proof of work(工作量證明)是錯誤的類比：尋找雜湊碰撞雖然會隨著 N 呈指數級變難，但只要投入足夠的運算，就一定能找到某個 S 使 H(S) 滿足 N，因此資源不對等時，擁有更強「運算能力」的一方終將勝出。

但漏洞是另一回事：

1. 不同的 LLM 執行會走入不同的分支，但最終，基於程式碼可能狀態的所有可能分支都會被飽和窮舉。
2. 如果我們想像針對給定程式碼對模型進行 M 次取樣來尋找漏洞，且 M 很大，最終的瓶頸將不再是「M」（因為程式碼的狀態以及 LLM 取樣器有意義的路徑皆已飽和），而是「I」，也就是模型的智慧水準。

OpenBSD SACK 漏洞就清楚地說明了這一點：你可以讓較弱的模型跑無限多的 token，它也永遠不會意識到（*）起始視窗缺乏驗證，若與整數溢位結合，再加上無論如何都會進入那個節點絕不應為 NULL 的分支這一事實，才會產生這個漏洞。

因此，未來的資安將不會像 proof of work 那樣，是「GPU 越多就越贏」的競賽；相反地，更好的模型，以及對這類模型更快的存取能力，才會勝出。

* 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（有時碰巧命中真正的問題），認為存在視窗起始處缺乏驗證（理論上這是無害的，因為有 start < end 驗證）以及整數溢位問題，卻不理解為什麼它們放在一起才會造成問題。這只是在看起來可能有問題的程式碼上，對漏洞類別進行樣式比對，完全缺乏真正理解問題並撰寫 exploit 的能力。自己試試看，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（但還不夠強到能發現真正的漏洞），它就越不可能聲稱存在漏洞。較強的模型較少產生幻覺，因此在光譜的任何一端都看不到問題：既看不到小模型那端的幻覺，也看不到 Mythos 那端真正的理解。