恶意软件使用 LLM 对受害者按其价值进行排序
使用大型语言模型来按财务价值筛选受害者的恶意软件，正在加剧人们对 AI 将如何放大网络犯罪的担忧，从自动侦察到优先锁定高价值目标。评论者讨论这些威胁在今天到底有多现实，一些安全从业者指出许多手段只是现有攻击的演化，而另一些人则担心，随着代理获得自主性，网络将回到“病毒风暴”式的环境。讨论的大部分内容集中在实际防御上——用于银行和开发的隔离机器或虚拟机、更严格的更新与依赖管理，以及更强的“默认拒绝”安全模型——同时也弥漫着一种感觉：软件供应链和开发者工具正变得越来越有吸引力，成为攻击面。
LLM 在恶意软件中的使用与受害者排序
- 有人认为 LLM 对于优先排序目标已经“足够好”，但与专用工具相比，它们更慢、准确性更低，而且成本更高。
- 也有人指出，所有传统工具其实已经是 FOSS，因此使用 LLM 更多是为了开发者便利和快速原型开发。
- 几条评论描述了当前的 LLM“代理”已经表现出侵入性行为（例如递归扫描 home 目录、寻找凭据、试图绕过沙箱）。
对 AI 辅助攻击日益增长的焦虑
- 多位发帖者担心，自动更新的 AI 工具和快速变化的软件栈会扩大供应链攻击窗口。
- 讨论将其比作 2000 年代初的“病毒风暴”，并担忧我们正在进入一个类似时代，只是现在以 AI 的速度发生。
- 也有人认为本质上没有什么新东西；AI 主要只是自动化了攻击者原本就会做的工作。
隔离策略：硬件、虚拟机与 QubesOS
- 许多人主张隔离分区：用于银行、开发、浏览、游戏、社交或 2FA 的独立机器（或手机）。
- 其他替代方案包括大量使用虚拟机、QubesOS、Docker（但有保留）、多个 SSD，甚至通过防火墙设备桥接的独立物理 LAN。
- 也有人提到成本和可用性问题；在部分人看来，这种级别的隔离属于“把安全当爱好”或过度工程化。
容器、内核与安全模型
- 普遍认为 Docker/容器并不是强安全边界；虚拟机和 hypervisor 更好，但也并非无懈可击。
- 讨论了“默认允许”与“默认拒绝”的操作系统模型，并呼吁更小、更可验证的内核以及更强的受保护输入机制。
依赖与供应链风险
- 人们强烈批评 npm/PyPI 这类生态将庞大而薄弱的依赖树以及安装时轻易执行代码的做法正常化。
- 也有人反驳说，不负责任地使用依赖早在 npm 出现之前就存在，并且在各种语言中都存在。
- 有人指出网络锁定实践出现倒退（服务器可自由访问互联网），这让供应链滥用更容易发生。
防御实践与取舍
- 建议的防御措施包括：始终及时打补丁、避免可疑网站、尽量减少 SaaS 使用、强制启用 MFA 和唯一密码、考虑给更新设置冷静期，以及对敏感任务使用虚拟机。
- 也有人意识到这是一个两难取舍：未修补的 CVE 与被入侵的更新之间只能二选一。
LLM 提供商的防护措施与开源模型
- 评论者推测/假定大型实验室已经对输出进行安全分类，但认为这并不完美，而且受商业激励限制。
- 多人指出，真正的攻击者会转向那些没有此类限制的开源模型。
猜测、边缘情况与幽默
- 讨论从“罗宾汉”式恶意软件和分阶段社会崩溃（被广泛怀疑）到本地数据中提示注入陷阱的军备竞赛不等。
- 有人打趣说，贫穷或高度空气隔离如今成了意外的安全优势。