99.4%登顶全球第一！这个中国AI师承世界冠军

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 99.4%登顶全球第一！这个中国AI师承世界冠军 一水 2026-11-06 13:01:47 来源： 量子位 一举刷新「AI安全世界杯」CyberGym世界纪录 一水 发自 凹非寺 量子位 | 公众号QbitAI 99.4%，全球第一。 好家伙，硅谷那几家天天站在聚光灯下大谈AI安全，谁承想呢？ 如今刷新AI安全世界纪录的，是一个中国AI系统。 就在被称为「AI安全世界杯」的CyberGym榜单上， 360自研AI安全攻防系统图龙锋，以99.4%的漏洞复现成功率登顶，创下该榜单最高纪录 。 △图源：CyberGym项目主页 （只截取部分） 同一张榜单上，与图龙锋同场竞技的，还有OpenAI的GPT-5.5-Cyber、Anthropic的Claude Mythos Preview，以及Google的Gemini 3.8 Flash Cyber。 全是专门强化过网络安全能力的各家选手。 就，还挺壮观的。。。 而且这个第一，还真不是扫两眼代码、圈几个可疑位置就能轻易拿下的。 1507个真实漏洞任务，连续三轮独立评测 ，AI需要从海量代码中定位相关位置、构造PoC （概念验证） ，再把漏洞真正复现出来，才算答对。 CyberGym刚发布时，全球最佳组合「OpenHands＋Claude 3.7 Sonnet」的成功率只有11.9%。 现在，图龙锋直接干到了99.4%，一个接近满分的成绩。 这就有点离谱了。 360到底怎么把一个AI，练成全球第一的漏洞挖掘高手？？ 往前回溯了下历史，只能说终极答案，既在意料之外，也在情理之中—— 没错，人，依旧是那个最关键的变量 。 全球第一的AI背后，是一群世界冠军 图龙锋的故事，恰好印证了「名师出高徒」这句中国老话，到了AI时代依然管用。 时间回到2017年，温哥华，Pwn2Own世界黑客大赛 。 这场比赛被称为「黑客世界杯」，规则简单粗暴： 参赛团队必须在规定时间内攻破真实产品，并当场完成漏洞利用和验证。 程序没被真正攻破，说什么都不算数。 比赛最后一天，360安全团队带来了一条横跨Microsoft Edge、Windows内核和VMware Workstation的攻击链。 他们要挑战的，是连续三道防线： 先攻破浏览器，再穿透操作系统内核，最后从虚拟机中强行逃逸，直抵宿主机。 三道关卡环环相扣，任何一环失手，整条攻击链都可能功亏一篑。 但现场演示开始后，整条攻击链跑通，只用了90秒 。 是的，90秒，如入无人之境。 不过观众看到的也就这90秒了，真正困难的工作，早在上台之前就已经开始。 研究员要从陌生系统里找到突破口，再把几个漏洞串成一条完整路径，中间经历过多少次试错，外界无从得知。 台上的90秒，只是反复判断之后，最终留下的那条正确路径 。 最终，经过三天较量，360以63分登顶积分榜，拿下赛事最高荣誉Master of Pwn （世界破解大师） 。 △图源：Pwn2Own官网 类似的能力展示在360也不止出现过一次。 2020年，360 Alpha Lab安全研究员龚广带来了一条名为「梯云纵」的漏洞链。 名字很有武侠味，实际效果也确实够猛。 攻击者可以远程突破Chrome浏览器和Android系统的多层防护，最终获得设备控制权限。 凭借这项研究，龚广拿下被誉为安全圈「奥斯卡」的Pwnie Awards「史诗级成就奖」，成为首位获得该奖项的中国安全研究员。 △图源：360官网 看到这里，事情开始有意思了。 Pwn2Own和「梯云纵」，面对的软件不同，技术细节也完全不一样。 但核心逻辑是一样的： 在没有标准答案的地方，自己找出一条能走通的路 。 这种能力，靠背题库显然背不出来。 得靠啥？当然是真刀真枪地干。 而360最不缺的，恰恰就是实战。 据360披露，其安全团队累计发现并协助修复微软、谷歌、苹果、华为、高通等厂商的CVE漏洞 （即拥有国际通用编号的公开漏洞） 超过3000个。 3000多个真实漏洞，是什么概念？ 意味着这群人长期都在和陌生代码、复杂系统，以及没有现成答案的问题打交道。 今天面对浏览器，明天可能就是操作系统、芯片或者企业业务软件，项目一换，原来的解法很可能直接失效，只能重新找。 这么多年磨下来，哪些线索值得追、什么时候该换方向，慢慢就成了一种判断力。 这才是360真正难复制的地方。 顶级安全专家本就稀缺，能让一群顶级专家连续二十多年处理数千个真实漏洞，把一次次试错沉淀成经验的团队，更稀缺 。 但问题也跟着来了，再厉害的专家，一天也只有24小时。 面对海量代码和不断冒出来的新软件，光靠人一行行看，终究忙不过来。 于是，一个很自然、也很大胆的想法出现了： 能不能让AI也学会这群专家的「判断力」？ 而这，才是图龙锋故事真正的起点。 把世界冠军的手艺教给AI，最难的不是喂答案 要把世界冠军的本事教给AI，第一反应当然是喂数据。 公开的CVE、NVD，再加上散落在网上的漏洞报告，数量已经相当可观。 但我翻了一圈，很快发现一个有意思的问题： 这些公开数据，往往只告诉你漏洞是怎么回事，却很难还原高手当初是怎么找到它的。 有结果，没过程，这谁看了不头疼？ 直接幻视小时候抄寒假作业了有没有。 一翻参考答案，结果倒是写得明明白白，最关键的推导过程却只有一个字： 略 。 偏偏对漏洞挖掘来说，最值钱的经验，就藏在这个「略」字里。 这时候，360过去二十多年的积累就派上了用场。 常年身处安全攻防一线，360在恶意程序查杀、攻击处置和漏洞研究中，攒下了大量来自真实环境的安全样本。 更关键的是，那群安全研究员在真实攻防中怎么分析、怎么调用工具、试错之后怎么调整方向，都逐渐沉淀成了过程数据和专家经验。 「真样本+真经验」，两类数据放在一起，分量就完全不一样了。 按照360披露的技术路线，这些内容被用于训练图龙锋背后的安全领域大模型。 得，世界冠军压箱底的「独门秘籍」，就这样进了AI的脑子。 不过，模型学会怎么判断，距离真正挖出漏洞，还差「动手」这一步。 我原本以为，给模型接上代码库和安全工具，再套一层Agent，不就行了？ 这也是行业里很常见的做法。 可漏洞挖掘有点特殊。 面对几百万行陌生代码，最难的往往是确定从哪里下手。 底层模型如果看不懂安全，Agent再忙，也可能沿着错误的方向一路狂奔。。。 这也解释了图龙锋为什么同时推进两条技术路线： 安全领域大模型＋专业智能体蜂群 。 更细的工程实现，公开资料里没有完全展开。 毕竟是商业产品，咱们就顺着官网这张图，看看它最核心的设计思路。 安全领域大模型负责找方向 。 360先用多年积累的安全数据和专家经验，训出一个懂安全的专业模型。 再通过「反向教学」，让这位安全专家把本事教给通用模型。 这样，原本什么代码都能看的通用模型，又多了一双发现安全问题的眼睛，升级成了「安全领域大模型」。 脑子有了，专业智能体蜂群随即开工 。 360把专家挖漏洞的流程和工具拆开，交给不同智能体分头执行，从分析代码、调