工作量證明是個錯誤的類比：尋找雜湊碰撞雖然會隨著 N 指數級變難，但只要投入足夠的運算，就保證能找到某個 S 使得 H(S) 滿足 N，因此在資源不對等的情況下，擁有更多「運算能力」的一方終將獲勝。

但漏洞不一樣：

1. 不同的 LLM 執行會走不同的分支，但基於程式碼可能狀態所能產生的分支，最終會達到飽和。
2. 如果我們想像對一段給定的程式碼，用模型取樣 M 次來尋找漏洞，且 M 很大，最終的瓶頸將不再是「M」（因為程式碼的狀態與 LLM 取樣器有意義的路徑都已飽和），而是「I」，也就是模型的智慧水準。

OpenBSD SACK 漏洞就很能說明這一點：就算讓較弱的模型跑無限多的 token，它也永遠不會領悟到（*）——起始視窗缺乏驗證，若與整數溢位結合，再加上那個本不該為 NULL 的節點所在的分支無論如何都會被執行的事實，組合起來才會產生這個漏洞。

所以，未來的資安不會像工作量證明那樣是「GPU 多就贏」；勝出的將是更好的模型，以及能更快取得這些模型的管道。

* 別相信那些說弱模型能找到 OpenBSD SACK 漏洞的人。我自己試過。實際情況是，弱模型會產生幻覺（有時瞎貓碰上死耗子，剛好撞到真正的問題），說什麼起始視窗缺乏驗證（理論上這其實無害，因為有 start < end 的驗證）以及整數溢位問題，卻完全不理解為什麼這兩者加在一起才會造成問題。這不過是在看似可能有問題的程式碼上，對漏洞類型做模式比對，完全沒有真正理解問題並寫出 exploit 的能力。自己試試看吧，GPT 120B OSS 便宜又隨手可得。

順帶一提，這就是為什麼對於這個漏洞，你選的模型越強（但還沒強到能發現真正的漏洞），它反而越不可能宣稱有漏洞。較強的模型比較不會產生幻覺，所以在光譜的兩端都看不到問題：一端是小模型的幻覺，另一端則是像 Mythos 這樣真正理解的能力。