一句话看懂：《Wired》记者在自家网络环境中使用去除了安全限制的开源大模型，成功让 AI 代理自主发现并攻破了打印机、音箱等多个 IoT 设备漏洞。这次实验说明，具备真实攻击能力的 AI 代理已经进入可及性极高的阶段，但同一技术也能反过来用于加固个人和企业的安全防线。
事件核心：发生了什么
《Wired》AI 通讯作者 Will 近期做了一次亲身实验：他通过 Abliteration AI 公司提供的去对齐模型服务，调用基于 Z.ai 最新代理编码模型 GLM 5.3 的“无护栏”版本，并使用名为 CyberStrike 的软件工具链引导该模型执行网络安全任务。该 AI 代理在几分钟内扫描了他的家庭局域网，识别出约十余台硬件设备，且给出了具体的可利用漏洞，包括：打印机配置错误导致任何网络用户均可登录，可能泄露报税单、银行账单等敏感打印任务；Wiim 无线音箱信息泄露，任何人可远程控制播放内容或音量；多个 IoT 设备固件版本过旧、需要更新。
此前，前沿模型在网络安全领域的能力已明显增强，例如可以定位大型代码库中的零日漏洞、快速扫描系统薄弱点。值得说明的是，Abliteration AI 这类公司通过修改开源权重模型内部参数（即 abliteration 过程）来移除拒答机制，让模型可以执行通常被禁止的攻击性查询。Anthropic 的 Mythos、OpenAI 的 Astra 在技术上也采用类似路径，即缺少标准网络攻击防护模块的模型，但目前仅向受信任客户开放。
为什么重要
这次实验揭示了几个容易被低估的事实。第一，具备真实网络攻击能力的 AI 代理不再只存在于实验室或大型安全企业手中——Abliteration AI 提供的去对齐模型成本仅相当于一份披萨的价格，且直接面向个人用户开放，这大幅拉低了“数字攻击能力”的获取门槛。第二，个人家庭网络中的打印机、智能音箱、IoT 设备通常是安全防护最薄弱的环节，AI 代理可以批量、快速发现这些入口，意味着针对普通人的精准攻击技术成本正急剧下降。
但报道同时给出了一个反向视角：记者利用同一 AI 代理获得了如何加固网络的具体建议，包括更新固件、锁定打印机权限、将智能音箱等 IoT 设备隔离到访客网络。也就是说，防御方同样可以借助去对齐模型，以攻击者的思维模式提前发现并修复自己的系统弱点。这家名为 Abliteration AI 的初创公司 CEO Devon 明确表示，让去对齐模型广泛可得是一种进攻性防御策略——用 AI 代理来对抗恶意 AI 代理。
对用户/开发者/创作者的影响
对普通用户而言，家庭网络中的打印机、音箱、智能家居设备都可能成为 AI 代理攻击的跳板或信息泄露点。最直接的建议是：定期更新固件、禁止陌生人访问设备管理界面、将 IoT 设备放在独立的访客网络中，以隔离被攻破后可能造成的扩散。对于正在“vibe coding”的开发者，这次实验也给出明确提醒：AI 生成的代码项目中普遍存在安全隐患，建议引入自动化安全扫描工具，或在部署前主动用大模型代码审计功能做一轮漏洞排查。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于企业和安全团队，去对齐模型（如 GLM 5.3 的去限制版、Anthropic Mythos、OpenAI Astra）在当前阶段的定位更接近“安全工具”而非“攻击武器”，适合用于渗透测试、红队演练和代码审计。对于医疗、金融、航空等正在大规模接入 AI 代理的关键基础设施公司，这一案例再次说明：部署自主 Agent 之前，必须建立针对代理行为的监控、隔离和权限边界，防止代理之间出现“串谋”或逃逸行为。
值得关注的后续
目前公开信息显示，Abliteration AI 提供的去对齐模型仍主要通过 API 调用，其服务的稳定性、合规性和滥用风险管控尚未接受公开测试。以下三点值得跟踪：
第一，去对齐模型是否会形成标准化的安全产品形态，比如与 CyberStrike 类似的工具链是否会被主流安全厂商整合；第二，GLM 5.3 或其他开源代理模型在无限制状态下的实际攻击成功率是否有第三方复现评测；第三，这类服务的供应商是否会被监管机构要求限制访问范围，或像 Anthropic、OpenAI 一样转向白名单制。如果去对齐模型持续以低价面向公众开放，个人网络设备和中小企业的安全防守策略可能需要更早地“默认不安全”来设计。
来源：Wired AI
