比特币安全研究者、AnchorWatch CEO Rob Hamilton 表示，在接入 OpenAI 面向网络安全场景的 Trusted Access for Cyber 后，他发现自己的使用权限受到限制，随后重新转向中国开源 AI 模型开展安全研究。

这项工作与志愿安全项目 Bitcoin Red Team 有关。该项目把 AI 代码分析与人工复核结合起来，面向比特币生态中的开源软件寻找潜在漏洞。Hamilton 在 X 上提到，随着审计范围扩大，AI 已成为筛查代码风险的重要工具。

AI 先筛查，再由人工复核

Bitcoin Red Team 的做法并不是让模型直接下结论，而是先由 AI 在大量代码库中寻找可疑路径，再交给研究人员复现和验证。文章提到，项目已产出大量机器生成的发现，但这些结果并不等于已确认漏洞，仍需手动核实。

这类流程的价值在于缩短初筛时间。面对数百个代码仓库，研究人员不必逐行检查，而是先让模型定位高风险区域，再集中投入人工审计。

OpenAI 工具面向安全研究开放

按照 OpenAI 的说法，Trusted Access for Cyber 原本就是为合规安全研究设计。获批用户在漏洞发现、漏洞分级、恶意软件分析、二进制逆向、检测工程和补丁验证等任务中，遇到的自动拒绝会更少。

OpenAI 还提供限制更严格的 GPT-5.5-Cyber，用于授权红队测试、渗透测试和受控漏洞验证。公司认为，模型能力越强，越需要更严格的身份验证、监控和授权，因为同样的能力也可能被攻击者利用。

Hamilton 则认为，现实问题在于，真正遵守规则的白帽研究者更容易被限制，而恶意攻击者往往会转向限制更少、甚至可本地部署的模型。

Coldcard 漏洞让审计需求升温

这场讨论发生前不久，Coldcard 硬件钱包漏洞刚引发市场关注。TRM Labs 估算，自 7 月 30 日起的四轮盗窃中，约有 1816 枚比特币被盗，按文中口径价值约 1.16 亿美元，涉及超过 5200 个地址，最终数字仍可能调整。

研究人员将问题追溯到 2021 年发布的 4.0.1 固件版本。由于构建配置出现问题，部分钱包在生成助记词种子时使用了较弱的软件随机数，而非预期的硬件熵源，这使受影响私钥可能被远程暴力破解。

文章还提到，仅升级设备并不能消除这类风险。如果钱包种子是在受影响固件下生成，用户还需要重新生成新种子，并把比特币转移到新地址。

AI 安全工具的准入之争

随着模型能力提升，AI 已能帮助研究者理解陌生代码、追踪问题根因、分析攻击路径并检查补丁。对比特币这类依赖开源基础设施的生态来说，问题已不只是要不要用 AI 做审计，而是谁能及时拿到最强的安全工具。

如果限制过少，攻击者可能获得更强的自动化攻击能力；如果限制过严，防守方反而只能使用较弱工具。Hamilton 的经历显示，这种平衡正在成为 AI 安全领域的新争议点。