1988年11月2日晚上，康奈尔大学研究生罗伯特·莫里斯按下了回车键。
他编写的一段代码开始在互联网上传播。这段代码会自动寻找其他计算机，利用几个已知漏洞进入系统，然后复制自己，继续寻找下一个目标。莫里斯的初衷只是做一个实验，测试互联网的规模。但他犯了一个致命错误：程序没有设计感染检测机制，导致同一台电脑可能被反复感染，直到系统崩溃。
24小时内，大约六千台计算机瘫痪，占当时整个互联网的十分之一。
这是人类历史上第一次蠕虫病毒攻击，史称莫里斯蠕虫。它让全世界意识到，计算机网络存在一种全新的威胁：恶意软件不需要人工操作，就能自动传播，自动复制，像生物病毒一样在网络中扩散。
三十多年后，2025年1月，多伦多大学的研究团队发布了一项令人不安的研究成果。他们构建了一种全新的蠕虫病毒，在七天内感染了测试网络中百分之六十二的设备。
但这一次，蠕虫不再是一段固定的代码。它第一次拥有了推理能力。
要理解这次研究的意义，我们需要先弄清楚传统恶意软件是如何工作的。
过去几十年里，无论是病毒、木马、蠕虫还是勒索软件，它们的运行逻辑本质上都是相同的：执行预先编写好的指令。就像一个剧本，攻击者是编剧，恶意软件是演员，按照剧本一步步演下去。
一个典型的蠕虫病毒传播流程是这样的。首先，攻击者发现某个软件存在漏洞，比如Windows系统的某个网络服务存在缓冲区溢出漏洞。然后，攻击者编写一段利用这个漏洞的攻击代码，把它打包进蠕虫程序。蠕虫启动后，会扫描网络中的其他计算机，寻找同样运行这个有漏洞服务的目标。一旦找到，就发送精心构造的数据包，触发漏洞，获得控制权，然后把自己复制到新的机器上，继续重复这个过程。
2017年的WannaCry勒索软件就是这样传播的。它利用了Windows系统的永恒之蓝漏洞，在全球范围内感染了超过二十万台计算机。但当微软发布补丁，修复了这个漏洞之后，传播立即停止。因为蠕虫只会一种攻击方式，漏洞被堵上之后，它就失去了传播能力。
这就是传统网络安全防御体系的基础：找到漏洞，发布补丁，更新系统，问题解决。这套体系运转了几十年，虽然不完美，但大体有效。因为无论恶意软件如何复杂，它的行为模式是固定的，攻击路径是可预测的，只要切断它依赖的那个漏洞，传播链就会中断。
防火墙、入侵检测系统、病毒查杀软件，所有这些工具的设计思路都基于同一个假设：恶意软件是确定性的程序，它会做什么，完全取决于攻击者事先写好的代码。
但现在，这个假设可能不再成立了。 AI第一次让恶意软件拥有了"大脑"。
多伦多大学的研究团队没有发明新的漏洞利用技术，也没有开发超级复杂的攻击代码。他们做的事情，是给蠕虫病毒装上了一个AI推理引擎。
这个AI引擎使用的不是GPT或者Claude这样的商业模型，而是完全开源、可以在本地运行的小型语言模型。它不需要连接到云端服务器，不需要调用API，整个攻击过程都在被感染的设备上独立完成。
这意味着什么？意味着恶意软件第一次具备了观察、思考、规划、执行、反馈的完整能力。
传统蠕虫的行为模式是线性的。发现目标，执行攻击，成功则复制，失败则继续寻找。它不会分析为什么失败，不会调整策略，不会尝试新的方法。但AI蠕虫完全不同。
当它进入一个新的系统时，它会先观察环境。这台设备运行的是什么操作系统？是Windows还是Linux？版本号是多少？开放了哪些网络端口？安装了哪些软件？存在哪些已知漏洞？网络中还有哪些其他设备？它们之间是如何连接的？
然后，它开始推理。根据收集到的信息，AI会分析最有可能成功的攻击路径。如果发现目标设备运行的是一个已知存在漏洞的旧版本服务，它会优先尝试漏洞利用。如果没有明显漏洞，它可能会转向寻找配置错误，比如默认密码、过度开放的权限、未加密的通信。如果这些也行不通，它甚至可以尝试社会工程学手段，比如生成钓鱼邮件，诱导用户点击链接。
整个攻击策略不是预先写好的，而是实时生成的。每一步都基于当前环境的具体情况动态调整。如果第一种方法失败了，AI会分析失败原因，然后换一种方式再试。它可以在数百种可能的攻击路径中选择最优解，就像一个真正的黑客在现场临场发挥一样。
成功控制一台设备之后，AI蠕虫会把自己复制到新的机器上，下载模型参数，建立新的推理节点。然后，新的节点继续独立分析周围环境，寻找下一个目标。每一个被感染的设备，都成为一个自主的攻击单元。
在多伦多大学的测试网络中，这个AI蠕虫在七天内感染了百分之六十二的设备。而且研究人员发现，即使他们修复了蠕虫最初使用的漏洞,传播依然在继续,因为AI已经找到了其他攻击路径。
这不再是脚本,而是智能体。
论文作者在接受采访时说了一句话："You can't patch your way out of it." 你无法靠打补丁解决这个问题。
这句话听起来危言耸听,但背后的逻辑其实很清楚。
传统安全模型的核心是漏洞管理。发现一个漏洞,发布一个补丁,系统更新之后,这个漏洞就不再是威胁。这套流程在过去几十年里拯救了无数次安全危机。CVE漏洞编号系统、自动更新机制、零日漏洞响应团队,整个网络安全产业都建立在这个基础上。
但这套模型有一个前提:攻击者依赖特定漏洞。只要把那个漏洞堵上,攻击就会停止。
AI蠕虫打破了这个前提。它不依赖某一个特定漏洞,而是持续寻找任何可以利用的弱点。漏洞A被修复了?没关系,我去找漏洞B。漏洞B也修了?那我试试配置错误C。配置也没问题?那我尝试弱密码D。所有技术手段都失效?那我生成一封钓鱼邮件,诱导用户点击。
攻击路径变成了一棵不断生长的树,而不是一条固定的线。
更糟糕的是,AI蠕虫可以利用零日漏洞,也就是那些尚未被发现、没有补丁的漏洞。传统攻击者寻找零日漏洞需要大量时间和专业知识,但AI可以通过分析软件行为、测试边界条件、模糊输入数据,自动发现潜在的安全缺陷。它可以每天尝试成千上万种组合,寻找那些人类可能需要数月才能发现的漏洞。
于是,未来的网络安全问题可能不再是"系统是否存在已知漏洞",而是"系统是否存在任何弱点"。这两者的难度完全不在一个量级。
前者是有限集合,可以逐一修复。后者是无限集合,永远无法完全消除。因为任何复杂系统都不可能做到完美无缺,总会存在某种配置疏漏、某个权限设置不当、某段遗留代码存在隐患。过去这些小问题可能不会被攻击者注意到,但现在,AI会系统性地寻找并利用它们。
研究团队还指出了另一个更深层的问题:攻击成本和防守成本的不对称。
传统网络攻击的成本是线性增长的。攻击一百台电脑,大约需要进行一百次攻击。但AI蠕虫不同。攻击第一台电脑需要初始成本,但之后的传播几乎不需要额外投入,因为被感染的设备会利用自己的计算资源继续攻击其他目标。攻击者的边际成本趋近于零。
而防守方呢?每修复一个漏洞,需要开发补丁、测试兼容性、推送更新、重启系统。每隔离一台被感染设备,需要审计日志、清理残留、恢复数据、验证安全性。防守成本是累加的,而且永远无法降到零。
这种经济模型上的不对称,可能比技术本身更可怕。
过去,网络攻防更像是猫捉老鼠的游戏。攻击者寻找漏洞,防守者修补漏洞,你来我往,有攻有守。但未来,这可能会变成AI对AI的持续博弈。
想象一个企业的安全运营中心。传统模式下,安全分析师盯着屏幕,监控异常流量,分析日志文件,判断是否存在入侵行为。但当攻击方使用AI蠕虫时,人类分析师的反应速度完全跟不上。AI可以在毫秒级完成环境扫描、漏洞分析、攻击决策,而人类可能需要几分钟甚至几小时才能意识到发生了什么。
于是,防守方也必须部署AI。自动化的入侵检测系统、基于机器学习的异常行为识别、AI驱动的威胁情报分析。未来的安全运营中心可能不再是人类盯着屏幕,而是AI监控AI,AI追踪AI,AI诱捕AI。人类的角色退居二线,只负责制定规则、审批决策、处理边缘情况。
这听起来像科幻小说,但技术上已经可行。目前已经有安全公司在研发基于大语言模型的自动化渗透测试工具,也有研究机构在开发AI驱动的防御系统。当攻击自动化和防御自动化同时发展,网络空间可能会变成两个智能系统之间看不见的战场。
多伦多大学的研究团队并没有真的把AI蠕虫释放到互联网上。他们在严格隔离的实验环境中完成测试,然后公开发表论文,警告学术界和产业界这种威胁的现实性。这正是负责任的安全研究应该做的:不是制造恐慌,而是提前预警,给防守方留出准备时间。
未来会怎样?也许某一天,AI蠕虫会真的出现在野外,造成严重破坏。也许防御技术会足够强大,让这种攻击无法成规模传播。也许攻防双方会达成某种微妙的平衡,就像生物进化中捕食者和猎物的军备竞赛一样。
但可以确定的是,网络安全的游戏规则正在改变。过去我们对抗的是代码,未来我们对抗的可能是智能。这是一个新的时代,也是一个新的挑战。
而人类,还有时间做好准备。
热门跟贴