AI六天造出Chrome完整攻击链：漏洞挖掘进入自动化时代

安全公司XBOW的研究人员用公开可用的AI模型，在六天内串起了三个此前未知的Chrome漏洞，组成一条可用的完整攻击链。这意味着访客只要打开一个网页，Windows电脑就可能被植入并执行代码，全程无需点击、无需下载。Google确认了这三个漏洞，完成修复，并为此支付了25万美元的最高档漏洞赏金。据XBOW表示，该攻击在修复前从未被用于真实用户。

六天完成过去数月的工作

这次攻击的冲刺阶段发生在8月2日至7日之间完成，但XBOW强调，团队此前已有数月的准备与测试作为铺垫。真正用于那六天AI模型的成本约为4万美元。

AI在其中承担的任务包括：检索浏览器源码、验证攻击思路、搭建原型、撰写初步报告。研究人员则负责选定目标、提供方向和过程引导。换言之，AI不是自主黑客，而是被人类专家驾驭的高强度执行器。

纽约大学研究员Brendan Dolan-Gavitt对此评论道，过去这类流程往往需要数月，如今被压缩到了六天。这个时间对比本身就是信号：漏洞挖掘的节奏正在被AI重新定义。

三个漏洞分布在Chrome不同模块

这条攻击链的难点不在于单个漏洞有多严重，而在于把三个互不相关的缺陷拼接成一条连贯的利用路径。三个问题分别位于：

• 代码执行引擎，负责将脚本转化为机器指令的核心模块；
• 图像读取模块，处理网页图片解析的通道；
• 错误处理系统，用于兜底异常流程的逻辑。

Google逐一确认了这三个问题并完成修复。其中错误处理相关问题在8月25日的152.0.7977.65版本中修复，代码执行引擎问题在9月3日的152.0.7977.82版本中修复，图像读取问题也在152版本更新周期内一并解决。

Google同时指出，在补丁发布前，这些漏洞使约十亿在Windows上使用Chrome的用户处于风险之中。这个量级正是完整攻击链被评定为最高赏金档位的原因。

渲染进程与沙箱：Chrome 采用多进程架构，网页内容运行在低权限的“渲染进程”中，被操作系统沙箱隔离。渲染进程负责解析 HTML、执行 JavaScript、解码图片等，一旦被攻破，攻击者获得的只是受限权限。要真正在 Windows 上执行任意代码，攻击链通常需要先通过渲染进程漏洞获得读写能力，再借助第二个漏洞绕过沙箱（或逃逸到更高权限的浏览器进程），最后完成代码执行。文中三个缺陷分别落在代码执行引擎、图像解析与错误处理模块，正是典型的“渲染器入口 + 提权/逃逸”组合，这也是完整攻击链被 Google 评定为最高赏金档位的原因。

AI辅助漏洞挖掘正在改变什么

这起事件最值得关注的不是某个具体漏洞，而是工作方式的转变。传统的漏洞研究高度依赖研究者对代码的长期直觉积累，一个人可能花数月读懂一个模块，再花数月找到可利用的缺陷。AI智能体工作流的介入，把“读代码—提假设—做验证—写草稿”这条链路上的大量重复劳动并行化了。

不过，成本结构仍然清晰：4万美元的模型调用费，加上数月的团队准备和专家引导。这不是零门槛的自动化攻击，而是一种放大型工具。它放大的仍然是人类研究者的判断力——选错目标方向，AI只会更快地撞墙。

对防御方而言，情况变得更紧迫。当攻击链的组装速度从数月缩短到六天，厂商的响应窗口也被同步压缩。Google在这次事件中的表现算是高效：确认、修复、分批推送到152版本周期内完成，但这能否成为常态，取决于漏洞赏金和响应流程能否跟上AI驱动的发现速度。

对普通Chrome用户来说，最直接的行动仍是保持浏览器自动更新开启。补丁已经在152版本中分发，未更新的设备仍暴露在已知风险之下。

漏洞赏金分级：Google 的 Chrome 漏洞奖励计划（VRP）按漏洞危害、利用难度和影响范围分档定价。最高档通常要求提供可工作的完整利用链，尤其是无需用户交互即可实现远程代码执行的情形，赏金上限可达 25 万美元甚至更高。普通的内存安全缺陷若仅能导致崩溃或信息泄露，赏金往往只有数千到数万美元。XBOW 能拿到最高档，说明 Google 不仅确认了三个独立漏洞，还认可了把它们串联成端到端攻击链的完整性与现实危害性。

自动化攻防的下一步

XBOW的案例说明，公开可用的AI模型已经足以在专家引导下完成高质量漏洞研究。这既降低了精英安全团队的人力瓶颈，也让“漏洞发现—武器化”之间的时间差急剧缩短。

接下来的看点在于：防守方是否会同样大规模引入AI来自动化补丁验证与攻击面收敛，以及漏洞赏金体系如何为AI辅助发现定价。25万美元的最高档赏金，或许就是市场给出的第一个答案。

AI 智能体工作流：这里所说的“智能体工作流”，指把大模型与外部工具、代码执行环境、浏览器实例连接起来，让模型能够自主完成“读取源码—提出假设—编写 PoC—运行验证—根据报错迭代”的闭环。与单纯用模型生成文本不同，智能体会调用编译器、调试器和测试框架，把自然语言推理转化为可执行动作。XBOW 的做法正是用这种工作流并行探索大量攻击假设，再由人类专家筛选方向。它并不神秘，核心仍是模型能力、工具接口和人类引导三者的结合，只是把过去高度依赖个人经验的重复劳动大幅加速了。