2026 年 10 月 14 日
Block 正在使用包含 OpenAI Daybreak 在内的 AI 系统来大幅压缩漏洞修复时间,让其安全团队得以专注于战略性工作。

- 公司规模:大型企业(Enterprise)
- 地区:北美
- 行业:金融、科技
- 产品:Codex
检测规则调优(Detection tuning)
< 1 小时
针对 7 个月的遥测(telemetry)数据重放拟议的检测变更
拟议补丁(Proposed patch)
18 分钟
从提交高危漏洞到自动化生成拟议补丁
误报分诊(False-positive triage)
约 600 个工时
每季度为分析师节省的排查时间
安全调查(Investigations)
约 1,100 个工时
每季度完成的分析师调查工作量
在旗下拥有 Square、Cash App 和 Afterpay 的 Block 公司,安全团队正在利用 OpenAI 防御工厂(OpenAI Defense Factory):由 AI 在人类团队无法企及的规模下处理漏洞发现、检测和响应。借助包括 OpenAI Daybreak 在内的 AI 系统,Block 仅需数小时就能完成过去需要数周才能做完的工作。
“AI 正在压缩从人类意图到行动之间的时间。在过去一段时间里,人们普遍认为攻击者拥有优势,因为他们更快、更敏捷。但借助 Daybreak 等工具以及 OpenAI 工具链的技术进步,防御者现在能够以快制快(fight fire with fire),跟上 AI 普及的迅猛步伐。”
—— James Nettesheim,Block 首席信息安全官(CISO)
Block 的安全团队一直致力于在各项工作流程中负责任地引入 AI,无论是代码生成还是安全运营。“其核心在于拥有一位能与你一同扩展能力的全新队友,”首席信息安全官 James Nettesheim 表示,“它不同于传统的自动化方案,传统方案必须一步一步按部就班。现在你可以针对一个相当定制化且模糊的问题向它提问,并与它共同推导解决。”
像审查软件缺陷或解析日志这类项目,过去需要数天或数周才能完成。现在,团队只需极少的时间即可完成这些项目,同时依然由人工来验证每一项结果。
例如,在检测规则调优方面,每次调查都会存储其原始查询证据,因此团队现在可以在不到一小时内,针对 7 个月的生产环境遥测数据重新回放拟议的检测规则变更。这项工作在过去意味着需要手动重新查询数百个旧案例,而且由于太耗时,在实际操作中极少真正执行。
团队在针对不同任务选择不同模型方面也变得更加考究。“我们过去总是使用最新的模型,但现在已经没有必要这样做了,”他说道,“学会针对不同的任务选择不同的模型,本身就是一个探索积累的过程。”Block 的安全测试底座(security harness)构建在 Daybreak 之上,有助于将任务路由到最合适的模型,并且内置了供人工接管任务或让智能体(agent)相互验证工作的钩子(hooks)。团队持续根据内部基准和现实环境中的表现评估这些系统,并在必要时调整策略,包括在需要负责任处理时将任务路由至人工审核。
自动分诊(triage)系统带来了更快的工作效率和更多的任务吞吐量。Block 的安全团队见证了分诊吞吐量提升 50%、情报收集与调查能力增长 50%,并获得了一种全新的自主威胁搜猎(autonomous hunting)能力。Nettesheim 表示:“这相当于每季度完成约 1,100 个分析师工时的调查工作,因为现在每个告警都会针对其涉及的所有要素开展全面而深入的调查。我们的系统对待每一个告警,都像对待当天收到的唯一告警一样认真。”
OpenAI 防御工厂的实际运作
传统的扫描工具通常是孤立地标记单个漏洞,但 Block 的安全团队借助 Daybreak 可以走得更远。该模型有助于推演攻击模式,并将一系列攻击串联为完整的端到端入侵路径(compromise path),从而揭示可能已经潜伏多年的漏洞。
在一个案例中,单台笔记本电脑上的告警单看似乎只是轻微的策略违规。但在复核过程中,模型追踪了一个仅在证据中偶然出现的指标,将其与 Block 的身份日志进行关联分析,进而暴露出规模大得多的问题。“一个常规的终端告警最终演变成了一次针对攻击活动的全面清除。没有任何单一工具能够完成这种数据关联,因为该信号仅跨越两款产品的日志存在,”James 说道。
Daybreak 发挥作用的另一个例子是在近期的一次红队演练中。该模型仅接收了关于内部系统的少量提示线索,就在约两小时内串联起了一条完整的攻击路径——SQL 注入、权限提升、建立据点(foothold)、凭据枚举以及横向移动渗透至其他系统。这对于人类红队人员通常需要几天时间。在近期的红队演练中,从提交高危漏洞到自动化生成拟议补丁的时间仅为 18 分钟。
发现漏洞的价值取决于修复漏洞的能力。Nettesheim 介绍了其团队针对每个发现所采用的流程:定位问题在代码中的具体位置并确定其负责人,然后推进至修复环节。“提出补丁方案,确认漏洞可利用性,然后验证问题是否已修复,并由人类参与其中(human in the loop)进行指导并部署代码变更。”
尽管智能体具备出色的技术能力,但它们缺乏组织的背景信息或以往决策背后的考量逻辑。人类能够提供这一背景和策略,而这也正是他的团队所承担的角色——提供人工审核层。随着 AI 的判断力在实践中不断得到验证,Nettesheim 表示:“我们将逐步提高风险等级阶梯,将其应用到更敏感的系统中。”
成果一览
- 针对 7 个月的遥测数据重放拟议的检测变更耗时少于 1 小时。
- 在近期的红队演练中,从提交高危漏洞到自动化生成拟议补丁仅需 18 分钟。
- 每季度节省约 600 个分析师工时的误报排查时间。
- 每季度完成约 1,100 个分析师工时的调查工作。
- 告警分诊吞吐量提升 50%。
- 威胁情报收集与调查能力提升 50%。
下一步计划
仅检测与响应工作一项,每季度就节省了约 600 个过去用于排查误报的分析师工时。借助省下的时间,团队现在可以投入更多精力开展更深入的调查,并以负责任的方式构建更多自动化能力。
随着攻击节奏的加快和 AI 模型的不断演进,Nettesheim 认为有机会减少漏洞数量……