Checkmarx 應用程式安全性指南：解析 Claude Mythos
文章翻譯
2026-05-18 by 高田鑑識
前言
2026 年 4 月 7 日，Anthropic 發布了全新 AI 模型「Mythos」（目前處於私人測試階段），目標是在 AI 時代保障軟體安全性。
Anthropic 表示，AI 已在網路安全領域達到關鍵轉折點。隨著 Mythos 的即將發布，AI 模型即將具備識別並利用軟體漏洞的能力，其水準足以媲美頂尖人類專家，甚至在許多情況下超越他們。Mythos 已在主流作業系統與瀏覽器中發現數千個高嚴重性漏洞，顯示能力與風險正同步急速加速。
在 Mythos 公告發布後不久，Anthropic 隨即成立了一個聯盟，以透明翅膀的熱帶蝴蝶命名為「Glasswing 計畫」。該計畫涵蓋 Apple、Google、Microsoft、Nvidia 等逾 40 家主要科技企業，其核心任務是將這股強大的大型語言模型（LLM）力量導向防禦而非攻擊。
Anthropic 分享的近期案例清楚展現了能力的躍進：Opus 4.6 模型在數百次嘗試中，僅成功為 Firefox 147 漏洞生成可運作的 JavaScript shell 漏洞利用程式兩次；而 Mythos 的成功率則大幅提升，在 181 個案例中成功生成可運作的攻擊程式。這不只是小幅進步，而是本質上截然不同的能力層次。
本文將提供一份實用指南，協助您深入理解這項公告的意涵、對應用程式安全性主管的影響，以及在 AI 旅程中可供參考的具體建議。
Anthropic 為何發布此公告？為何選在此時？
多年來，許多軟體漏洞之所以未被發現，是因為識別並利用這些漏洞需要高度專業的知識。隨著先進 AI 模型的崛起，成本、精力與技術門檻大幅降低，使得漏洞發現與利用變得觸手可及、快速且可大規模執行。如 Checkmarx 自身研究所示，AI 的強大能力與普及程度大幅縮短了漏洞利用的時間。
過去需要數週、數月甚至數年才能利用的漏洞，如今可在數分鐘內被武器化。這定義了應用程式安全性的全新現實，對任何資安主管、工程主管乃至整個管理團隊而言，這都必須是首要優先事項。
根據我們年度《應用程式安全性的未來》報告，逾 81% 的組織在明知程式碼存在漏洞的情況下仍選擇發布，原因在於龐雜的雜訊、缺乏脈絡的積壓清單以及資源有限。這只是應用程式安全性（AppSec）主管如今必須面對的諸多 AI 驅動挑戰之一。
純粹採用 AI 模型安全性解決方案的挑戰
隨著各組織加速邁向 AI 原生開發，安全性環境也以同等速度轉變，且往往難以預測。新型 AI 模型展現出前所未有的能力，能在現有程式碼庫中發現漏洞，包括多年來未被察覺的長期缺陷。與此同時，這些模型也大幅降低了漏洞利用的門檻，使已知與未知漏洞的武器化速度更快。這形成了雙重挑戰：漏洞發現能力雖然提升，風險的數量與速度卻也同步增加。
有鑑於此，以下是代理式開發中正在浮現、企業必須正視的幾項關鍵安全性挑戰：
- 新模型正在舊有程式碼中發現大量零時差漏洞。
- AI 加速漏洞武器化：無論已知或未知漏洞皆然。
- 多達 45% 的 AI 生成程式碼可能存在安全性風險。
- 大型語言模型（LLM）存在漏洞遺漏的情況，涵蓋範圍並不完整。
- 各模型的訓練來源不同，導致不同 LLM 之間的結果缺乏一致性。
- AI 模型的涵蓋範圍不夠全面，且缺乏足夠的脈絡資訊。
針對已知與未知漏洞的確定性與機率性應用程式安全性
隨著軟體環境逐漸演進為代理式架構，LLM 持續進步，我們必須認清：單靠 AI 驅動的安全性分析並不足夠。以機率性推理來生成並標記問題的模型，必須與根植於真實脈絡、客戶環境、真實可利用性、政策執行、可稽核性及完整可視性的確定性系統並行運作。在企業規模下，這也意味著需要支援數千個儲存庫、分散式團隊以及高度互聯的系統。
正如 Tomasz Tunguz 在《AI 安全性的參差前沿》一文中所指出，AI 能力並非線性發展，而是存在不一致性且高度依賴脈絡。Mythos 等模型雖能在發現與利用未知漏洞方面展現突破性表現，但在提供適當輸入的情況下，較小型模型往往也能達到類似結果。與此同時，那些埋沒在積壓清單中、缺乏優先排序的已知漏洞，在 AI 時代仍是重大且可被武器化的風險。
在這種參差不齊的現實中，部分漏洞能以高精準度識別，其他則完全遭到遺漏。這導致錯誤的安全感、輸出不一致，以及風險涵蓋範圍出現關鍵缺口。若偵測不具一致性，便無從信賴。
這正是混合模型不可或缺之處——AI 的機率性推理提供速度與規模，但必須輔以確定性安全性層，依據脈絡與真實可利用性來驗證發現結果。機率性與確定性方法相互結合，為代理式應用程式安全性樹立新標準，在規模化下提供高保真、可付諸行動的結果。
代理式分類處理與修復的必要性
我們已確立：將發現大量未知漏洞的 LLM 驅動安全性，與原本就難以管理的已知問題積壓清單（使 81% 的組織暴露於風險中）相結合，需要一種融合機率性與確定性分析的混合方法。但這仍然不夠。
如今龐大的漏洞數量迫切需要代理式分類處理與修復。人工流程已無法應對；它們無法提供脈絡、有效排定優先順序，也無法在規模化下自信地化解風險。
這正是 AI 代理人（AI Agent）至關重要之處。透過自動執行智慧型分類處理來消除雜訊、優先處理真正可利用的風險，並推動快速的自動化修復，AI 代理人將推理能力與精準度融為一體。最終成果是不只具有可擴展性，更在 AI 原生開發環境中真正可付諸行動的安全性。
總結與建議
Mythos 的發布公告與 Glasswing 計畫的成立，標誌著 AI 驅動安全性的重要里程碑，但它們不是、也無法成為獨立存在的解決方案。如上所述，AI 模型既放大了既有風險，也暴露了新的風險，形成需要更廣泛、更整合性方法才能應對的挑戰。
為打造真正符合企業級需求、值得信賴的 AI 安全性計畫，我們建議採取以下步驟：
- 混合應用程式安全性模型
結合確定性精準度與機率性 AI，全面涵蓋已知與未知風險。 - 代理式分類處理與修復
運用 AI 代理人擴展脈絡感知的分類處理能力，並加速修復流程。 - 左移至源頭
在程式碼創建階段識別並修復 AI 生成的漏洞，防患於未然，避免進入正式環境。
