MITRE CVE 记录显示，AI 发现安全漏洞的速度已超过团队分诊能力
MITRE 在 2025 年记录了创纪录的 48,244 个漏洞，MITRE CVE 记录在 2026 年上半年仍持续攀升。AI 辅助研究帮助研究人员更快发现漏洞，但披露数量如今已超出许多安全团队逐一验证、确定优先级和修复的能力。
根据报道的数据，截至 2026 年 6 月，已登记超过 35,000 个漏洞。这已接近此前全年纪录的四分之三。这种增长并不只是开发者突然开始编写质量更差的软件的证据。
更深层的变化在于发现方式。AI 系统能够检查大型代码库、比较软件版本、提出攻击路径，并以人类研究人员无法匹敌的规模发现可疑行为。Anthropic、OpenAI、Google、Microsoft 以及安全厂商都已投资于面向网络安全的模型或研究计划。
这带来了明显的矛盾。更早发现隐藏弱点，能让防御者有时间消除它们。但每一项新的披露，也都会进入一个已不堪重负的维护者、协调机构、安全团队和资产所有者体系。
结果并不是成功攻击的直接激增。现有证据表明，披露数量大幅上升，已观测到的利用活动增长较小，而两者之间的运营鸿沟正在扩大。
MITRE CVE 记录的增长速度快于预测
决定性变化并非某一个特别严重的漏洞，而是整个披露体系持续加速。
通用漏洞和暴露编号（Common Vulnerabilities and Exposures，CVE）是公开披露安全漏洞的标准化标签。CVE 让厂商、研究人员、政府和安全工具能够指代同一个问题，而不必依赖彼此不一致的名称。
2017 年至 2020 年间，登记案例数量每年仍处于数万级别。2021 年达到 20,161 个，随后在 2024 年升至 40,077 个，2025 年达到 48,244 个。截至 2026 年 6 月，已登记数量超过 35,000 个。
事件响应与安全团队论坛（Forum of Incident Response and Security Teams，FIRST）在年初前就预计会再创纪录。其 2 月预测将 2026 年 CVE 数量的中位估计定为 59,427 个。
实际披露很快超出了这一轨迹。FIRST 的年中预测发现，截至 4 月的发布量比此前预测高出 46.3%。该组织将全年预测上调至约 66,000 个 CVE。
这次重新评估发现，截至 4 月，CVE 数量比初始模型预期多出 6,420 个。FIRST 将这一差异归因于多项因素，包括 AI 辅助发现、更广泛的报告，以及 CVE 生态系统内部的变化。
GitHub Security Advisory 的数量同比增长 449%。随着 VulnCheck 的 CNA of Last Resort 处理大量没有其他分配机构负责的漏洞积压，其活动量增长了 3,119%。
这些细节很重要，因为 MITRE CVE 记录并不衡量单一事物。它结合了新的研究成果、进入系统的旧发现、厂商披露周期、覆盖范围扩大和管理流程变化。将每一个新增 CVE 都视为软件刚刚变得更不安全的证据，会误读这些数据。
漏洞追踪所涵盖的软件产品数量也显著扩大。安全研究人员如今会检查更多应用程序、设备、库、云服务和开源组件。更好的可见性自然会揭示此前未被记录的漏洞。
大型厂商发布信息时，可能造成突发的月度峰值。一家公司在完成协调审查后，可能一次披露数百个相关问题。因此，生成的图表既反映发布节奏，也反映底层发现速度。
不过，这些限定条件并不能抹去变化。AI 正在扩大研究人员可检查的代码规模，并缩短识别可信弱点所需的时间。这种新能力到来时，报告基础设施本就面临不断增长的工作量。
因此，这项纪录既衡量进展，也衡量压力。更多漏洞会在攻击者发现前变得可见，但每一份有效报告都会为维护者和防御者带来工作。
AI 漏洞发现改变了漏洞挖掘的规模
AI 漏洞发现将代码审查从稀缺的人工活动，转变为可在庞大软件资产中反复运行的过程。
传统漏洞研究需要专家理解应用程序、识别危险行为、构建测试，并确认攻击是否具有可行性。自动化扫描器有所帮助，但它们通常依赖已知模式，并会产生误报。
前沿 AI 模型增加了另一层能力。它们可以跨文件推理、追踪程序中的数据、比较已修复与未修复版本、生成测试用例，并提出弱点组合方式。人类研究人员仍需验证重要发现，但搜索阶段能够覆盖更广范围。
Anthropic 的 Claude Mythos Preview 在 2026 年成为一个突出案例。该公司表示，它于 2 月开始使用早期模型快照检查开源软件。随后，外部安全公司协助分诊、验证并报告高严重性或严重漏洞发现。
Anthropic 公开的披露仪表板在 8 月快照中记录了 462 个已分配标识符。其中包括 177 条 CVE 记录和 285 条 GitHub Security Advisories，尽管同一项发现可能同时获得两种标识符。
更广泛的说法规模大得多。Anthropic 表示，Project Glasswing 已发现超过 10,000 个高严重性或严重漏洞。公开记录仅涵盖这一报告总数的一部分，因此研究人员无法评估大多数单项发现。
Epoch AI 审查了来自 21 家主要科技机构的披露数据，其中包括 Microsoft、Google、Apple、Oracle、Cisco、Linux、Mozilla 和 Apache。其严重性数据显示，6 月发布了约 1,550 个高严重性和严重 CVE。
这一 6 月总数超过 Anthropic 宣布 Mythos Preview 前所观察到的月度纪录的三倍。7 月达到约 2,500 个高严重性和严重漏洞披露，约为此前纪录的五倍。
Epoch 警告称，这些数据涵盖的是公开披露，并非每一个私下发现的漏洞。它还指出，随着记录获得新信息，严重性评级会发生变化。在分析人员修订单个 CVE 后，历史月度总量可能随之变动。
尽管如此，时间节点仍支持这样一个结论：前沿模型已成为有实际意义的研究工具。AI 项目与扩大的内部审计、新的披露计划以及大型厂商加大投入同步开展。
Google 将其近期发现数量描述为规模和速度都前所未有。厂商数据表明，许多新报告的漏洞来自内部研究，而非外部攻击者。这一区别让防御者有机会在犯罪组织将弱点武器化前完成修复。
AI 也帮助研究人员重新审视旧软件。遗留代码可能包含历经多年测试仍未被发现的错误，因为无人有足够时间检查每一条路径。持续搜索可疑行为的模型，能够发现与近期开发无关的漏洞。
这一优势不限于大型科技公司。开源维护者、小型厂商和安全咨询机构都可以借助自动化分析，检查过去关注有限的组件。
但发现只是第一步。一个看似可信的漏洞必须被复现、评估、安全报告、分配标识符、修复、测试并部署。AI 加快了这条链条的开端，却不会自动扩充链条末端的每一个团队。
这种失衡解释了为何更多发现不会立即带来更安全的系统。其收益取决于维护者能否在攻击者将发现转化为漏洞利用之前，将其转化为可靠修复。
更多披露并不意味着每个漏洞都是紧急事件
网络安全的核心问题已经从发现足够多的漏洞，转向识别哪些发现会带来即时且可触及的风险。
原始的 MITRE CVE 记录是一个计数，而不是优先级队列。一个正在被活跃利用、位于互联网暴露网关中的漏洞，与一个未使用组件中的本地漏洞，需要采取不同的响应措施。
FIRST 通过可利用性数据审视了这一区别。其年中评估使用美国网络安全与基础设施安全局（Cybersecurity and Infrastructure Security Agency）的已知被利用漏洞目录，以及高于 10% 的漏洞利用预测评分系统（Exploit Prediction Scoring System）结果来筛选漏洞。
该组织发现，尽管总量激增，可采取行动的可利用性整体上仍保持平稳。用其术语来说，防御者面对的是更大的雨势，但不一定是按比例更大的洪水。
这一发现挑战了人们对 AI 漏洞发现的常见解读。模型显然正在帮助研究人员产出更多发现。现有证据并不表明，每一个由 AI 发现的弱点都会变得更容易利用，或对攻击者更具吸引力。
VulnCheck 分析了 1,061 个公开归因于 AI 辅助发现、且与 Anthropic 的 Project Glasswing 和 Berkeley Vulnerability Research Initiative 相关的漏洞。它发现其中 14 个，即 1.3%，已确认在野被利用。
这一比例接近 VulnCheck 更广泛数据集中的利用率。该对比表明，AI 辅助发现并不天然比传统发现的漏洞更可能演变为真实攻击。
Anthropic 已公布的结果进一步凸显了这种差距。VulnCheck 报告称，Claude Mythos 识别出 23,019 个漏洞候选项，但其分析中只有 126 个以 CVE 形式出现。其中一个已确认被利用。
这些数字并不能证明其余候选项无害。许多仍可能处于审查、协调披露、等待补丁的阶段，或因公开会造成风险而被暂缓披露。但它们确实表明，候选数量与已验证 CVE 并不能互换。
Google Threat Intelligence Group 从另一组数据中得出了相关结论。其利用分析记录了 2026 年 1 月至 8 月期间 141 个既已披露又被利用的漏洞。
这一总数超过了 2025 年全年记录的 127 个。月均利用数量从 2025 年的 10.5 起升至 2026 年的 18 起。
不过，所有 2026 年披露漏洞中，只有 0.23% 出现在已观测到的利用活动中。这大约相当于每 431 个披露中有一个漏洞被活跃利用。
这一较小比例不应助长自满情绪。单个漏洞就可能影响数千家组织，尤其当它存在于被广泛部署、面向互联网的产品中时。攻击者不需要将每一个 CVE 武器化，也能造成广泛损害。
年末时，漏洞利用数据也变得更加令人担忧。Google 发现，5 月之后，披露增长与利用增长走势高度一致。索引化披露量增长了 128%，而索引化利用量增长了 127%。
高风险漏洞利用数量增长超过一倍。Google 统计，2026 年 1 月至 8 月期间共有 75 个被利用的高风险漏洞，而 2025 年全年为 28 个。
零日活动则相对稳定。零日漏洞是指在厂商或用户获得有效修复方案之前就被利用的漏洞。月均数量从 2025 年的 8 个增至 2026 年的 11 个，但 8 月达到 22 个。
Google 表示，相比利用 AI 发现全新的零日漏洞，攻击者或许能通过快速武器化已知漏洞（即 n-day 漏洞）获得更直接的价值。模型可以比较补丁、发行说明、产品版本和概念验证代码，从而加快这一过程。
这正是安全团队需要风险背景，而不仅仅是更长漏洞清单的原因。CISA 的已知遭利用漏洞目录识别出存在活跃利用证据的漏洞。EPSS 则估算已公开 CVE 在近期遭到利用的概率。
这些信号并不完美，但有助于组织区分已记录的弱点与紧迫的攻击路径。资产暴露情况、权限、可达系统和可用缓解措施仍是决策的重要组成部分。
真正的瓶颈是分诊和补丁部署能力
AI 生成安全发现的速度，快于组织确定责任归属、测试修复方案并安全部署补丁的速度。
每个有效漏洞都会启动一套运营流程。维护者必须复现问题、判断严重性、识别受影响版本、制定修复方案、测试是否引入回归、准备安全公告，并协调发布。
客户随后也要面对自己的处置链条。他们必须定位受影响产品，了解易受攻击的功能是否处于启用状态，评估补偿性控制措施，安排更新，并确认补丁是否成功部署。
当组织缺乏准确的软件清单时，这项工作会变得困难。如果安全团队不知道受影响组件在哪些位置运行，或哪些业务服务依赖它，就无法有把握地确定漏洞优先级。
第三方依赖会让问题更加复杂。易受攻击的库可能位于应用程序下方的多层依赖中，对运营者始终不可见。容器、插件、固件和托管服务还可能进一步模糊责任归属。
劳动力短缺加剧了压力。Proofpoint 日本分公司的 Yukimi Sota 向原始新闻机构表示，由于安全行业缺少足够从业人员，许多企业在应对措施上正逐渐落后。
日本企业近期发生的未经授权访问和信息泄露事件，也让这项记录更具紧迫性。据报道，事件涉及大型汽车共享服务 Times Car，并促使日本政府敦促企业加强防御。
眼前的风险并非每个新 CVE 都需要紧急部署。风险在于，无序的待办队列会导致团队错过攻击者已经在利用的少数漏洞。
按公开顺序为所有漏洞打补丁会浪费稀缺时间。当仓促变更影响复杂的生产系统时，还可能引发宕机。防御者必须将威胁情报与自身资产和业务背景结合起来。
实用的优先级排序应从正在被积极利用的漏洞开始。随后，团队还应考虑互联网暴露情况、认证要求、攻击复杂度、获得的权限、数据敏感性以及受影响服务的重要程度。
厂商严重性评级本身无法回答这些问题。隔离测试系统中的关键漏洞，其即时风险可能低于公共网关上的高严重性漏洞。
安全团队还需要可靠的方法来保留决策记录。安全公告、例外记录、受影响系统说明和缓解证据，往往散落在工单、聊天、电子表格和电子邮件中。
可搜索的技术知识库可帮助团队将漏洞通知与架构文档及以往修复工作关联起来。它不能取代扫描或补丁工作，但可以减少重复调查。
AI 也能在这一阶段提供协助。模型可以总结安全公告、将产品名称映射至资产清单、比较版本、起草修复说明，并帮助分析师聚类重复报告。
这些用途需要控制措施。安全团队必须验证生成的结论，保护机密系统信息，并避免将凭据或敏感架构细节发送给未经授权的服务。
自动化修复会带来另一类风险。移除一条易受攻击代码路径的补丁，可能引入其他缺陷或破坏生产环境行为。维护者仍然需要测试、审查和分阶段部署。
这种压力在整个软件生态系统中的分布并不均衡。大型厂商可以运营专门的产品安全团队，并协调大规模披露周期。小型开源项目则可能依赖少数志愿者来服务数千名用户。
因此，AI 辅助研究可能会将成本从资金充足的模型开发者和安全实验室，转移给资源有限的维护者。发现更多漏洞很有价值，但披露计划必须考虑接收方的响应能力。
负责任的报告需要去重、清晰的复现步骤、严重性证据以及合理的修复窗口。提交数千条低置信度警报会消耗注意力，却无法带来相应的安全收益。
最理想的结果是形成平衡的流水线。AI 广泛搜索，人类验证重要发现，维护者收到有用报告，防御者则根据实际暴露情况安排部署优先级。
缺乏这种纪律，更高的发现量就会成为告警疲劳的另一来源。团队看到更多警告，而最危险的少数问题仍被掩埋。
AI 改变漏洞竞赛的双方
这场战略竞争并不是 AI 防御者对抗传统攻击者。双方都可以在同一漏洞生命周期的不同阶段使用类似能力。
当内部 AI 项目在漏洞公开前发现并修复问题时，防御者目前获得了显著优势。Google 报告称，在一次大型 Chrome 更新中，433 个漏洞中有 401 个由内部发现。
这一模式表明，披露激增包含了预防性工作。由厂商控制的发现过程使工程师能够开发补丁、协调发布，并在详细技术信息广泛传播之前为客户做好准备。
攻击者则在披露后获得优势。AI 可以消化安全公告、比较代码变更、生成概念验证、扫描暴露系统，并调整公开利用代码。这些活动压缩了漏洞公开与尝试利用之间的时间窗口。
Recorded Future 表示，攻击者利用漏洞所需的平均时间从 2025 年的 72 小时降至 2026 年的 24 小时。尽管绝大多数 CVE 从未出现在观测到的攻击中，这一估计仍强化了立即优先处理可达漏洞的必要性。
AI 系统最终可能自主发现并利用未知漏洞。公开案例和厂商说法显示，网络安全工作的更长链条正在取得进展，但现有证据仍不均衡。
一些演示发生在受控环境中，使用经过精心选择的目标、大量计算资源、定制指令和专家监督。其结果并不能证明普通犯罪分子能够大规模复现同等表现。
Palo Alto Networks 表示，Anthropic 和 OpenAI 的先进模型帮助其在产品中发现了 75 个漏洞，是其通常月均数量的七倍以上。其首席产品官也承认，这项工作需要大量定制和人类专业知识。
这一限定十分重要。模型能力只是实际攻击的一部分。对手仍需要目标访问权限、基础设施、验证、隐蔽性、持久化能力，以及将技术访问转化为有用结果的方法。
防御者同样拥有结构性优势。厂商控制源代码、内部测试、产品遥测数据和补丁分发。他们可以将模型导向自身系统，并由了解架构的工程师验证结果。
攻击者则受益于不对称性。他们只需找到一条进入目标的有效路径，而防御者必须管理每个重要系统。AI 不会创造这种失衡，但更快的研究可能会加剧它。
披露本身连接着双方。发布 CVE 会为防御者提供共享标识符和修复信息。它也可能告诉攻击者应将注意力放在哪里，尤其是在补丁揭示易受攻击代码时。
无限期推迟披露并不是解决方案。未报告的漏洞可能仍可被利用，却不给客户任何保护路径。目标是协调机制：在限制不必要技术暴露的同时，为维护者留出发布修复方案的时间。
迄今最有力的证据支持的结论，比乐观或危言耸听的说法都更为有限。AI 已经在提升漏洞发现能力。它也在帮助分析和漏洞利用开发，但利用活动尚未与原始披露量成正比增长。
这种平衡可能会改变。模型正在改进，面向网络安全的训练正在扩展，更多组织正将代理整合进研究工作流。围绕最强大系统的访问控制，将影响这些能力传播的速度。
安全负责人不应围绕单一的戏剧性预测进行规划。他们应假设发现和武器化都会加快，然后建立能够适应多种可能时间线的流程。
这意味着更短的资产识别周期、经过测试的紧急补丁流程、更好的分段隔离，以及更强的漏洞利用监控。这也意味着，应在其输出能够与权威数据核对的场景中使用防御性 AI。
安全团队接下来应关注什么
三个信号将显示，漏洞激增是否仍然可控，还是会演变为更大规模的利用危机。
第一个信号是 CVE 总数与已确认利用之间的关系。原始披露数量很可能继续创下纪录，但它们本身并不决定运营风险。
团队应跟踪 CISA 目录、利用遥测数据和高置信度概率评分。如果被利用的漏洞仍只是披露数量中的一小部分，优先级排序就能控制大部分工作量。
如果漏洞利用开始快于披露增长，核心论点就会改变。这将表明攻击者正在将更大比例的发现转化为有效行动，而不只是从更大的漏洞池中获益。
第二个信号是发现、验证与补丁可用性之间的延迟。AI 辅助项目可能声称发现了数千个候选项，但其中只有一小部分会以包含修复方案的公开安全公告形式出现。
转化延迟缩短将表明，厂商和协调方正在与发现能力同步扩充产能。不断扩大的积压则意味着，AI 加快了流水线前端，却没有解决更困难的修复瓶颈。
公共台账应使这类评估更容易进行。有用的报告应区分候选项、已验证漏洞、已分配标识符、已完成补丁和已部署修复方案。
第三个信号是补丁或安全公告公开后的利用速度。过去，防御方针对许多漏洞衡量的响应窗口通常以周为单位。如果有证据表明漏洞在一天内就会被常规武器化，将迫使更多组织自动化暴露面检查和紧急修复。
这一信号比那些引人注目的实验室演示更重要。现实世界中漏洞武器化时间的可重复缩短，将影响所有使用常见软件的企业——即使攻击者从未获得完全自主的零日漏洞发现能力。
因此，MITRE CVE 记录应当促使组织审查流程，而非引发不加区分的恐慌。组织需要知道自己运行哪些系统、哪些系统面向互联网，以及由谁负责修复决策。
他们还应测试，紧急更新能否从安全公告顺利推进至部署，而不会陷入审批队列。仅存在于纸面上的应急流程，无法应对 24 小时的漏洞利用窗口。
AI 漏洞发现仍然是一项防御机遇。它能够在犯罪分子发现之前暴露陈旧弱点，并帮助维护者审查此前未得到充分评审的代码。
其价值取决于发现之后的处置。一项无人验证的发现只会制造噪音。没有可用补丁的已验证 CVE 会带来暴露风险。客户无法部署的补丁则无法消除根本风险。
对于开发者、安全负责人和技术采购方而言，关键问题已不再是 AI 能否发现更多漏洞。证据表明，它可以。问题在于，你的组织能否在攻击者做同样事情之前，将大量发现转化为一份精简且按优先级排序的行动清单。
