工作量证明是个错误的类比：寻找哈希碰撞的难度虽然会随着 N 指数级增长，但只要投入足够多的计算，就一定能找到某个 S 使得 H(S) 满足 N，因此当双方资源投入不对等时，拥有更强“算力”的一方终将获胜。

但漏洞则完全不同：

1. LLM 的每次执行会走不同的分支，但基于代码可能状态的所有分支最终都会被穷尽。
2. 如果设想让模型对一段给定代码采样 M 次来寻找漏洞，且 M 足够大，那么最终的瓶颈将不再是“M”（因为代码的状态以及 LLM 采样器有意义的路径都已饱和），而是“I”，即模型的智能水平。

OpenBSD 的 SACK 漏洞就很好地说明了这一点：即便让一个能力较弱的模型跑无限多的 token，它也永远不会意识到（*）起始窗口缺乏校验，若与整数溢出相结合，再与那个本应永不为 NULL 的节点所在分支无论如何都会被进入这一事实结合在一起，就会触发该漏洞。

因此，未来的网络安全不会像工作量证明那样遵循“GPU 越多越赢”的逻辑；真正会胜出的是更好的模型，以及更快获得这些模型的能力。

* 别轻信那些声称弱模型能找到 OpenBSD SACK 漏洞的说法。我亲自试过。实际情况是，弱模型只会幻觉式地（有时碰巧撞上一个真实问题）指出存在窗口起点缺乏校验（理论上这本身是无害的，因为有 start < end 的校验）和整数溢出问题，却完全不理解为什么它们合在一起才会导致问题。这不过是在看起来可能有问题的代码上对漏洞类型做模式匹配，完全不具备真正理解问题并写出利用代码的能力。不信可以自己试试，GPT 120B OSS 便宜且随手可用。

顺便说一句，这也解释了为什么对于这个漏洞，你选的模型越强（但又还没强到能发现真正的漏洞），它就越不可能报告存在漏洞。更强的模型幻觉更少，因此在整个光谱的任何一端都看不到问题：既看不到小模型那一端的幻觉，也达不到 Mythos 那一端真正的理解。