🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
软件漏洞是网络风险的主要来源。一个漏洞被公开，防守方可以打补丁，攻击者也可能拿它去入侵，所以谁先找到漏洞，谁就占先机。
过去找漏洞是又慢又贵的技术活，要靠有经验的安全研究员一行行看代码。前沿人工智能正在改变这一点：同一类模型既能帮防守方在自己的软件里找漏洞，也能帮攻击者找突破口。政策制定者因此把最强的模型看成可能冲击金融稳定和国家安全的变量。
但一项技术能不能真的提升安全，不只看它多会找漏洞，还要看找到的漏洞值不值得修、修得过来不过来，以及公开之后会不会反而方便攻击者。这篇论文就借一次真实的受限发布，把这几环一起量了一遍。
② 研究问题（要回答什么？）
研究问三件事。第一，优先拿到前沿模型的公司，会不会披露更多漏洞，而且这些漏洞是不是真的更重要、更难被自动工具发现。
第二，原本靠悬赏找漏洞的外部研究者，在对手变成有模型加持的公司安全团队之后，会减少产出、退出市场，还是转去别处找。
第三，漏洞披露得更多，攻击者会不会跟着受益，也就是被实际利用的漏洞比例和数量有没有上升。
作者还关心一个政策问题：如果这种能力只向少数国家的少数公司开放，国家之间的软件安全差距会不会被拉大。
③ 研究方法（怎么做的？）
作者把二零二四年初到二零二六年十月底全球公开披露的软件漏洞记录几乎全部收集起来，共十七万七千余条，来源包括国际通用的漏洞编号系统、美国国家漏洞库和中国国家漏洞库。
研究利用了一次真实的准入差异。二零二六年四月，一家美国人工智能公司把一款找漏洞能力很强的模型优先交给十三家美国大公司使用，而它的服务条款本来就把中国和俄罗斯企业排除在外。于是作者把拿到模型的公司和两百多家中国公司放在一起比较，用双重差分法看披露数量在发布前后怎么变。
作者还给每个漏洞标注了类型、严重程度、发现者身份，以及它后来有没有被真正利用，并把七千多名外部研究者逐月跟踪，看他们把精力挪到了哪里。
④ 结果（发现了什么？）
拿到模型的公司，披露的漏洞数量相对中国公司增加约一倍二，平均每家每月多出三十六条。高危漏洞增加约一倍半，可远程无凭证利用的漏洞也明显增加，说明多出来的不只是边角料。
这些漏洞主要是新发现的，不是把旧账一次性翻出来：从登记到公开的中位间隔从七十五天降到二十二天。公司内部安全团队找到的漏洞从每月约四条升到约三十二条，是最直接的证据。
外部研究者没有退出市场。原先主要给这些公司找漏洞的人，在这类代码上的产出少了约五成七，但在其他公司代码上的产出增加到约两倍半，每月保持活跃的概率没有变化。
攻击者这边没有看到相应的增加。漏洞公开后一个月内被利用的比例下降了约三分之二，而被利用漏洞的绝对数量没有明显变化。
⑤ 讨论（这些发现说明什么？）
作者认为，这组结果说明前沿模型在网络安全这种对抗场景里，关键不只是找到多少漏洞，而是能不能比攻击者先找到。模型找到的多是攻击者还没利用的潜在漏洞，所以披露变多并没有让攻击更容易得手。
外部研究者的反应也不是被机器挤走，而是像劳动力市场里的转岗：哪块代码有模型参与竞争，他们就少去哪块，转去模型还没覆盖的软件。这样一来，模型的安全收益还会溢出到拿到模型的公司之外。
但作者也提醒，真正的瓶颈可能正在从找转向修。有报道说合作方一个月内找到上万条高危漏洞，远多于已经公开的数量，说明修复和发布的能力可能跟不上。用户打补丁慢不慢，这项研究也看不到。
⑥ 结论（最终结论 + 启示）
结论是，优先拿到前沿模型的公司确实在自己的软件里找到并修掉了更多漏洞，而且没有证据表明这些额外披露方便了攻击者。就这批公司而言，前沿人工智能强化了防守。
问题在于准入。模型由一家私营公司决定先给谁用，实际效果却像一种出口管制：按地缘政治划线分配关键技术。被排除在外的中国企业，相对少清除了大量潜在漏洞。
作者因此提出，未来一个国家软件的安全程度，不只取决于它能不能造出前沿模型，也取决于它能不能用上。模型扩散之后差距会持续多久、被排除的国家会不会自研防守模型，是这项研究还回答不了的问题。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
软件漏洞是网络风险的核心来源。既有文献多把攻击威胁视作外生，研究被攻击的后果、风险定价与供应链传播，较少考察防守技术冲击如何改变可供攻击者利用的漏洞存量。本文利用 Project Glasswing 这一准自然实验填补空白：2026 年 4 月 7 日，Anthropic 向 12 家美国大型科技企业开放 Claude Mythos Preview 的早期访问，用于自身及开源软件的防御性漏洞挖掘；IBM 于 5 月加入，6 月 2 日扩展至 15 个以上国家的约 150 家机构。Anthropic 的服务条款自 2025 年 9 月起禁止中资控股企业使用其模型，中国与俄罗斯企业因此在全样本期内都无法获得该模型。
文章的三项贡献是：第一，识别前沿模型准入对企业网络安全信息生产的影响；第二，考察 AI 辅助挖掘如何重新配置外部独立研究者的努力；第三，检验漏洞披露增加的双刃剑效应，即是否同时便利攻击者。识别策略基于企业与月份双向固定效应的双重差分，比较 13 家受处理企业与 267 家中国企业的披露变化。
I. Theoretical Framework & Hypotheses（理论框架与假设）
文章没有正式模型，分析框架建立在三个机制上。其一是搜索竞赛：防守方与攻击者面对同一批潜在漏洞，前沿模型降低搜索成本，收益取决于谁先找到。其二是披露的双刃性质：公开漏洞既帮助防守方修补，也向攻击者提供信息。其三是 AI 对人力资本的替代与再配置：当厂商内部团队获得模型，外部研究者搜索同一代码的预期回报下降，可能退出或转向别处。
| 编号 | 待检验命题 | 对应机制 |
|---|---|---|
| H1 | 获得模型的企业披露更多漏洞，且质量不下降 | 搜索成本下降与生产率提升 |
| H2 | 外部研究者减少受处理企业代码的产出，但转向其他代码而非退出 | 任务替代与劳动力再配置 |
| H3 | 额外披露不提高被利用概率与数量 | 披露双刃剑与抢先发现 |
| H4 | 准入限制沿地缘政治划线，扩大国家间安全差距 | 技术出口管制与地缘经济竞争 |
作者用事件研究检验平行趋势，以处理前两个月为参照；安慰剂检验把准入时间提前一年。聚类标准误之外，另用 Ibragimov–Müller 检验处理处理组数量过少的问题。
M. Materials & Methods（材料与方法）
数据来自 2026 年 10 月 28 日快照的官方 CVE List（416,025 条记录、其中 397,187 条已发布）、美国 NVD 与中国国家漏洞库。样本为 2024 年 1 月至 2026 年 10 月公开的 176,384 条 CVE，加上仅见于中国库的 720 条，共 177,104 条；其中 21,361 条（12.1%）涉及 Glasswing 企业。利用数据合并 CISA KEV 与 VulnCheck KEV（覆盖 5,718 条 CVE），利用代码合并四个数据集（16,801 条），并使用月度 EPSS 分数。
企业层面采用平衡面板，窗口为 2025 年 10 月至 2026 年 9 月，13 家受处理企业与 267 家中国企业，共 3,360 个企业·月。估计方程为 log(1+N_it^k)=α_i+δ_t+β·Glasswing_i×Post_t+ε_it，其中 N 为企业 i 在 t 月披露的 k 类漏洞数，Post 从各自准入月开始（IBM 为 2026 年 5 月）。标准误按企业聚类；由于处理组仅 13 家，另报告 Ibragimov–Müller p 值。
研究者层面跟踪 7,237 名 2024 年有记录、且不隶属于 Glasswing 企业的外部研究者，用 2024 年暴露份额与 Post 交互，Poisson 估计，按主要发证机构聚类（166 个）。攻击端用线性概率模型，控制企业、发布月份、弱点类型固定效应及严重度与远程可利用指标；数量结果用 Poisson。
R. Results（结果）
受处理企业相对中国企业的披露对数增加 0.784（企业聚类标准误 0.206）；按处理前均值 29 条，相当于每月多披露 36 条，Ibragimov–Müller p=0.002。Poisson 系数 1.136，剔除 Anthropic 后 0.862，逐一剔除估计 0.691 至 0.872；安慰剂 −0.034（p=0.739）。
| 结果 | 系数 | 标准误 | 结论 |
|---|---|---|---|
| 披露总量 log(1+N) | 0.784 | 0.206 | 增加约 120% |
| 高影响漏洞 | 0.919 | 0.209 | 约 2.5 倍 |
| AI 易发现型 | 0.642 | 0.224 | 约翻倍 |
| 复杂弱点 | 0.720 | 0.226 | 不亚于可机验型 |
| 远程无凭证 | 0.747 | 0.187 | 同步上升 |
| 披露间隔不超过 7 天 | 0.524 | 0.257 | 新发现为主 |
| 披露间隔超过 90 天 | 0.063 | 0.180 | 非旧账释放 |
内部团队发现由每月 3.949 升至 31.870 条，外部报告约增至三倍；披露中位间隔由 75 天降至 22 天。修复未放缓：ZDI 修复时间 −0.329（0.232）、90 天内修复率 13.394（21.348），Linux 发行版 −4.495（3.510）。
外部研究者在 Glasswing 代码上的产出系数 −0.832（0.387），约少 57%；其他非中国厂商代码 0.891（0.398），约 2.5 倍；总产出 0.489（10% 水平），活跃概率不显著。攻击端一个月内被利用概率下降 0.921 个百分点（0.435），处理前均值 1.419%；零日利用 −0.848（5%）；三个月窗口 −0.783（不显著）；利用代码 −1.527（1%）；EPSS 与被利用数量均不显著。
a / D. Discussion & Conclusion（讨论与结论）
作者把结果解释为抢先发现而非单纯的数量扩张。模型找到的多是尚未被攻击者利用的潜在漏洞，因此披露增加表现为分母变大、被利用比例下降，而利用数量不变。事件研究显示处理前三个月至六个月的系数介于 −0.48 与 0.03 且联合不显著（p=0.19），支持平行趋势。
外部研究者转向其他代码，说明模型的安全收益会溢出到未获准入的软件生态；但作者强调，被利用比例下降在处理组仅 13 家时只能视为提示性证据，置信区间仍允许中等幅度的利用上升。另有三点局限：只观察到已披露漏洞而非真实漏洞存量；对照组中国企业的披露制度不同，估计的是相对可得 AI 工具的增量；修复只到厂商与发行版，看不到用户是否安装补丁。
政策含义有二。第一，修复而非发现可能成为下一道约束：合作方一个月内报告上万条高危漏洞，远多于已公开数量，披露估计是发现效应的下界。第二，准入由私营公司按国别划线，功能上类似出口管制，被排除国家相对少清除了大量潜在漏洞，国家间软件安全差距可能扩大。模型扩散后差距是否收敛、被排除国是否自研防守模型，仍待后续数据。
🧠 IRMaD 思维导图
mindmap
root((玻璃翼与网络防御))
I 引言
漏洞是网络风险核心
攻防争夺同一批漏洞
前沿模型改变搜索成本
政策层担忧系统性风险
R 问题
准入是否增加披露
外部研究者如何应对
攻击者是否从中受益
国家间安全差距
M 方法
全球漏洞披露全样本
十七万余条漏洞记录
双重差分比较中美企业
外部研究者逐月追踪
利用与利用代码目录
R 结果
披露增加约一倍二
高危漏洞增加一倍半
内部发现增约八倍
外部研究者转向他处
被利用比例降三分之二
a 讨论
抢先发现而非数量
披露具双刃性质
修复或成新瓶颈
准入沿地缘划线
D 结论
防守方获得净收益
私营准入类似出口管制
扩散后差距待观察
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。