两天挖出28个零日,机器人安全慌了
📋 总体概括
VicOne用AI辅助研究,不到两天在支撑Physical AI生态的软件工具链中发现28个零日漏洞,涉及Google、NVIDIA、Meta等维护的项目。本文拆解为什么攻击面不在机器人本体而在工具链,以及验证、CVE与修复链条为何跟不上AI挖洞的速度。
📄 正文
两天不到,28个零日漏洞。这是网络安全公司 VicOne 近日通过 AI 辅助研究,在支撑 Physical AI 生态的软件与工具链上拿到的成绩单,相关内容经由 IEEE Spectrum 披露。
先把信源细节摆在前面:据 IEEE Spectrum 报道,VicOne 的研究方法是以大语言模型辅助的大规模代码审计——由 AI 对候选开源项目做批量代码模式识别、产出候选漏洞列表,再由安全研究员逐一复现验证,整个发现阶段耗时不足两天。受影响项目为 Google、NVIDIA、Meta 等公司开发或维护的开源与工程工具,覆盖机器人操作系统、仿真与感知工具链;从披露样本看,问题集中在输入校验缺失、不安全的反序列化、路径遍历、默认配置下的未授权访问等典型代码缺陷,多数位于工具链的解析与通信模块。(注:受影响项目的完整清单与漏洞编号以 VicOne 官方披露为准,本文列举为报道点名或公开可查部分。)
先把判断放前面:这不是一次普通的安全研究秀肌肉,而是给整个机器人产业提了个醒——我们花大价钱给机器人本体做加固、给产线做隔离的时候,真正的攻击面藏在上游的训练、仿真、测试工具链里。而 AI 正在把漏洞发现的推进器装到攻击者手里,产业的验证与修复链条还没跟上。
⚡ AI挖洞快过审核:28个零日的冲击波
先看这条新闻最刺眼的地方:不到两天。
VicOne 表示,借助 AI 辅助研究,团队在覆盖 Physical AI 生态的软件和工具集合中,快速识别出一批候选问题,经人工验证后归类为零日漏洞,合计28个。这些项目包括 Google、NVIDIA、Meta 等公司开发或维护的开源与工程工具,具体涉及机器人中间件、仿真引擎与感知处理库等组件。
更微妙的是后面的限定语:漏洞数量在厂商和漏洞管理机构的复核后可能变化,部分发现还没有 CVE 编号。
这三句话叠在一起,勾勒出一个尴尬的时间差:
- 发现侧:AI 把漏洞挖掘从『人肉逆向一周』压缩到『机器扫描两天』;
- 治理侧:CVE 编号要排队,厂商复核要走流程,公告要等法务审。
安全社区随之出现的一种概括性说法是:『挖出来的速度,第一次超过了给漏洞发身份证的速度。』(注:此为作者综合公开讨论整理的转述,非 VicOne 或官方信源引语。)它指向的事实是:过去是漏洞报告等厂商修,现在是治理体系连『确认这算不算漏洞』都来不及。
这28个零日还没走完完整流程,最终数字可能上浮也可能下修。但方向已经清晰——AI 辅助研究把零日发现的边际成本打到地板上,机器人软件供应链的欠账被一次性翻到了台面上。
🤖 打的不是机器人,是它的隐形地基
很多工厂管理者的第一反应是:机器人本体没问题就行,工具链漏洞离我远。
这个直觉恰恰是错的。看这些漏洞藏在哪里:VicOne 指出,这批出问题的工具,正是机器人团队日常用来训练、仿真、测试和运营机器人的软件——包括 ROS 2 生态的通信中间件(如 Zenoh 类组件)、Gazebo 类仿真器、NVIDIA 仿真平台相关组件,以及 Meta 开源的仿真与感知库。
翻译成产线上的场景:工程师在仿真环境里调好一条焊接轨迹,验证通过,然后把指令下发到车间的那台机械臂。整条链路里,机器人本体只是一个执行末端,真正的『大脑工厂』在上游软件里。
(注:此图为作者基于披露信息整理的示意,非官方图示。)
这条链路一旦上游被污染,后果有三层(作者分析):
1. 污染模型:训练工具的弱点可能影响团队训出来的模型,模型带着缺陷上线,谁也查不出来源;
2. 污染信任:仿真和测试工具被做手脚,团队信以为真的『测试结果』本身就是错的;
3. 污染指令:运营与下发链路的漏洞,直接决定机器人最终执行什么。
换句话说,这些漏洞攻击的不是一台机器人,而是一批机器人的生产方式。一次成功的利用,影响面是所有依赖这套工具训练、测试出来的模型和产线,这才是 Physical AI 安全和传统工控安全最本质的区别。
🎯 攻击面地图:哪里最疼,先修哪里
把 Physical AI 的攻击面摊开看(以下定位为作者基于披露信息与公开仓库特征的分析),不同环节的技术门槛和商业价值差异巨大,修复资源不可能平均撒。
| 环节 | 在链路中的角色 | 被利用后的后果 |
|---|---|---|
| 训练工具 | 生成模型 | 模型带毒上线,影响面最广 |
| 仿真环境 | 验证决策 | 测试结果失真,信任体系崩塌 |
| 测试工具 | 放行关卡 | 坏品被『验证通过』放行 |
| 运营/下发链路 | 触达机器人 | 直接操纵机器人行为 |
| 机器人本体 | 执行末端 | 单点损坏,影响可控 |
(注:象限坐标为作者示意性定性判断,非量化数据。)
这张图想说的就一句话:越高价值、越低门槛的格子,越要先修。训练和仿真工具恰恰落在『核心命门』区——技术上是开源仓库,利用门槛不高,而一旦被污染,下游所有模型和产线连带遭殃。相比之下,机器人本体固件利用门槛更高、影响是单点的,反而是不少工厂已经投入重兵的地方。
资源错配,是当下机器人安全最典型的病。
⚠️ 跟不上的不只是修复,还有『确认漏洞』本身
这次事件暴露的第二个断层,在治理流程。
按惯例,一个漏洞从被发现到被广泛修补,要经过:研究者验证 → 厂商确认 → 漏洞管理机构发号(CVE)→ 厂商发补丁 → 用户升级。这条流水线是为『人类研究员一年挖几十个洞』的节奏设计的。
而现在,AI 辅助研究两天产出28个候选,其中一部分连 CVE 编号都还没有。也就是说,终端的机器人团队可能面对一种前所未有的状态:漏洞已经存在,但官方体系里它还『不存在』。
(注:此时间线为作者构造的示意排期,各环节实际耗时无公开数据,仅用于说明发现侧与治理侧的节奏差。)
这个窗口期里,工厂能做什么?大多数团队的答案是——什么都做不了,因为没有编号就没有告警规则,没有厂商确认就没有补丁。
VicOne 提出的方向是把漏洞管理往『VulOps』演进:安全响应不再是等编号、等补丁的被动流程,而是像运维一样持续运转的作战体系。这背后是对机器人团队的两条硬要求——既要对这28个发现做出响应,又要在编号和复核结果陆续落地时保持流程弹性。
一句话:AI 把发现侧提速十倍,治理侧如果还是月度节奏,窗口期就是攻击者的圣诞节。
🔧 给工厂的落地建议:别等编号,先动起来
落到一线,作者结合本次披露的漏洞类型(集中在解析、通信与授权模块),给出一份精简清单:
对集成商和设备厂商,建议更进一步:向客户公开训练和测试工具链的软件清单与版本。这会成为未来 Physical AI 项目的招投标硬指标,就像今天的功能安全认证一样。
小结
28个零日漏洞真正的价值,不在于数字本身——它可能在厂商复核后变成25个,也可能变成33个。它真正的价值是撕开了一个被行业长期低估的事实:机器人产业的安全重心,正在从机器人本体转移到生产机器人的工具链上。AI 辅助研究让这个转移被提前按下了快进键。接下来两年,Physical AI 落地越多,训练和仿真工具链的漏洞价值就越高,攻防双方都会涌向这里。工厂现在要做的,是把工具链纳入资产清单、把响应窗口期写进预案——在攻击者发现这块洼地之前。
本文由本站 AI 辅助聚合生成,原始来源如下: