MITRE CVE 紀錄顯示，AI 發現安全漏洞的速度快過團隊分流處理
MITRE 在 2025 年記錄了破紀錄的 48,244 個漏洞，而 MITRE CVE 紀錄在 2026 年上半年持續攀升。AI 輔助研究加快發現漏洞，但披露數量如今已超出許多安全團隊驗證、排定優先次序及修補每項發現的能力。
據報道數據，截至 2026 年 6 月，已有超過 35,000 個漏洞完成登記。這已相當於上一個全年紀錄的近四分之三。這項增長不單表示開發者突然開始編寫質素大幅變差的軟件。
更深層的轉變在於發現方式。AI 系統能檢查大型程式碼庫、比較軟件版本、提出攻擊路徑，並以人類研究員無法比擬的規模找出可疑行為。Anthropic、OpenAI、Google、Microsoft 及多家安全供應商，均已投資於專注網絡安全的模型或研究計劃。
這帶來明顯的矛盾。更早發現隱藏弱點，能讓防守方有時間消除它們；但每宗新披露，同時亦會進入一個由維護者、協調機構、安全團隊及資產擁有人組成、已不勝負荷的系統。
結果並非成功攻擊數量直接爆升。現有證據顯示，漏洞披露急增、已觀察到的被利用事件增幅較小，而兩者之間的營運落差正不斷擴大。
MITRE CVE 紀錄上升速度快過預測
決定性的改變並非某一宗特別驚人的漏洞，而是整個披露系統持續加速。
Common Vulnerabilities and Exposures 識別碼，即 CVE，是用於公開披露安全漏洞的標準化標籤。CVE 讓供應商、研究員、政府及安全工具可指向同一問題，而毋須依賴不一致的名稱。
2017 至 2020 年間，登記個案數目每年維持在數萬宗。2021 年達到 20,161 宗，其後增至 2024 年的 40,077 宗及 2025 年的 48,244 宗。截至 2026 年 6 月，已登記數目超過 35,000 宗。
被稱為 FIRST 的 Forum of Incident Response and Security Teams，在該年開始前已預期將再創紀錄。其 2 月預測把 2026 年 CVE 的中位數估計定為 59,427 宗。
實際披露很快已超出該軌跡。FIRST 的年中預測發現，截至 4 月的發布量較其早前預測高出 46.3%。該組織把全年估計上調至約 66,000 個 CVE。
這次重新評估發現，截至 4 月的 CVE 數量較初始模型預期多出 6,420 個。該組織將差異歸因於多項因素，包括 AI 輔助發現、更廣泛的通報，以及 CVE 生態系統內的變化。
GitHub Security Advisory 的數量按年增加 449%。隨着該組織處理大量沒有其他指定授權機構的漏洞積壓，VulnCheck 的 CNA of Last Resort 活動量增加 3,119%。
這些細節相當重要，因為 MITRE CVE 紀錄並非衡量單一事物。它結合了新研究、舊有發現進入系統、供應商披露周期、覆蓋範圍擴展及行政變動。把每個新增 CVE 都視為軟件剛變得更不安全的證據，將會誤讀數據。
納入漏洞追蹤的軟件產品數量亦大幅增加。安全研究員現時檢查更多應用程式、裝置、函式庫、雲端服務及開源元件。更佳的可見度自然會揭示過去未有記錄的漏洞。
大型供應商的發布可造成突發的每月高峰。一家公司完成協調審查後，可能會一次過披露數百個相關問題。因此，所得圖表既反映發布時間表，也反映實際發現速度。
然而，這些限制並未抹去轉變。AI 正擴大研究員可檢查的程式碼量，並縮短識別可信弱點所需時間。這項新能力在通報基礎設施已面對日益增加工作量之際出現。
因此，這項紀錄同時衡量進展與壓力。更多漏洞在攻擊者發現前變得可見，但每份有效通報都會為維護者及防守方帶來工作。
AI 漏洞發現改變了尋找漏洞的規模
AI 漏洞發現把稀缺的人工程式碼審查，轉變為可在龐大軟件資產中反覆執行的流程。
傳統漏洞研究需要專家理解應用程式、識別危險行為、建立測試，並確認攻擊是否可行。自動化掃描器有所幫助，但它們通常依賴已知模式，並會產生誤報。
前沿 AI 模型加入了另一層能力。它們可跨檔案推理、追蹤資料在程式中的流向、比較已修補與未修補版本、生成測試案例，並提出弱點組合建議。人類研究員仍須驗證具重大影響的發現，但搜尋階段可覆蓋更多範圍。
Anthropic 的 Claude Mythos Preview 在 2026 年成為一個顯著例子。該公司表示，早於 2 月已開始利用一個早期模型快照檢查開源軟件。外部安全公司其後協助分流、驗證及通報高嚴重性或極高嚴重性發現。
Anthropic 的公開披露儀表板在 8 月快照中記錄了 462 個已發出識別碼。其中包括 177 項 CVE 紀錄及 285 項 GitHub Security Advisories，但一項發現可能同時獲得兩種識別碼。
更廣泛的聲稱規模則大得多。Anthropic 表示，Project Glasswing 已發現超過 10,000 個高嚴重性或極高嚴重性漏洞。公開紀錄僅涵蓋其聲稱總數的一部分，令研究員無法評估大多數個別發現。
Epoch AI 檢視了來自 21 家主要科技機構的披露數據，包括 Microsoft、Google、Apple、Oracle、Cisco、Linux、Mozilla 及 Apache。其嚴重性數據顯示，6 月發布了約 1,550 個高嚴重性及極高嚴重性 CVE。
該 6 月總數超過 Anthropic 宣布 Mythos Preview 前所觀察到的月度紀錄三倍。7 月約有 2,500 項高嚴重性及極高嚴重性披露，約為早前紀錄的五倍。
Epoch 提醒，這些數字涵蓋公開披露，並非每個私下發現的漏洞。它亦指出，隨着紀錄獲得新資訊，嚴重性評分會改變。分析員修訂個別 CVE 後，歷史每月總數可能出現變動。
儘管如此，時間點仍支持以下結論：前沿模型已成為有意義的研究工具。AI 計劃開始運作的同時，大型供應商亦擴展內部審計、推出新披露措施，並增加投資。
Google 形容其近期發現量在規模及速度上前所未有。供應商數據顯示，許多新通報漏洞來自內部研究，而非外部攻擊者。這項區別讓防守方有機會在犯罪集團將弱點武器化之前完成修補。
AI 亦協助研究員重新檢視舊有軟件。舊式程式碼可能包含歷經多年測試仍未被發現的錯誤，因為沒有人有足夠時間檢查每條路徑。持續搜尋可疑行為的模型，可找出與近期開發無關的漏洞。
這項優勢不僅適用於大型科技公司。開源維護者、小型供應商及安全顧問公司，都可利用自動化分析檢查以往只獲有限關注的元件。
然而，發現只是第一步。一個可信漏洞必須被重現、評估、安全通報、分配識別碼、修正、測試及部署。AI 加快了這條鏈的開端，卻不會自動擴充末端的每個團隊。
這種失衡解釋了為何更多發現不會立即帶來更安全的系統。其效益取決於維護者能否在攻擊者將發現轉化為漏洞利用程式前，將其轉化為可靠修正。
更多披露不代表每個漏洞都是緊急事件
網絡安全的核心問題，已從發現足夠漏洞轉為識別哪些發現會帶來即時且可觸及的風險。
原始 MITRE CVE 紀錄是計數，而非優先處理隊列。一個存在於面向互聯網閘道、且正被積極利用的漏洞，應獲得與未使用元件中的本機漏洞截然不同的回應。
FIRST 透過可利用性數據檢視這項區別。其年中評估利用 Cybersecurity and Infrastructure Security Agency 的 Known Exploited Vulnerabilities 目錄，以及高於 10% 的 Exploit Prediction Scoring System 結果，篩選漏洞。
該組織發現，儘管總量急升，可採取行動的可利用性大致保持平穩。按其說法，防守方正面對更多雨水，但未必是按比例更大的洪水。
這項發現挑戰了對 AI 漏洞發現的常見詮釋。模型顯然正協助研究員產生更多發現。現有證據並未顯示，每一個由 AI 找出的弱點都更容易或更具吸引力被利用。
VulnCheck 分析了 1,061 項可公開歸因於 AI 輔助發現的漏洞，當中與 Anthropic 的 Project Glasswing 及 Berkeley Vulnerability Research Initiative 有關。它發現其中 14 項，即 1.3%，已確認在真實環境中遭利用。
這個比率接近 VulnCheck 較大數據集中的利用率。比較顯示，AI 輔助發現的漏洞本質上未必較傳統方式發現的漏洞更容易演變成真實攻擊。
Anthropic 已發布的結果令這個落差更明顯。VulnCheck 報告指出，Claude Mythos 已識別 23,019 個漏洞候選項，但其分析中只有 126 項以 CVE 形式出現。其中一項已確認遭利用。
這些數字並不證明其餘候選項無害。許多可能仍在審查、進行協調披露、等待修補，或因發布會造成風險而被保留。它們確實顯示，候選項數量與已驗證 CVE 並不可互換。
Google Threat Intelligence Group 從另一個數據集得出相關結論。其利用分析記錄了 2026 年 1 月至 8 月間同時被披露及被利用的 141 個漏洞。
該總數超過 2025 年全年記錄的 127 個。平均每月被利用數量由 2025 年的 10.5 宗升至 2026 年的 18 宗。
不過，在所有 2026 年披露的漏洞中，只有 0.23% 出現在已觀察到的利用事件中。這大約相當於每 431 宗披露中，只有一宗漏洞被積極利用。
這個小比例不應令人掉以輕心。單一漏洞便可影響數以千計機構，特別是當它存在於廣泛部署、面向互聯網的產品中。攻擊者毋須將每個 CVE 武器化，亦足以造成廣泛損害。
入侵利用數據在年內稍後時間亦變得更令人憂慮。Google 發現，5 月後披露增長與入侵利用增長的走勢高度一致。經指數化計算的披露數量上升 128%，而經指數化計算的入侵利用則增加 127%。
高風險入侵利用數量增逾一倍。Google 統計，2026 年 1 月至 8 月期間有 75 個遭利用的高風險漏洞，相較之下，2025 年全年為 28 個。
零日活動則相對穩定。零日漏洞是指供應商或用戶尚未有有效修正方案前便已遭利用的漏洞。月均數量由 2025 年的 8 個升至 2026 年的 11 個，惟 8 月達到 22 個。
Google 指出，攻擊者迅速將已知漏洞武器化（即所謂 n-day），可能比利用 AI 尋找全新零日漏洞帶來更即時的價值。模型可比較修補程式、發行說明、產品版本及概念驗證程式碼，以加快這個過程。
這正是為何安全團隊需要風險背景，而不只是更龐大的漏洞清單。CISA 的已知遭利用漏洞目錄列出有活躍入侵利用證據的漏洞。EPSS 則估算已公開 CVE 在短期內遭利用的機率。
這些訊號並不完美，但有助機構區分已記錄的弱點與迫切的攻擊途徑。資產暴露情況、權限、可被觸及的系統及可用緩解措施，仍是決策中不可或缺的部分。
真正的瓶頸在於分流與修補能力
AI 產生安全發現的速度，可以快過機構釐清責任歸屬、測試修正方案及安全部署修補程式的速度。
每一個有效漏洞都會啟動一套營運流程。維護者必須重現問題、判斷嚴重程度、識別受影響版本、建立修正方案、測試有否造成回歸問題、準備安全公告，並協調發布。
客戶其後亦面對自己的流程鏈。他們必須找出受影響產品、了解易受攻擊的功能是否已啟用、評估補償性控制措施、安排更新，並確認修補是否成功。
當機構缺乏準確的軟件資產清單時，這項工作便會變得困難。若安全團隊不知道受影響元件在哪裡運行，或哪些業務服務依賴它，便無法有信心地為漏洞排定優先次序。
第三方依賴關係令問題更棘手。易受攻擊的函式庫可能位於應用程式底下數層，並一直不為營運者所察覺。容器、外掛程式、韌體及受管服務可令責任歸屬更加模糊。
人手短缺加劇壓力。Proofpoint 日本分公司的 Yukimi Sota 向原始新聞服務表示，由於安全行業缺乏足夠人手，許多公司在應對措施上已經落後。
日本企業近日發生的未授權存取及資訊外洩事件，令這項紀錄更顯迫切。據報涉及大型汽車共享服務 Times Car，並促使日本政府敦促企業加強防禦。
眼前的風險並非每個新 CVE 都需要緊急部署。風險在於缺乏結構的待辦佇列，會令團隊錯過攻擊者已在利用的少數漏洞。
按發布次序修補所有漏洞會浪費稀缺時間。倉促變更影響複雜生產系統時，亦可能引發服務中斷。防禦方必須將威脅情報與自身資產及業務背景結合。
實際的優先次序應先從活躍入侵利用開始。其後，團隊應考慮互聯網暴露程度、驗證要求、攻擊複雜度、可取得的權限、數據敏感度，以及受影響服務的重要性。
單靠供應商的嚴重性評級無法回答這些問題。隔離測試系統中的嚴重漏洞，可能比公共閘道上的高嚴重性漏洞帶來更低的即時風險。
安全團隊亦需要可靠方法保存決策。安全公告、例外處理紀錄、受影響系統備註及緩解證據，往往散落於工單、聊天紀錄、試算表及電郵之中。
可搜尋的技術知識庫可協助團隊把漏洞通知與架構文件及過往修復工作連繫起來。它不能取代掃描或修補，但可減少重複調查。
AI 亦可在這個階段提供協助。模型可總結安全公告、將產品名稱對應至資產清單、比較版本、草擬修復指引，並協助分析人員將重複報告分群。
這些用途需要管控。安全團隊必須驗證生成的結論、保護機密系統資訊，並避免向未獲授權的服務傳送憑證或敏感架構細節。
自動化修正方案會帶來另一類風險。移除一條易受攻擊程式碼路徑的修補程式，可能引入另一個缺陷或破壞生產環境行為。維護者仍需要測試、審查及分階段部署。
壓力在整個軟件生態系統中分布並不均衡。大型供應商可營運專責產品安全團隊，並協調大規模披露週期。小型開源專案則可能依賴少數志願者服務數千名用戶。
因此，AI 輔助研究可能將成本由資金充裕的模型開發商及安全實驗室，轉移至資源有限的維護者。發現更多漏洞固然有價值，但披露計劃必須考慮接收方的應對能力。
負責任的通報需要去重、清晰的重現步驟、嚴重性證據及合理的修復期限。提交數千個低可信度警示，只會耗用注意力，卻不會帶來相應的安全收益。
最理想的結果是建立平衡的流程。AI 廣泛搜尋，人類驗證具重大影響的發現，維護者收到有用的報告，而防禦方則根據實際暴露情況為部署排定優先次序。
缺乏這種紀律時，更高的發現量便會成為另一個警報疲勞來源。團隊看到更多警告，但最危險的少數問題仍被埋沒。
AI 改變漏洞競賽的兩個陣營
這場策略競爭並非 AI 防禦者對抗傳統攻擊者。雙方都可在同一漏洞生命週期的不同階段使用相近能力。
當內部 AI 計劃在公開前發現並修正漏洞時，防禦方目前取得了顯著優勢。Google 報告稱，在一次大型 Chrome 更新中，433 個漏洞中有 401 個由內部發現。
這個模式顯示，披露激增包含了預防性工作。由供應商掌控的發現流程，讓工程師可在詳細技術資訊廣泛傳播前開發修補程式、協調發布並為客戶作好準備。
攻擊者則在披露後取得優勢。AI 可消化安全公告、比較程式碼變更、生成概念驗證、掃描暴露系統，並調整公開的入侵利用程式碼。這些活動壓縮了發布與嘗試入侵利用之間的時間。
Recorded Future 表示，攻擊者利用漏洞所需的平均時間由 2025 年的 72 小時降至 2026 年的 24 小時。這項估算強化了立即優先處理可觸及漏洞的必要性，即使大多數 CVE 從未出現在觀察到的攻擊中。
AI 系統最終或可自主發現及利用未知漏洞。公開案例及供應商聲稱顯示，網絡安全工作的較長鏈條正取得進展，但現有證據仍不均衡。
部分示範在受控環境中進行，目標經仔細挑選，配備大量運算資源、自訂指令及專家監督。其結果並不能證明一般罪犯可大規模重現同等表現。
Palo Alto Networks 表示，Anthropic 與 OpenAI 的先進模型協助其在產品中發現 75 個漏洞，超過其平常每月數量的七倍。其首席產品官亦承認，這項工作需要大量客製化及人類專業知識。
這項限定很重要。模型能力只是實際攻擊的一部分。對手仍需要目標存取權限、基礎設施、驗證、隱蔽性、持續存留能力，以及把技術存取轉化為有用成果的方法。
防禦方亦具備結構性優勢。供應商掌控原始碼、內部測試、產品遙測數據及修補程式分發。他們可引導模型針對自身系統，並由了解架構的工程師驗證結果。
攻擊者受惠於不對稱性。他們只需一條有用途徑進入目標，防禦方則必須管理每個重要系統。AI 不會創造這種失衡，但更快的研究可加劇它。
披露本身把雙方連結起來。發布 CVE 為防禦方提供共同識別碼及修復資訊。它亦可能告訴攻擊者應聚焦何處，尤其當修補程式揭示了易受攻擊的程式碼時。
無限期延遲披露並非解決方案。未通報的漏洞可持續遭利用，客戶卻沒有任何保護途徑。目標是協調安排，讓維護者有時間發布修正方案，同時限制不必要的技術暴露。
迄今最有力的證據支持的結論，比樂觀或危言聳聽的說法都更為收窄。AI 已在提高漏洞發現能力，亦正協助分析及入侵利用開發，但入侵利用並未與原始披露量成正比上升。
這種平衡可以改變。模型正在改進，針對網絡安全的訓練正在擴展，更多機構正將代理整合至研究工作流程。圍繞最強大系統的存取控制，將影響這些能力擴散的速度。
安全領導者不應圍繞單一戲劇性的預測作規劃。他們應假設發現及武器化都會加快，然後建立可在多個可能時間線下保持有效的流程。
這意味著更短的資產識別週期、經測試的緊急修補程序、更佳的分段隔離，以及更強的入侵利用監測。亦意味著在可對照權威數據核查輸出的場合使用防禦性 AI。
安全團隊接下來應留意甚麼
三個訊號將顯示漏洞激增會否仍可管理，還是演變成更大的入侵利用危機。
第一個訊號是總 CVE 數量與已確認入侵利用之間的關係。原始披露數量大概會繼續創新高，但它們本身並不決定營運風險。
團隊應追蹤 CISA 目錄、入侵利用遙測數據及高可信度機率評分。若遭利用漏洞仍只佔披露的一小部分，優先排序便能遏制大部分工作量。
若入侵利用開始比披露增長得更快，核心論點便會改變。這表示攻擊者正將更大比例的發現轉化為可運作的行動，而不只是從更大的漏洞池中受惠。
第二個訊號是發現、驗證與修補程式可用之間的延遲。AI 輔助計劃可聲稱有數千個候選項目，但當中只有一部分會在附有修正方案的公開公告中出現。
轉換延遲縮短，將顯示供應商及協調者正隨着發現能力一同擴展產能。待處理積壓增加，則意味 AI 加速了流程前端，卻未解決更困難的修復瓶頸。
公開帳冊應可讓這項評估更容易進行。有用的報告應區分候選項目、已驗證漏洞、已分配識別碼、已完成修補程式及已部署修正方案。
第三個訊號，是修補程式或公告公開後的利用速度。過去，防禦方對不少漏洞的應對窗口以數星期計算。若有證據顯示漏洞會在一天內被例行武器化，將迫使更多機構自動檢查暴露面並進行緊急修復。
這個訊號比華麗的實驗室示範更重要。現實世界中漏洞武器化時間若能持續縮短，將影響每一家使用常見軟件的企業，即使攻擊者從未獲得完全自主的零日漏洞發現能力。
因此，MITRE CVE 記錄應促使機構檢視流程，而非引發不分青紅皂白的恐慌。機構需要知道自己運行哪些系統、哪些系統面向互聯網，以及誰負責作出修復決策。
它們亦應測試，緊急更新能否從公告發布走到實際部署，而不會困在審批隊列中。只存在於文件上的緊急程序，無法應對 24 小時的漏洞利用窗口。
AI 漏洞發現仍是一項防禦機遇。它能在犯罪分子發現舊有弱點前將其揭露，亦能協助維護者檢查過去未獲充分審查的程式碼。
好處取決於發現漏洞後的後續處理。沒有人驗證的發現只會製造雜訊。已驗證但未有可用修補程式的 CVE 會造成暴露風險。客戶無法部署的修補程式，無法消除根本風險。
對開發人員、安全主管及科技採購決策者而言，關鍵問題已不再是 AI 能否找到更多漏洞。證據表明它可以。問題在於，你的機構能否在攻擊者做到同樣事情之前，將大量發現轉化為一份精簡、有序的行動清單。
