Az Ethereum Alapítvány mesterséges intelligencia-ügynököket engedett szabadjára a kódján: íme, mit is fedeztek fel valójában

Sok téves diagnózis

A kísérletet részletesen ismertette egy július 9-én közzétett blogbejegyzés, amelyet Nikos Baxevanis, az alapítvány protokollbiztonsági csapatának tagja írt, olyan címmel, amely egyben a cég tézise is volt, nevezetesen: „A triázs a termék.” Az eredmények széles körű figyelmet keltettek, mivel a leggyakrabban jelzett problémák hamis riasztásoknak bizonyultak (bár a köztük valódi hibák is voltak).

A legfontosabb felfedezés azonban valódi: az ügynökök segítettek feltárni egy távolról kiváltható pánikhelyzetet a gossipsub-ban, amely az Ethereum konszenzus-kliensek által használt libp2p peer-to-peer hálózati réteg része. A hibát kijavították, és CVE-2026-34219 kóddal tették közzé (ez az a fajta hiba, amelyet – ha egy támadó fedezett volna fel elsőként – a hálózat egészén lévő csomópontok megzavarására lehetett volna felhasználni).

A hibák megtalálása volt a könnyebbik rész

A meglepetés – írta az alapítvány – nem az volt, hogy az AI-ügynökök hibákat tudtak találni, hanem „hogy milyen kevés munkát igényelt a hibák felkutatása, és mennyi munkát igényelt a valódi hibák elkülönítése azoktól, amelyek csak valódinak tűntek”.

A csapat katalogizálta ezeknek a hamis hibáknak az ismétlődő formáit: például olyan összeomlásokat, amelyek csak hibakereső verziókban fordulnak elő, termelési környezetben soha; olyan reprodukálható hibákat, amelyek elérhetetlen belső értékeken alapulnak, amelyeket egyetlen támadó sem tudna ténylegesen megadni; valamint olyan formális verifikációs bizonyítékokat, amelyek technikailag igazak, de annyira korlátlanok, hogy semmit sem bizonyítanak.

Az alapítvány válasza egy szigorú bizonyítási szabvány volt, amelyet így foglalt össze: „reprodukálható, vagy nem történt meg.” Részletesebben: ezentúl minden lehetséges hibajelentésnek önálló artefaktummal kell együtt szállítania, amely a tényleges kóddal szemben reprodukálja a hibát, függetlenül attól, hogy a jelentő ügynök mennyire biztosnak tartja a hibát.

Az ügynököket ebben az összefüggésben hipotézis-generátoroknak (keresőeszközöknek, nem döntéshozóknak) tekinthetjük, amelyek felderítési, vadászati, hiánypótlási és validációs szakaszokba vannak szervezve, és a végső döntést az emberek hozzák meg.

A felhajtás mögötti számok

A bejegyzés egy ritka teljesítmény-összehasonlítást is tartalmazott arról, hogy a jelenlegi generációs eszközök milyen jól teljesítenek. Egy tulajdonságalapú tesztelő ügynök körülbelül 1 000 lehetséges hibajelentést generált, és szakértői felülvizsgálat után a legfontosabb ajánlásainak körülbelül 86%-a állta ki a vizsgálatot (ami egy gép esetében erős eredmény, de ez az arány még mindig megköveteli az emberi szűrést, mielőtt bármi is a termelési kódhoz kerülne).

Az eszközök egyértelműen valódi sebezhetőségeket találnak a kritikus infrastruktúrában, ezzel cáfolva azt a nézetet, miszerint az AI által generált hibajelentések puszta zajnak minősülnek. A munkaterhelés azonban nem szűnt meg, hanem egyszerűen lejjebb került a triázs szakaszába, ahol tapasztalt mérnökök választják szét a valós jeleket a szimulációtól. Egy olyan hálózat esetében, amely több százmilliárd dollár értékű vagyont véd, ez a szűrés fontos.

Az alapítvány most már nem egyszeri kezdeményezésként kezeli a munkát, hanem továbbviszi azt. Például az „Ecosystem Support Program” keretében egy külön támogatási pályázatot finanszíroz az AI-alapú protokollbiztonság területén, amely kiterjed a kutatásra, az auditálásra és a sebezhetőségek felderítésére.