Масштаб автоматизированной охоты за багами
В октябре 2026 года команда безопасности OpenAI завершила масштабный эксперимент по автоматизированному поиску уязвимостей в ядре Linux. Используя проприетарную кибер-модель (предшественника GPT-5.5 Cyber), система не просто нашла потенциальные дыры, но и прошла полный цикл: от статического анализа до динамической валидации и генерации исправлений.
Результаты превзошли предыдущие попытки. В июне 2026 года модель GPT-5.5 Cyber нашла 24 уязвимости. В новом запуске, запущенном в середине октября, система обработала 2308 кандидатов, динамически воспроизвела 1724 уязвимости и сгенерировала 948 рабочих эксплойтов локального повышения привилегий (LPE). Это позволяет неавторизованному локальному пользователю получить доступ к root.
Экономика безопасности: $1.2 млн против миллионов на баг-баунти
Ключевой вывод исследования — экономическая эффективность автоматизации. Общий стоимость запуска составила $1,213,430 в кредитных единицах API. Это эквивалентно примерно $1,279 за один найденный и подтвержденный эксплойт LPE.
Для сравнения, исторические выплаты на конкурсах Pwn2Own и TyphoonPWN за аналогичные уязвимости составляли от $20,000 до $70,000. Если применить эти ставки к 948 найденным уязвимостям, потенциальная рыночная стоимость находок оценивается в $18.9–66.3 млн. Таким образом, затраты OpenAI на автоматизированный поиск составили лишь 1/16–1/55 от потенциальной выгоды для хакеров или выплат за баг-баунти.
| Метрика | Значение | Примечание |
|---|---|---|
| Общая стоимость запуска | $1,213,430 | Кредиты API за полный цикл |
| Стоимость одного LPE | ~$1,279 | Среднее значение на успешный эксплойт |
| Найдено LPE уязвимостей | 948 | Локальное повышение привилегий |
| Воспроизведено уязвимостей | 1,724 | Из 2,308 кандидатов |
| Информационные утечки (PoC) | 291 | Отдельная категория уязвимостей |
| Новые техники эксплуатации | ≥10 | По данным исследователей |
Сравнение с ручным трудом и другими моделями
Эксперимент проводился на стандартных десктопных образах Linux, что соответствует реальной угрозе, а не ослабленным тестовым средам. Для проверки эффективности на более сложной цели OpenAI использовала адаптированную среду kernelCTF (ядро с уменьшенной поверхностью атаки). Там система нашла 21 LPE-эксплойт и 25 PoC утечек информации при затратах всего $32,936. Если бы эти уязвимости были приняты в программе kernelCTF, награда составила бы около $1.5 млн, что в 45 раз превышает затраты на сканирование.
Интересно, что новая кибер-модель нашла более чем в 5 раз больше новых LPE-уязвимостей, чем запуск GPT-5.6 Sol в июле, несмотря на то, что между сканированиями ядро Linux было усилено (hardened) в течение трех месяцев.
Почему это важно для индустрии
OpenAI подчеркивает, что скорость обнаружения уязвимостей фронтенр-моделями опережает возможности человеческих команд по их патчингу. В течение 10 дней работы системы более 100 найденных LPE-уязвимостей уже были исправлены или обсуждались сообществом Linux. Это подтверждает гипотезу: без автоматизированной генерации патчей обеспечить безопасность ПО на современном темпе развития ИИ невозможно.
Исследование также указывает на то, что наличие непривилегированного доступа к непопатченной системе сегодня функционально эквивалентно root-доступу для хорошо финансируемого злоумышленника. В будущем, по мнению OpenAI, «нулевые неизвестные уязвимости» станут нормой, и безопасность будет зависеть от качества кода, написанного с учетом безопасности (secure-by-design), и формальной верификации, а не только от поиска багов.
Источник: OpenAI ↗