КИБЕРБЕЗОПАСНОСТЬ

OpenAI потратила $1,2 млн на поиск 948 уязвимостей Linux

OpenAI потратила около $1,2 млн на API, чтобы получить рабочие эксплойты для 948 уязвимостей ядра Linux.

✍️ Редакция iTech News | 19.11.2026 | ⏱ 3 мин | Источник: The New Stack
👁

OpenAI потратила около $1,2 млн на API-вызовы, чтобы сгенерировать работающие эксплойты для 948 уязвимостей ядра Linux. Это не очередной тест «может ли модель написать вредоносный код», а заметный сигнал для команд безопасности: ИИ для поиска уязвимостей постепенно превращается из исследовательского эксперимента в инструмент, способный менять экономику аудита и атак.

О масштабе эксперимента сообщает The New Stack. По данным издания, затраты ушли именно на использование API при генерации и проверке рабочих эксплойтов для известных проблем в Linux kernel. Глава OpenAI Сэм Альтман дал понять, что компания рассматривает этот результат не как финальную демонстрацию возможностей, а как начало более широкого применения ИИ в безопасности.

Ключевое слово здесь — «рабочих». Найти подозрительный участок кода, сопоставить патч с CVE или предложить гипотезу о баге умеют многие инструменты статического анализа. Эксплойт требует гораздо более строгой цепочки действий: понять условия, при которых дефект проявляется, подобрать входные данные, обойти ограничения окружения и доказать воспроизводимость результата. Именно на этом этапе обычно исчезает значительная часть красивых, но бесполезных находок.

Сумма в $1,2 млн звучит крупно, особенно для задачи, которую традиционно связывают с ручной работой исследователей. Но в пересчёте на 948 случаев получается примерно $1,3 тыс. API-расходов на один рабочий эксплойт. Это ещё не готовый тариф для отдела информационной безопасности и не оценка реальной стоимости устранения дефектов. Зато это ориентир: если цена вычислений продолжит снижаться, а модели станут лучше работать с кодом и окружением сборки, автоматизированная проверка крупных кодовых баз станет доступнее для большего числа команд.

Для Linux эта история особенно показательна. Ядро используется в облаках, контейнерных платформах, сетевом оборудовании, встраиваемых устройствах и корпоративных серверах. Ошибка в низкоуровневом компоненте редко остаётся проблемой одной машины: её последствия зависят от конфигурации, прав доступа, версии ядра и того, как именно продукт эксплуатирует систему. Поэтому количество найденных уязвимостей само по себе не говорит, что все они одинаково опасны. Между воспроизводимым эксплойтом в лаборатории и риском для конкретной инфраструктуры всё ещё лежат триаж, оценка воздействия, выпуск патча и развёртывание обновления.

И всё же баланс сил меняется. ИИ для поиска уязвимостей полезен защитникам тем, что способен быстро просматривать большие массивы кода, документации, патчей и результатов тестов. Но такой же инструментарий может ускорить работу атакующих, если модель помогает превращать публичное описание ошибки в пригодный для эксплуатации сценарий. Для разработчиков отсюда довольно приземлённый вывод: нельзя считать публикацию CVE и выпуск исправления финалом инцидента. Чем быстрее автоматизация учится собирать рабочие цепочки атак, тем уже становится окно между раскрытием информации, установкой патча и фактической защитой систем.

Командам разработки стоит заранее проверить не только процесс обновления ядра и базовых образов, но и качество инвентаризации: где именно используются уязвимые версии, какие сервисы доступны извне, есть ли компенсирующие меры и кто отвечает за срочные обновления. SRE и DevOps-командам пригодятся воспроизводимые процедуры отката и развёртывания. Для продуктовых и IT-руководителей это ещё один аргумент считать безопасность частью скорости поставки, а не отдельной очередью после релиза.

Рынок давно движется к более автоматизированному поиску дефектов: фаззинг, анализ зависимостей, сканирование контейнеров и статический анализ уже стали привычной частью CI/CD. Генеративные модели добавляют к этому способность связывать разрозненные технические детали и предлагать последовательность действий. Однако они не отменяют экспертов: ложные срабатывания, неполные условия эксплуатации и риск небезопасного обращения с исходным кодом никуда не деваются. Вероятнее всего, ближайшая гонка развернётся не вокруг вопроса, может ли модель найти баг, а вокруг того, кто быстрее встроит её результаты в безопасный и проверяемый процесс исправления. Подробнее о заявленных результатах можно прочитать у The New Stack.

Поделиться: Telegram X LinkedIn