这两年做渗透测试、漏洞挖掘的人，应该都有一个越来越明显的感觉：
AI 真的开始进场了。
以前我们说“AI 挖洞”，多少还有点像一个概念。
让大模型帮你分析代码、看看请求、解释一个漏洞，这些事情早就能做。但真到了 2025、2026 年，情况已经开始不一样了。
现在的 AI 不只是“帮你写 Payload”。
它开始自己读代码、分析程序、调用工具、运行测试、验证漏洞，甚至尝试修改补丁。
所以很多刚入行的人会开始问一个很现实的问题：
以后还需要学渗透测试吗？ AI 都能自己挖漏洞了，人还有什么价值？
我的看法是：
AI 挖洞肯定有前途，而且这个方向已经不是“有没有前途”的问题了，而是它已经开始成为漏洞研究的一部分。
但另一件事也是真的：
一、先别急着说“AI 要取代黑客”，现在它已经能干什么？
先看几个比较实际的变化。
DARPA 的 AI Cyber Challenge（AIxCC）本身就是一个很典型的例子。这个项目专门研究利用 AI 自动发现、分析和修复软件漏洞。
在 2024 年的半决赛中，参赛系统发现了 22 个独特的人工植入漏洞，并修复了其中 15 个，同时还发现过 SQLite 中的真实世界漏洞。到 2025 年的最终竞赛，AI 系统已经被要求在更复杂的软件环境里同时完成漏洞发现和修复。
这说明一个问题：
AI 挖漏洞已经不是 PPT 里的概念了。
Google 这边也在做类似的事情。
Google DeepMind / Project Zero 的 Big Sleep 已经被用于漏洞发现，Google 在 2025 年公开表示，它曾发现包括 SQLite 在内的真实世界漏洞；到 2026 年，Google 又表示已经把基于 Gemini 的 agent harness 扩展到了更大范围的 Chrome 代码库。
OpenAI 也已经推出了 Codex Security research preview，用 agent 去理解项目上下文、寻找复杂漏洞、验证结果，并尝试生成修复方案。
所以现在再说：
“AI 只能写写代码，根本不会真正挖漏洞。”
这个判断已经站不住了。
二、但是 AI 挖洞和我们理解的“挖洞”，其实不是一回事
很多人第一次接触 AI 挖洞，会产生一个误解：
给 AI 一个网站。 然后 AI 自己扫描。 找到漏洞。 自动验证。 最后提交报告。
如果真能稳定做到这个程度，那确实非常吓人。
但现实距离这个状态还有明显差距。
因为真正的漏洞研究，往往不是：
“这里有没有漏洞？”
而是：
“这个功能到底是怎么工作的？”
这两个问题完全不一样。
举个很简单的例子。
一个普通的 IDOR，你可能一眼就能发现：
代码语言：javascript
AI代码解释
/user/profile?id=1001改成：
代码语言：javascript
AI代码解释
/user/profile?id=1002然后看返回结果。
这属于比较典型的自动化任务。
但如果开发人员做了三层权限判断：
代码语言：javascript
AI代码解释
前端权限
↓
API 权限
↓
业务对象权限而真正的问题出现在第三层。
这时候就不是简单改个 ID 能解决的。
你需要理解：
- 用户角色之间有什么区别；
- 对象属于谁；
- 服务端到底在哪一步做权限判断；
- 哪些接口共享同一个业务对象；
- 某个状态变化之后权限模型有没有发生变化。
这时候真正值钱的其实不是“会不会发请求”。
而是：
你有没有能力建立业务模型。
三、AI 现在最强的地方，其实不是“发现神洞”，而是“扩大搜索面积”
这一点我觉得特别重要。
很多人讨论 AI 挖洞，总喜欢拿“AI 能不能发现一个超级复杂 0day”来判断它有没有价值。
其实这个角度有点偏。
AI 最大的优势可能根本不是：
一次挖出别人十年没发现的神级漏洞。
而是：
以前一个人只能看 10 万行代码，现在可以让几十个 agent 同时帮你分析。
这才是真正恐怖的地方。
人类的问题是什么？
时间有限。
精力有限。
注意力有限。
一个研究员一天可能认真分析几个模块。
但是机器可以同时跑大量任务。
比如：
代码语言：javascript
AI代码解释
代码审计
↓
自动定位高风险函数
↓
生成测试用例
↓
尝试构造输入
↓
运行程序
↓
观察异常
↓
再次调整输入
↓
验证漏洞这个过程如果全部交给人工，成本非常高。
但 AI Agent 可以把大量重复劳动吃掉。
所以以后非常可能出现一种情况：
不是 AI 替代漏洞研究员，而是“一个漏洞研究员 + 一堆 AI Agent”。
一个人带着十个、二十个甚至更多自动化研究任务同时跑。
这才是我觉得比较现实的未来。
四、AI 挖洞真正的问题，其实是“误报”
这个问题很多宣传文章不会重点讲。
因为“AI 一晚上发现 5000 个漏洞”听起来很夸张。
但你真正把结果打开：
代码语言：javascript
AI代码解释
Finding 0001
Finding 0002
Finding 0003
Finding 0004
...然后发现：
其中一大堆根本没法利用。
还有一些：
重复漏洞。
再有一些：
只是理论风险，实际攻击链根本走不通。
这就麻烦了。
HackerOne 在 2026 年公开讨论过这个问题：随着 AI 能力增强，漏洞报告数量明显上升，但增加的报告并不全部具有同等价值，其中会包含重复、无法验证、缺乏足够技术深度的提交。其平台 2026 年 3 月的报告量达到 46,947 份，同比增长 76%，而确认可利用的比例大约仍在四分之一左右。
所以：
发现 1000 个结果，不等于发现 1000 个漏洞。
真正重要的是：
代码语言：javascript
AI代码解释
发现
↓
验证
↓
利用
↓
判断影响
↓
去重
↓
形成完整漏洞链
↓
写出别人能复现的报告最后这几步，目前仍然非常依赖人的判断。
五、还有一个 AI 不太容易处理的问题：业务逻辑
这个可能是我最看好的一个方向。
因为很多漏洞并不是代码层面那种特别标准的：
代码语言：javascript
AI代码解释
SQL Injection
XSS
RCE
SSRF而是：
业务设计本身有问题。
例如：
一个平台正常流程是：
代码语言：javascript
AI代码解释
注册账号
↓
购买商品
↓
支付
↓
生成订单
↓
获得权益结果你研究半天发现：
代码语言：javascript
AI代码解释
优惠券校验在 A 接口
订单价格校验在 B 接口
最终权益发放在 C 接口然后 A、B、C 三个接口分别看起来都没什么问题。
但是组合起来：
就出问题了。
这种漏洞特别依赖研究员自己的理解。
你需要站到业务设计者的角度去想：
“如果我是开发，这三个接口为什么这样设计？”
然后再反过来找：
“有没有哪一个状态，可以被我人为制造出来？”
这类东西，确实是 AI 很想攻克、但目前仍然比较困难的地方。
六、所以以后还值得学 Web 漏洞吗？
我觉得更应该学。
只是学习方式要变。
以前可能是：
代码语言：javascript
AI代码解释
学 HTTP
↓
学 Web 漏洞
↓
学 Burp
↓
学扫描器
↓
刷靶场
↓
找漏洞以后更合理的路线应该是：
代码语言：javascript
AI代码解释
理解 Web 原理
↓
理解漏洞原理
↓
学会人工验证
↓
学会代码审计
↓
学会使用 AI
↓
学会编排 Agent
↓
人工 + AI 联合研究也就是说：
以后最危险的不是“不会 AI 的安全人员”。
真正容易被淘汰的，反而可能是：
只会机械执行固定流程的人。
比如：
代码语言：javascript
AI代码解释
打开 Burp
↓
扫目录
↓
跑扫描器
↓
复制结果
↓
提交报告这一整套工作，本身就特别适合自动化。
AI 只是让这个自动化过程进一步升级。
七、那“AI 挖洞”到底有没有前途？
如果你问我的判断：
有，而且会越来越重要。
但我不建议把它理解成：
“以后 AI 自己挖洞，人就不用学了。”
我反而更倾向于认为，未来会出现一种新的漏洞研究模式：
代码语言：javascript
AI代码解释
人
│
├── 定义目标
├── 理解业务
├── 提出假设
├── 设计攻击思路
└── 判断最终影响
│
▼
AI Agent
│
┌──────┼──────┐
▼ ▼ ▼
代码审计 测试 验证
│ │ │
└──────┼──────┘
▼
人工复核
▼
最终结论AI负责大量重复工作。
人负责真正困难的判断。
这个分工，我觉得反而非常合理。
八、以后什么样的人更吃香？
这个问题其实比“AI 有没有前途”更值得问。
如果一个人现在只会：
“这个参数可能存在 SQL 注入，我用一下工具。”
那确实会越来越卷。
但是如果你能够做到：
“我理解这个系统的业务逻辑，我知道它的数据怎么流动，我可以根据异常行为提出假设，再让 AI 帮我快速验证。”
那完全是另外一个层级。
未来真正有价值的能力，我觉得会逐渐向这几个方向集中：
第一，漏洞原理。
不是背 Payload。
而是知道为什么这个 Payload 能成功。
第二，代码理解。
至少要能够读懂常见的 Web 后端逻辑。
第三，业务理解。
尤其是支付、权限、订单、身份、云服务这些复杂系统。
第四，AI 使用能力。
不是简单问 ChatGPT：
“帮我找一下这个漏洞。”
而是能够让 AI 成为你的研究助手。
第五，验证能力。
AI 说有漏洞，不代表真的有。
你得自己证明。
这一点以后可能反而越来越重要。
九、最后说一个可能不太好听的事实
AI 对漏洞挖掘最大的改变，可能不是：
“以后 AI 会不会挖洞。”
而是：
“漏洞的产能可能会突然提高很多。”
过去一个研究员一天能分析多少东西，有比较明显的上限。
以后这个上限可能会被 AI 大幅度提高。
于是问题就会从：
“谁能找到漏洞？”
慢慢变成：
“谁能在海量自动化结果里找到真正有价值的漏洞？”
这其实又回到了人的能力。
你看得懂代码吗？
你理解业务吗？
你能判断攻击链吗？
你能区分一个普通低风险问题和一个真正有影响的漏洞吗？
你能让 AI 按照你的思路去工作吗？
这些东西，才可能是未来几年真正拉开差距的地方。
写在最后
所以对于现在还在学渗透测试、漏洞挖掘的人，我反而不建议因为 AI 出现就开始焦虑。
真正应该警惕的是另一件事情：
还在用几年前的方式学习。
以前我们可能花大量时间记工具参数、背 Payload、刷重复靶场。
以后这些东西依然有用，但它们的边际价值可能会越来越低。
真正值钱的，是你脑子里那套：
发现问题 → 提出假设 → 验证假设 → 建立攻击链 → 判断影响
AI 可以帮你把前面的路跑得更快。
但最后那个“为什么这个系统会出问题”，依然需要有人真正想明白。
所以 AI 挖洞有没有前途？
答案其实已经不是一个未来时。
它已经开始发生了。
现在真正值得考虑的问题应该变成：
当 AI 开始参与漏洞研究以后，你想成为被 AI 替代的人，还是使用 AI 的那个人？
这个选择，可能比“AI 会不会挖洞”本身重要得多。
评论 (0)