朝鲜加密货币盗窃加速，黑客开始采用 AI

朝鲜加密货币盗窃已进入新阶段：当局将又一起数十亿美元级盗窃案归因于国家支持的黑客之际，调查人员正记录到更广泛的 AI 应用。10 月 31 日，FBI 指认朝鲜的 TraderTraitor 活动从 Binance 窃取了逾 60 亿美元。另据 Microsoft 描述，朝鲜行动人员正将 AI 嵌入研究、冒充身份、软件开发和行动协调之中。

现有证据将一种既有金融威胁与日益易得的自动化能力联系起来。但这并不能证明某个自主 AI 系统实施了 Binance 攻击。这一区别至关重要，因为眼下的压力落在那些授权访问、批准交易以及决定信任对象的人员和系统身上。

Bybit 提供了历史参照。FBI 将其 2025 年 2 月遭窃案归于同一活动标签。正在显现的冲突，是 AI 辅助准备与围绕人类判断构建的验证流程之间的对抗。攻击者可以提升招聘人员、同事或商业伙伴形象的可信度，而无需改变其根本目标：接触掌握高价值访问权限的人。

朝鲜加密货币盗窃让 AI 应用受到审视

FBI 对 Binance 盗窃案的归因认定，朝鲜应对 10 月 29 日的攻击负责。该机构将这一活动称为 TraderTraitor，并称攻击者试图将被盗资产主要转换为 Ethereum——一种加密货币网络及其关联资产。

这确立了官方归因以及即时的财务应对措施。但它并未完整说明攻击者最初如何进入 Binance 的系统，也没有指出某个特定 AI 模型是导致入侵的原因。

已证实的发展是：在又一起被归因的大型盗窃案背景下，AI 的应用更加广泛；至于两者之间的因果联系，仍需事故证据加以证明。

Bloomberg 11 月 2 日的报道将朝鲜黑客描述为经验丰富的行动人员，他们正将 AI 技能加入既有盗窃策略。关键的分析问题在于，这些技能在哪些环节改变了一次行动的成本结构。更快的准备、更可信的身份冒充，以及更迅速的软件修订，分别影响不同的防御假设。

交易所无需面对完全自主的攻击者，这些变化依然会产生影响。使用 AI 准备令人信服通信内容的人类行动人员，能够加大筛查流程的压力。另一名行动人员也可以利用类似辅助，在接触员工之前了解陌生软件。

这些是彼此独立的优势，调查人员应分别评估。AI 生成通信内容的证据，并不能证明入侵软件由 AI 生成。辅助编程的证据，也不能证明由此产生的代码导致了盗窃。

这种区分还能避免调查走向误导性的捷径。一次快速转移资金的攻击，可能反映出在可见转账发生之前很久就已完成的准备工作。最后阶段的速度，并不能揭示哪些准备任务涉及 AI。

因此，对于关注 Binance 事件的读者而言，归因和机制值得分别关注。归因讨论的是调查人员认为谁实施了行动。机制讨论的是哪些访问权限、授权、软件和人为决策促成了行动。

过早合并这两个问题，会产生一个吸引人却不完整的解释。点名一个国家支持的团体，并不能识别最初的失败环节。在标题中加入 AI，也无法填补这一空白。

更有价值的解读是：一个已被证实的对手拥有了更多准备攻击的方法。即使这些工具的确切作用尚未厘清，防御负担也在加重。

这种负担不止于 Binance。任何采用面试、合作洽谈、协同开发或外部技术支持的组织，都会产生一些互动场景，在其中，一个可信身份可能影响访问决策。

新闻价值正存在于这一交汇点。调查人员需要解释一起重大盗窃案，而安全研究人员则对朝鲜行动人员的工作方式提出了越来越具体的观察。

交易所面对的首先是验证问题，而非交易问题

历史基线已经相当可观。在对 Bybit 盗窃案的归因中，FBI 指责朝鲜应对 2025 年 2 月 21 日约 15 亿美元的被盗资金负责。

Chainalysis 随后估计，朝鲜黑客在 2025 年窃取了 20.2 亿美元，尽管其发动的攻击次数更少。其 加密货币盗窃分析描述了一种损失金额更大、身份冒充更复杂的模式，其中包括针对加密货币企业内部人员的行动。

核心压力在于受信任人员与高价值权限之间的连接。

加密货币交易所处理金融交易，但其安全也取决于普通的职场决策。有人评估工作机会、接受会议邀请、审查代码仓库，或回复合作伙伴。这些互动可能在资金流动之前很久就变得相关。

这使价值所在与攻击起点之间出现错位。财务风险集中于托管和授权环节，而最初的对话可能发生在看似与两者无关的环境中。

一名因工作机会而被接触的开发者，可能不会认为这场对话属于公司的财务防御体系。一名获邀讨论投资事宜的商业高管，可能会将这次交流视为常规的关系建设。攻击者会从这些情境看似彼此分离中获益。

AI 辅助欺骗提高了核验身份与权限之间关系的重要性。熟悉的术语能表明某人了解某个领域，却不能证明此人代表其声称的雇主或合作伙伴。

同样的区分也适用于技术能力。一名能提交看似合理代码的候选人，确实展示了其提交工作的一些能力。但这种表现本身无法验证身份、工作经历，或互动中所提供软件的安全性。

对交易所而言，由此产生的挑战跨越部门边界。招聘、工程、财务和安全团队各自只能看到潜在入侵的不同部分。一个可信的故事可以在它们之间流转，而没有任何单一团队能看到其完整进程。

这既是组织问题，也是技术问题。当责任发生转移，却没有保留最初授予访问权限的理由时，控制措施就会变弱。在早期对话中被接受的身份，可能通过反复的熟悉感逐渐获得权限。

这一分析同样适用于为交易所提供支持的供应商。一家公司可以保护自己的员工，同时依赖外部开发者、服务提供商或软件维护人员。每一段关系都会新增一个必须将信任转化为有限权限的环节。

这并不意味着每一次外部联系都应触发紧急响应。它意味着外在表现与访问权限应始终是两项独立决策。一次精心修饰的互动，不应悄然扩大陌生人可以提出的请求范围。

对于朝鲜 AI 威胁而言，这就是直接的商业后果。组织面对的是一个能够提升接触方式可信度、同时追求熟悉金融目标的对手。

因此，这种压力可以用运营指标衡量：哪些互动能够接触敏感系统、谁能够批准例外，以及这些例外是否持续可见。

AI 压缩准备时间，而人类仍主导行动

Microsoft 在 10 月 29 日发布的 AI 应用评估将朝鲜行动描述为由人类主导。报告称，AI 被用于目标研究、身份欺骗、软件开发和重复性运营工作。

其中一个例子涉及 Jade Sleet。Microsoft 发现，该组织在 2026 年 6 月 8 日至 12 日期间，通过三家前台公司开展以就业为主题的目标锁定行动。该公司评估认为，生成式 AI 帮助加快了研究、定制化和外联工作。生成式 AI 会根据指令，从学习到的模式中生成内容。

AI 最明确的贡献，是压缩了此前需要行动人员投入更多时间的多项任务的准备过程。

这一机制之所以重要，是因为一次行动不只包含最终的入侵。攻击者需要一个可信的接触理由、足够的背景知识以维持对话，以及能够经受初步检查的材料。

对每项任务的辅助都可以减少它们之间的摩擦。研究为身份设定提供信息。身份塑造外联方式。回复则揭示哪些细节需要修订。人类行动人员可以协调这一循环，同时将部分准备工作交由工具完成。

这种效果不同于只是发送更多通用信息。量身定制的接触方式借助目标的职业背景。其可信度取决于各种细节的契合程度，包括拟议职位、组织描述和预期的技术讨论。

AI 不会让这些细节变成事实。它可以帮助这些细节保持一致。这会将验证负担转向对话本身以外的证据。

软件层面的逻辑也类似。代码生成可以帮助行动人员产出或修改软件，但生成的代码仍然需要评估。错误、环境差异和防御控制仍然相关。

因此，不应将生产力提升与成功保障混为一谈。准备更充分的接触方式并不会自动带来更多入侵成功案例。结果取决于遇到的控制措施，以及初始访问后可获得的权限。

Microsoft 与 Google 之间的比较在这里很有价值。Microsoft 对多个具名威胁组织的应用情况给出了广泛评估。Google 的 Mandiant 则提供了更聚焦的事件调查，后文将加以讨论。这些视角回答的是不同问题，而非在争夺唯一的决定性结论。

广泛观察可以证明，某种实践已超出孤立实验的范围。事件调查则可以展示一场具体互动是如何展开的。单凭任一种视角，都无法衡量若没有 AI 辅助，会发生多少盗窃。

“人类主导”这一发现也具有防御含义。行动人员仍会就目标、对象、升级和时机作出选择。调查人员可以审视这些决策，而不必将攻击视为一个不透明的机器过程。

对于朝鲜加密货币盗窃而言，实际变化关乎能力。一支经验丰富的团队可以将辅助工具用于多项支撑性活动，同时不放弃对行动的控制。

即使不声称存在自主黑客攻击，这也影响重大。那些围绕维持一场可信欺骗所需预期投入构建的安全流程，如今面对的是不同的准备环境。

一场虚假会议展示可信度如何转化为访问权限

Google 的 Mandiant 描述了一起涉及 UNC1069 的入侵事件。该组织以经济利益为动机，Mandiant 高度确信其与朝鲜有关联。其 2 月 9 日的调查将一个遭入侵的 Telegram 账户、一次伪造的 Zoom 会议与恶意故障排除指令联系在一起。

受害者表示曾看到一段疑似深度伪造视频，即为模仿真实人物而生成的合成媒体。Mandiant 无法获取可独立验证该特定视频使用 AI 的取证证据。

不过，其加密货币入侵调查记录了更完整的过程：一次看似可信的互动诱导受害者在所谓的音频故障排除过程中执行命令。

决定性的失误发生在：社会信任被转化为修改受害者计算机的权限。

这一过程说明，对 AI 的追问不能止步于视频是否足够逼真。攻击者需要让对话促成实际行动，而所谓的会议问题为该行动提供了理由。

这一区别对于分析至关重要，因为每个阶段所依赖的证据基础不同。调查人员可以恢复恶意命令，却无法恢复此前的媒体内容。他们可以确认入侵已经发生，同时仍无法确定具体使用了何种冒充技术。

审慎的叙述应同时保留这两项发现。入侵是通过一场有记录可查的互动发生的；而据报出现的合成视频则是一项范围更窄、且存在明确验证缺口的主张。

这一场景也揭示了工作场景为何重要。会议会带来合作预期；当出现故障时，参与者往往会尝试先解决眼前问题，以便继续原本要进行的交流。

攻击者无需提出明显涉及资金的请求，也能利用这种预期。受害者以为任务关乎沟通，计算机却发生了具有安全后果的变更。

这正是身份欺骗与资产暴露之间的联系。一个人无需直接拥有资金权限，也可能掌握有价值的信息或访问权限。攻破一段职业关系，可能创造超出初始设备范围的机会。

这种可能性应被视为分析推论，而不应被断言为每起事件的事实。最终影响取决于受入侵环境中包含什么，以及还存在哪些额外防护措施。

该案例与开发者、投资者和知识工作者相关，因为他们的日常工作涉及与陌生人交换信息。技术素养和商业熟悉度是协作所必需的，但两者都无法独立验证对方身份。

对于整理事件发现的团队而言，一个可检索的工程知识库能够保留观察结果、假设与未决问题之间的区别。

这类文档服务于明确目的：防止某个早期解释仅因在内部讨论中反复出现，就被当作既定事实接受。

这一事件更广泛的教训在于转折点：一场对话变成了获取计算机访问权限的请求。AI 可能增强了呈现效果，而权限变更才带来了实际的操作后果。

将这些要素区分开来，能让报道和防御复盘都更加准确。

快速转移并不能证明自主黑客攻击

TRM Labs 估计，Binance 攻击者在十条区块链上转移了约 63.6 亿美元，其中大部分转移在约 20 分钟内完成。区块链是一种记录交易的共享账本。

其Binance 攻击分析指向了遭攻破的签名基础设施。签名基础设施是指使用加密凭证授权交易的系统。

TRM 还描述了事前准备和协调转移。其评估具有重要意义，但它仍是一项署名的技术分析，而不是 Binance 对外发布的完整公开说明。

执行速度证明的是紧迫性；它并不能证明 AI 完成了哪些决策或技术步骤。

这是该报道的核心审慎视角。自动化、事前规划和 AI 辅助可能同时存在，但它们是不同的解释。调查人员需要将某项工具与具体任务关联的证据，才能赋予它因果责任。

准备充分的交易序列可以快速执行，因为困难的访问工作可能早已完成。反过来，AI 辅助也可能在研究阶段发挥作用，即使最终转移使用的是传统自动化方式。

这两种可能性都挑战了对可见时间线的简单解读。资金移动所持续的时间衡量的是盗窃的执行过程，而不是整个行动。

同样的谨慎也适用于归因标签。TraderTraitor、Jade Sleet 和 UNC1069 来自不同的研究与调查体系。针对某项具名活动的发现，并不能自动证明每一名朝鲜行动者都具有相同行为。

当有关朝鲜 AI 威胁的讨论忽略这些区别时，其价值就会下降。共享的国家关联并不意味着人员、基础设施、目标或技术成熟度完全相同。

财务数字也需要同样谨慎对待。已转移价值、被冻结价值、已追回价值，以及攻击者最终可使用的收益，描述的是不同阶段。它们不应被混为可互换的成功衡量标准。

被冻结的资产可能仍无法使用，却未必已经回到原始所有者手中。资产市值也可能在调查人员追踪期间发生变化。因此，公开估算需要标明日期，并清晰说明其衡量对象。

这些区别同样限制了关于武器融资的说法。盗窃归因可以证明其与朝鲜活动存在联系；要追踪某项被盗资产最终流向国家支出，则需要更多证据。

即使不为每笔转移指定缺乏支持的资金用途，国家安全担忧依然严重。精确性会强化叙述，因为它明确了当局已知什么、哪些问题仍在调查。

对于朝鲜加密货币劫案，现有证据最有力支持的判断是操作层面的：攻击者正在采用 AI 辅助，同时继续利用信任与授权机制中的弱点。

尚未解决的问题是影响幅度。公开证据尚无法单独量化 AI 在 Binance 事件中造成了多少额外损失。

这种不确定性应指导下一阶段的报道。一项有价值的调查将通过证据把准备、访问、授权和资金转移连接起来，而不会用最终转移速度解释一切。

下一步证据必须将 AI 使用与结果联系起来

这一报道的下一阶段应围绕事件发现、防御响应和资金阻断展开。在未来数月中，这些信号将显示当前解读是否成立。

最有价值的更新，将把一项具体的 AI 辅助任务与一个具体的操作结果关联起来。

首先，关注对 Binance 入侵事件的详细说明。若公开调查能够识别初始访问路径及授权失效点，就能澄清行动在哪个环节取得成功。

若证据将 AI 生成材料或辅助软件与该路径联系起来，将强化 AI 对此次事件产生实质贡献的论点。若调查结果聚焦于无关的失效，则会缩小这一事件中该论点的适用范围。

无论结果如何，都会改善理解。目标是得到更好的解释，而不是印证最具戏剧性的初始叙事。

其次，关注研究人员是否记录到针对身份和访问控制的重复成功案例。更多定制化接触的例子本身只能证明活动仍在持续。能够展示组织如何发现或遏制这些手段的证据，则能进一步揭示防御成效。

企图欺骗与成功获得访问权限之间的区别至关重要。观测到的尝试数量增加，可能反映攻击者活动增加、检测能力提升，或两者兼有。在宣称成功率发生变化前，研究人员需要分母数据和一致的定义。

这一信号也关乎供应商主张。安全产品可以识别可疑内容，却未必能阻止造成后果的权限变更。采购方除检测演示外，还需要了解遏制效果和访问决策方面的证据。

第三，关注 Binance 调查的财务结果。将已追踪、已冻结、已追回和仍可访问资产区分开来的更新，将展示响应措施对攻击者造成了多大限制。

成功的阻断将削弱“大规模初始盗窃必然带来等额财务收益”的假设。若资金仍在调查人员触及范围之外继续流动，则会加深人们对检测与干预之间缺口的担忧。

这些信号应保持这一顺序。入侵事件解释失效原因；重复观察检验该机制是否具有普遍性；财务结果则确定当局和行业参与者能够限制多少损失。

对于普通 AI 用户而言，其相关性超出了加密货币持有范围。如今，职业沟通中越来越多内容的精致程度几乎无法证明其来源。互动质量与请求的合法性需要分开评估。

开发者会在招聘和协作中面临这种区别。商务团队会在介绍和合作洽谈中面临它。安全负责人则会在决定哪些熟悉活动需要更强验证时面临它。

恰当的回应应从最接近关键决策的证据开始。是谁请求访问？什么独立证据能证明其权限？哪项行动改变了组织的暴露程度？

关注朝鲜加密货币劫案时，应从下一份调查中寻找这些关联。询问所声称的 AI 能力是否解释了一个有记录的步骤，以及该步骤是否改变了结果。将官方归因与关于自主性的假设分开。按其明确说明的定义和日期比较追回数据。在自己的组织内部，让安全、招聘和工程团队围绕陌生请求展开同一场讨论。保留访问决策背后的推理过程，以便后续审查人员能够重建它。真正有用的问题很具体：当一名看似可信的人请求他人修改设备、分享信息或授权交易时，什么证据能让该请求值得信任？