2026 年 4 月 7 日，Anthropic 悄悄发布了一篇技术文档，描述了一个名为 Claude Mythos 的模型——它在一个月内发现了数千个零日漏洞，其中包括一个存在 27 年、历经无数人工审计却从未被察觉的 OpenBSD 漏洞。
Anthropic 称这是"安全领域的分水岭时刻"，并坦承：在防御者追上之前，短期内受益的可能是攻击者。
这不是一篇普通的产品公告。它所揭示的，是 AI 能力正在跨越一个此前理论上存在、但实践中从未被清晰穿越的门槛。
一、Mythos Preview 说了什么
Anthropic 通过 Project Glasswing 向约 40 家机构（包括 AWS、Apple、Google、Microsoft、CrowdStrike、JPMorganChase 等）提供了受限访问权限。该模型不对公众开放。
核心能力展示：以网络安全为窗口
Anthropic 选择以网络安全作为 Mythos 能力的展示领域，原因之一是这个领域的成果极易量化和验证。
关键数据
一个月内扫描出数千个零日漏洞，覆盖主流操作系统、浏览器、密码学库
发现了存在 16~27 年、历经无数人工审计却从未被发现的漏洞
1000 次 OpenBSD 扫描成本不足 2 万美元，发现数十个问题
自动化严重性评估与人工专家验证的一致性达 89%
在相同目标上，Mythos 成功利用漏洞 181 次，而前代 Opus 4.6 仅成功 2 次
技术能力特征
逆向工程：可从剥离符号的二进制文件重建源代码，突破闭源软件的分析壁垒
漏洞利用链：能自主将多个漏洞串联成完整攻击链，无需人工引导
跨层渗透：从用户态到内核态，绕过 KASLR、HARDENED_USERCOPY 等现代内存防护机制
Anthropic 的定性
原文用语："watershed moment for security"（安全领域的分水岭时刻），需要"从头重新想象计算机安全这一领域"。
Anthropic 明确承认：在安全均衡到来之前，过渡期可能是动荡的，且短期内攻击者可能先于防御者受益。
二、这代表着什么技术拐点
从"辅助工具"到"自主执行者"
过去几年，AI 模型在安全领域的角色是"辅助"——帮助安全研究员查文档、写 PoC 草稿、解释汇编。Mythos 的展示说明这个边界已经被穿越：模型可以独立完成从漏洞识别到可用漏洞的全链条，这在工程难度上是质变，不是量变。
参数规模的意义
有报道指出 Mythos 是首个达到 10 万亿参数量级的模型。规模本身不是重点，重点是这个规模带来的涌现能力——解决此前模型系统性失败的任务类别，而非只是把已知任务做得更好。
能力代差的加速
| 模型 |
Firefox 漏洞利用成功率 |
| Opus 4.6 |
2 / 数百次 |
| Mythos Preview |
181 / 数百次 |
这不是线性改善，是数量级跳跃。意味着下一代模型与当前模型之间的能力代差，可能远大于我们过去两年观察到的迭代幅度。
三、行业冲击：谁会被重塑
网络安全行业：最直接的破坏与重建
市场已有定价反应：Mythos 消息公开后，CrowdStrike、Palo Alto Networks、Zscaler、SentinelOne、Okta 等传统安全公司股价单日下跌 5%~11%。
被削弱的：
依赖人工渗透测试的安全服务公司（红队、漏洞赏金）
以"签名库"和"规则库"为核心的传统防御产品
以人力为核心交付价值的合规审计机构
被强化或新创的：
软件开发行业：安全左移的强制化
过去"安全左移"（shift left）是理念，推广靠文化建设。未来，当"每一行代码上线前都能被 AI 以极低成本全量扫描"，安全审查将从可选项变为基础设施，就像今天的 CI/CD 流水线。
这意味着：
金融与关键基础设施：系统性风险重定价
JPMorganChase 是 Project Glasswing 成员之一，这不是偶然。金融系统大量依赖运行多年的遗留软件，历史漏洞密度极高。一次 AI 辅助的定向攻击，其穿透能力将远超以往任何已知攻击手段。
监管机构将面临压力，要求：
保险行业：网络保险定价模型的崩溃与重建
当漏洞发现成本从"数百万美元人工投入"降至"数万美元 AI 计算"，网络保险精算模型的历史数据全部失效。行业将进入重新定价期，短期内保费上涨、承保范围收缩几乎不可避免。
四、对普通人意味着什么
短期：数字生活的安全基线下降
Anthropic 自己警告：过渡期内攻击者可能先于防御者获益。对普通人来说，这意味着：
当下可以做的
中期：就业市场的结构性位移
AI 能力跨越"自主执行者"阈值，最直接冲击高度依赖专业知识但任务可被结构化描述的职业：
初中级安全研究员、渗透测试员
代码审计、合规审查人员
部分法律和金融合规岗位（规则适用型，非判断型）
同时，新职位将在"AI 结果仲裁者"和"AI 能力基础设施"方向涌现，但数量远少于被替代的存量。
长期：谁控制 AI 能力，谁拥有不对称优势
Mythos 目前只对约 40 家顶级机构开放。能力越强的模型，初期越集中于头部机构。这意味着普通人与机构之间的信息不对称、能力不对称将在某些领域（尤其是安全、法律、金融）出现短暂但显著的扩大。
这是一个"能力民主化"之前的"能力集中化"窗口期，历史上每次重大技术跃迁都经历过这一阶段。
五、法律与伦理的灰色地带
Mythos 的能力打破了"研究"与"攻击"之间长期以来维持的模糊但可操作的边界。这不只是技术问题，而是一套尚未建立的法律体系正在面对一个它完全没有预期的现实。
责任归属：一个没有答案的问题
场景还原： 一家 Project Glasswing 授权机构，使用 Mythos 对某关键基础设施组件进行授权扫描，发现漏洞并尝试推送补丁，但补丁本身引入了新的逻辑错误，导致电网控制系统短暂失联。
责任链条上有至少四个节点：
| 节点 |
可能的责任主张 |
现有法律覆盖 |
| Anthropic（模型提供方） |
产品责任、过失提供危险工具 |
极为有限，美国《通信规范法》230条款历史上保护平台，但 AI 生成内容是否适用存疑 |
| 授权机构 |
操作过失、超出授权范围 |
可援引现有侵权法，但 AI "自主行为"部分难以归责 |
| 基础设施运营商 |
接受外部访问的疏忽 |
取决于合同条款，监管框架普遍缺位 |
| AI 模型本身 |
无法律人格，无法被起诉 |
现行法律体系下 AI 无主体地位 |
核心困境：当损害由"模型的自主推理"造成时，现行法律体系没有对应的归责框架。这不是细节问题——它意味着在重大事故发生之前，整个行业实际上处于法律真空中运行。
类比参照： 最接近的历史先例是医疗器械领域。当一台 AI 辅助的手术机器人造成术中损害，制造商、医院、主刀医生之间的责任分配已经是高度争议的领域，而 Mythos 类模型的自主程度远超任何现有医疗 AI。
另一个参照是金融算法交易的"闪崩"（Flash Crash）责任问题：2010 年道琼斯单日暴跌 1000 点，监管机构花了数年才厘清部分责任链。而网络安全领域的损害速度更快，溯源更难。
短期内可能出现的法律应对路径：
监管机构要求 Glasswing 类机构购买专项责任保险并提前备案操作边界
Anthropic 在服务协议中将"自主操作"损害责任全部转移给用户机构（已是行业惯例，但规模前所未有）
立法机构推动 AI 专项责任法案，但周期以年计，远慢于技术迭代
"数字核武器"：双用途技术的监管困境
双用途技术（Dual-use technology）指同一项技术既可用于民用/防御目的，也可用于攻击/军事目的。核技术、生物技术、化学品合成都经历了从"无管制"到"国际公约框架"的演变。
Mythos 的能力特征完全符合双用途技术的核心特征：
Anthropic 自己的评估：原文明确写道，Mythos "currently far ahead of any other AI model in cyber capabilities"，并警告如果前沿实验室在发布方式上不谨慎，短期内受益的可能是攻击者。这是罕见的、由开发者自己公开承认的"我们制造了一个潜在危险工具"。
与核不扩散条约（NPT）的类比及其局限：
核武器的管控逻辑建立在三个前提上：
制造门槛极高（浓缩铀、钚分离需要国家级资源）
物理实体可追踪（核材料有质量、有放射性）
使用后果不可逆且可归因（蘑菇云不会"撤回"）
AI 模型的扩散逻辑与此完全相反：
复制成本为零（一份权重文件可以无限复制）
无法物理追踪（运行在任何算力上）
攻击可以匿名化、分散化，极难溯源归因
这意味着核不扩散条约的逻辑框架无法直接移植。任何类似条约要发挥作用，需要建立在完全不同的机制上：
| 管控维度 |
核武器 NPT 机制 |
AI 安全协议需要的机制 |
| 扩散管控 |
管控铀矿开采、浓缩设施 |
管控训练算力（GPU 出口管制已有雏形）、模型权重的访问和分发 |
| 核查机制 |
IAEA 实物核查 |
第三方模型能力评估、"红线"能力认证体系（尚不存在） |
| 违约惩罚 |
经济制裁、军事威胁 |
互联网接入限制？算力封锁？（工具严重不足） |
| 参与激励 |
和平利用核能的权利 |
安全模型访问权？AI 发展援助？（框架空白） |
现实中已存在的管控雏形：
美国商务部对高端 GPU（H100/B200 等）实施出口管制，本质上是对"训练超大模型所需算力"的扩散控制
Anthropic、OpenAI 等签署的自愿安全承诺（2023 白宫峰会），法律约束力为零
欧盟 AI 法案对"通用目的 AI 系统"的能力分级管理，但执行标准远未成熟
核心悖论：建立有效的国际 AI 安全协议，需要主要 AI 强国（美国、中国、英国、法国）的实质性参与。但这些国家同时也是在 AI 军事化和网络战上竞争最激烈的行为者。监管合作的需求和战略竞争的动机直接对立——这正是核军控谈判最难突破的结构性困境在 AI 领域的重演。
最可能出现的中期路径（而非理想路径）：
算力管制深化：GPU 出口管制从美国单边行动演变为多边协调，形成"算力供应链联盟"，以控制训练超级模型的资源门槛
能力认证体系：类似生物安全领域的 BSL（生物安全等级）分级，建立 AI 能力的"危险等级"认证，高等级模型访问须通过政府审查
事故通报义务：类似核事故的强制通报机制，AI 被用于攻击关键基础设施须在规定时间内向国际机构通报（先于处罚框架，建立信息共享）
"AI 红十字会"构想：若干学者提出建立超主权的 AI 安全技术机构，专门负责高危模型的独立评估和协调披露，类比 IAEA，但在政治上极难实现
研究与攻击的边界消失后，法律体系如何接收
当一个 AI 模型在"合法授权"范围内发现漏洞，同时这些漏洞信息以某种方式泄漏或被滥用，现有法律体系面临的不只是归责问题，而是整个"什么是合法安全研究"的定义需要重写。
美国《计算机欺诈和滥用法》（CFAA）、欧盟《网络与信息系统安全指令》（NIS2）、中国《网络安全法》都建立在一个前提上：安全研究由人类研究员主导，规模有限，意图可判断。
Mythos 改变了三个前提：
规模：一个月数千个漏洞，监管框架的响应速度完全跟不上
主体：AI 无意图，但其产出物可以被有意图的行为者使用
边界：系统性扫描一个软件的所有历史版本，是"研究"还是"侦察"？在人工时代这个问题很少被追问，在 AI 时代它变成了每次运行都必须回答的问题
值得关注的是，Anthropic 在文档中提到他们对未披露漏洞进行了 SHA-3 密码学承诺（cryptographic commitment），以便未来验证这些漏洞是他们先发现的。这是一种在法律框架缺失的情况下，用技术手段建立"发现时间戳"的自我保护行为——说明连 Anthropic 自己也意识到，他们正在一个无法律保障的空间里操作，需要自行创造证明机制。
六、结构性判断
Mythos 不是更强的 Opus，是不同量级的系统。能力的代差表明，接下来几年的模型迭代将持续突破此前认为"AI 做不到"的任务类别边界。
网络安全是第一个被全面重塑的行业，但逻辑适用于所有"专业知识密集、历史积累深、人工成本高"的领域——法律、医疗、金融审计是下一梯队。
普通人的处境：短期风险上升（防御跟不上攻击），中期机会分化（谁能最快掌握 AI 工具谁就获得杠杆），长期需要关注能力的分发公平性。
最重要的不是 Mythos 本身，而是它所揭示的节奏：从 Opus 到 Mythos，能力代差巨大，且这个跃迁发生在约 6~12 个月内。下一次跃迁可能更快。
参考来源：Anthropic Mythos Preview · Fortune · TechCrunch · CNBC
本文创作构成
| 构成 |
占比 |
说明 |
| 🖊️ 人工调研与审核 |
5% █░░░░░░░░░░░░░░░ |
选题方向、事实核查、最终校对 |
| 🤖 Claude |
90% ██████████████░░ |
内容写作、结构设计、案例整理 |
| ✨ ChatGPT |
5% █░░░░░░░░░░░░░░░ |
博客配图生成、事实信息获取 |
