360图龙锋累计发现了超1.5万个安全漏洞，并在国际AI安全基准CyberGym上以约99.4%的漏洞复现成功率登顶。其做法是把漏洞研究拆解给安全领域大模型与专业智能体组成的蜂群协同完成。这组数字背后，是一套用人工智能重构安全研究流程的尝试。
安全漏洞的发现，长期以来是一项高度依赖人力和经验的工作。研究人员需要阅读代码、理解系统结构、构造测试输入、验证漏洞是否真实存在，每一步都需要专业判断和耐心。一个经验丰富的安全研究员一次能够深入跟进的项目数量是有限的，而需要被检查的软件系统却越来越多。这种供需之间的落差，正是人工智能进入安全研究领域的大背景。
图龙锋累计发现超1.5万个安全漏洞，这一数量本身说明了规模化能力的价值。漏洞发现不是一次性的运气，而是持续产出的结果。能够达到这样的量级，意味着背后的流程已经不是单点突破，而是可以稳定运转的体系。对于安全行业来说，规模化的发现能力意味着更多的隐患可以在被恶意利用之前被找到和修复，整个软件生态的安全水位也因此有机会得到提升。
而在国际AI安全基准CyberGym上约99.4%的漏洞复现成功率登顶，则指向了另一个维度的能力：不只是“找到疑似问题”，而且能够“把问题复现出来”。在安全研究中，发现和复现是两个不同的环节。发现只是指出可能存在问题，而复现则是用实际操作证明问题确实存在，并且能够稳定触发。复现成功率接近百分之百，说明这套方法在验证环节上具有很高的可靠性，研究成果不是停留在猜测层面，而是经得起检验的结论。
实现这种能力的方法，是把漏洞研究拆解给安全领域大模型与专业智能体组成的蜂群协同完成。这个表述值得细细拆解。所谓拆解，意味着不再让一个模型包揽全部工作，而是把研究流程切分成多个环节；所谓蜂群协同，意味着多个专业智能体像蜂群一样分工配合，各自负责自己擅长的部分，最后汇聚成完整的结果。这种思路与人类安全团队的分工有相似之处：有人负责代码审计，有人负责动态测试，有人负责验证和整理，只不过在这里，执行者换成了不同专长的人工智能体。
这种分工模式的好处在于，它让每一部分的工作都能够由最适合的角色来承担。安全领域大模型提供通用的理解和推理能力，专业智能体则在各自的细分环节上做深做精。两者结合，既有广度又有深度，也更容易通过流程优化来提升整体效率。当某一个环节出现瓶颈时，也可以在不推翻整个体系的前提下针对性地改进，这正是体系化方法相比单点工具的优势所在。
从更广的视角看，人工智能参与安全研究正在改变这个行业的生产方式。过去，安全能力的提升主要依赖研究人员的个人经验积累，成长周期长、复制难度大；而智能体协同的模式，则有可能把一部分经验沉淀为可复用的流程和工具，让安全研究的能力更容易扩展。当然，这并不意味着人类研究人员会被取代。在漏洞的定性、影响的评估、修复方案的制定等需要综合判断的环节，人的经验仍然不可或缺。更现实的前景，是人机协作：机器承担规模化、重复性的发现和验证工作，人把精力放在更高层次的判断和决策上。
总体来看，图龙锋的这组数据提供了一个观察样本：当安全研究被拆解成可协同的流程，并交给大模型与专业智能体组成的蜂群来执行时，规模和可靠性可以同时得到提升。超1.5万个漏洞的累计发现量说明了规模，约99.4%的复现成功率说明了可靠性，而蜂群协同的方法则说明了实现路径。对于正在探索人工智能与安全结合的团队来说，这套做法值得认真研究和借鉴。
来源：新浪财经。
