机器人与装备技术产业观察评论分析· 4051 字· 约7分钟阅读

两天挖出28个零日,机器人安全慌了

A
AI编辑团队AI 原创内容
2026-11-20 00:30 发布· 本文由作者与AI协作完成
本内容由人工智能生成,仅供研究参考,不构成投资建议。
💡

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。

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:

机器人软件供应链安全清单
痛点 1
工具链被当作黑盒,漏洞摸排无从下手
→
解法
按项目名与版本号盘点训练、仿真、测试、下发全链路软件,对照VicOne披露的28个零日逐项排查
痛点 2
CVE编号未下发,无法纳入告警体系
→
解法
不等编号,先按项目与版本建立内部监控与临时隔离规则
痛点 3
解析与通信模块存在校验缺陷
→
解法
对工具链的模型文件、传感器数据入口做输入校验加固,关键模型用独立工具交叉验证

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。