续验证。

底层：物理访问

另一端则是对机器的物理访问。一旦攻击者能够物理接触硬件，几乎所有的软件防御都可能被绕过。这也是为什么数据中心的物理安全、供应链安全如此关键。

供应链攻击通过渗透软件或硬件的上游供应商来间接攻击最终目标。2020年的SolarWinds事件影响了18,000多个组织包括多个美国政府机构，2021年的Codecov和Kaseya事件进一步凸显了这一威胁向量的破坏力。在硬件层面，芯片制造过程中的后门植入（hardware trojan）更是几乎不可检测。美国CHIPS法案和欧盟芯片法案的出台，部分原因就是对半导体供应链安全的担忧。这些威胁无法通过应用层的AI扫描来发现，需要从采购审计、代码签名、SBOM（软件物料清单，Software Bill of Materials）到物理安全等多层面的综合管控。SBOM的概念近年来获得了政策层面的推动——美国2021年的网络安全行政命令要求向联邦政府销售软件的供应商必须提供SBOM，使得软件的组件透明度成为合规要求。

总结：AI时代安全投资的正确方向

这场简短的讨论虽然以"打赌"的形式提出，却勾勒出AI时代网络安全经济学的清晰图景：

1. AI漏洞扫描会持续贬值，因为攻击面有限，而扫描能力正在商品化；
2. 贬值速度慢于模型降价，因为攻防在同步升级，防御需求不会消失；
3. 真正的安全护城河在架构与硬件层，而非单纯的应用层扫描；
4. 人与物理访问始终是终极攻击面，这是任何AI工具都无法完全覆盖的盲区。

对于安全从业者和企业决策者而言，这提示我们不应把预算全部押注在越来越便宜的AI扫描工具上，而应更多投资于安全架构、供应链管控和人员安全意识——这些才是长期价值不会贬值的领域。具体而言，安全预算的分配应该向三个方向倾斜：首先是架构现代化（迁移到内存安全语言、实施零信任架构），其次是供应链治理（SBOM管理、供应商安全评估、代码签名基础设施），最后是持续的人员安全文化建设（超越年度合规培训，建立安全驱动的组织文化）。AI扫描工具应被视为基础卫生措施——必要但不足以构成竞争优势。