AI防护墙阻碍攻击性网络安全研究者工作，业界呼吁放宽模型使用限制

背景概述

随着生成式AI模型的能力提升，OpenAI、Anthropic 等公司陆续推出了针对安全团队的 Trusted Access for Cyber 与 Cyber Verification Program，要求研究者通过严格审查后才能获取低防护模型。然而，自2026年6月美国对 Anthropic 的 Mythos 与 Fable 实施出口管制后，这类项目的审查力度进一步加剧，导致不少安全研究者在日常工作中遭遇模型拒答。

研究者的真实声音

Mark Dowd（资深零日研究员）在安全播客中直言：“大型公司单方面决定哪些安全行为‘安全’，让我们失去了一把重要的工具。”
Chris Anley（NCC Group 首席科学家）指出，模型在收到 ‘修复此代码’ 的提示时往往直接拒绝，这直接影响了漏洞确认的效率。
Paolo Stagno（Crowdfense CTO）补充，云端模型的使用还可能泄露敏感漏洞信息，导致数据被用于后续模型训练。
Giuseppe Cali 则表示，他仅在逆向工程阶段使用AI，避免在漏洞武器化阶段依赖模型，从而规避防护墙的限制。

现行防护措施的局限

审查流程不透明：申请进入 Trusted Access 需要提交企业资质、研究计划等，审批周期往往数周甚至数月。
防护规则不一致：同一模型在不同日期的响应差异大，研究者需要反复试探模型的“安全阈值”。
数据泄露风险：将漏洞代码上传至云端模型可能被用于模型微调，增加了信息外泄的潜在风险。

研究者转向的替代方案

面对上述困境，部分团队已经开始使用 GLM、LLaMA 等可本地部署的开源模型，这些模型不受美国出口管制，也没有强制的使用审查。

本地部署保证了 零数据外泄，符合多数企业合规要求。
开源模型的 可解释性 更高，研究者可自行修改防护规则以适配特定安全场景。

业界呼声与未来趋势

Chris Thompson（RemoteThreat CEO）呼吁前沿AI实验室开放更为透明、责任明确的访问渠道，并对滥用者进行追责。
他警告：“如果防护墙继续收紧，合法安全研究者将被迫转向非美国治理的模型，这对全球网络安全生态是危险的倒退。”
多位受访者一致认为，AI安全赛道需要 “安全与防护的平衡”：既要防止模型被恶意利用，又不能阻断防御方的研发效率。

结语

AI模型的防护政策正处于快速演进期。如何在保障公共安全的前提下，为专业安全研究者提供可控、可靠的模型访问，是业界亟待解决的关键议题。只有在透明审查、明确责任和技术可控之间找到平衡，才能真正让AI成为网络安全的“利剑”，而非“绊脚石”。