OpenAI เปิดตัวระบบการวัดมาตรฐานความปลอดภัยสำหรับความปลอดภัยของโทเค็นคริปโตและสมาร์ทคอนแทรกต์

สาระสำคัญ

• OpenAI ได้เปิดตัว EVMbench ระบบทดสอบมาตรฐานใหม่ที่พัฒนาร่วมกับ Paradigm เพื่อทดสอบว่าโมเดล AI ขั้นสูงสามารถตรวจจับ แก้ไข และใช้ช่องโหว่ในสมาร์ทคอนแทรกต์ของ Ethereum ได้อย่างไร

• ผลลัพธ์เบื้องต้นเผยให้เห็น “ช่องว่างการโจมตี” ซึ่งโมเดลชั้นนำในปัจจุบันทำได้ดีกว่าการตรวจสอบและแก้ไขข้อผิดพลาดอย่างครอบคลุม — เน้นให้เห็นความก้าวหน้าของ AI อย่างรวดเร็วและความเสี่ยงที่เกิดขึ้นใหม่

• EVMbench อาจเปลี่ยนแนวมาตรฐานด้านความปลอดภัยในคริปโตเคอเรนซี ช่วยให้สามารถตรวจสอบความปลอดภัยด้วย AI อย่างต่อเนื่องสำหรับทีม DeFi และให้ความมั่นใจระดับสถาบันในขณะที่ทรัพย์สินมูลค่าหลายพันล้านเคลื่อนเข้าสู่เครือข่าย

ในความร่วมมือครั้งสำคัญระหว่างปัญญาประดิษฐ์และเทคโนโลยีบล็อกเชน OpenAI ได้เปิดตัว EVMbench อย่างเป็นทางการ ระบบทดสอบมาตรฐานนี้พัฒนาขึ้นร่วมกับยักษ์ใหญ่ด้านการลงทุนในคริปโต Paradigm เพื่อทดสอบอย่างเข้มงวดว่าเอเจนต์ AI สามารถระบุ ใช้ช่องโหว่ และแก้ไขจุดอ่อนในระบบนิเวศ Ethereum Virtual Machine (EVM) ได้อย่างไร

ด้วยมูลค่าทรัพย์สินคริปโตเปิดเผยในระบบสมาร์ทคอนแทรกต์กว่า 100 พันล้านดอลลาร์ ความเสี่ยงจึงไม่เคยสูงขนาดนี้มาก่อน EVMbench เป็นการเปลี่ยนแปลงเชิงรุกในการใช้ “โมเดลแนวหน้า” เพื่อป้องกัน DeFi จากภัยคุกคามทางไซเบอร์ที่ซับซ้อนขึ้นเรื่อยๆ

แหล่งข้อมูล: openai

สามเสาหลักของ EVMbench

EVMbench ก้าวข้ามการวิเคราะห์โค้ดแบบคงที่โดยประเมินเอเจนต์ AI ในสามโหมดการทำงานที่มีความเสี่ยงสูงสุด กระบวนการ “ตรวจจับ-แก้ไข-โจมตี” นี้เลียนแบบเวิร์กโฟลว์ของนักวิจัยด้านความปลอดภัยชั้นนำในโลกจริง

• 1. โหมดตรวจจับ (The Auditor): เอเจนต์สแกนรีโพซิทอรีโค้ดซับซ้อนเพื่อค้นหาข้อผิดพลาดที่ซ่อนอยู่ ความสำเร็จวัดจาก “การนึกถึง” — ความสามารถในการค้นหาปัญหา “ความจริงพื้นฐาน” — และรางวัลจากบั๊กบอนนี่

• 2. โหมดแก้ไข (The Engineer): เมื่อพบบั๊กแล้ว เอเจนต์ต้องเขียนโค้ดใหม่ ระบบจะใช้ชุดทดสอบอัตโนมัติเพื่อให้แน่ใจว่าแพทช์แก้ไขช่องโหว่โดยไม่ทำลายฟังก์ชันเดิมของสัญญา

• 3. โหมดโจมตี (The Adversary): ใน sandbox ที่ปลอดภัยและแยกออกจากกัน Anvil เอเจนต์พยายามดำเนินการโจมตีแบบ end-to-end เพื่อระดมทุน ซึ่งวัดความสามารถในการวิเคราะห์เชิงรุกและการ “เชื่อมโยง” ข้อผิดพลาดเล็กน้อยเข้าสู่การละเมิดร้ายแรง

แหล่งข้อมูล: openai

ภายในชุดข้อมูล: ความเสี่ยงในโลกจริง

EVMbench ไม่ได้อิงกับปริศนาทางทฤษฎี แต่สร้างจากคลังข้อมูลที่คัดเลือกมาอย่างดีของ 120 ช่องโหว่รุนแรงสูง ที่รวบรวมจาก 40 การตรวจสอบเชิงมือระดับมืออาชีพ ข้อมูลส่วนใหญ่มาจากการแข่งขันตรวจสอบในโลกจริง (เช่น Code4rena) และกระบวนการด้านความปลอดภัยภายในของ Paradigm บนบล็อกเชน Tempo

โดยเน้นไปที่ “สมาร์ทคอนแทรกต์ที่เน้นการชำระเงิน” ระบบนี้จึงมั่นใจว่าโมเดล AI ได้รับการทดสอบในด้านโค้ดที่จัดการกับเงินทุนหมุนเวียนหลายพันล้าน

ผลลัพธ์ของมาตรฐาน: การเติบโตของ GPT-5.3-Codex

การทดสอบภายในของ OpenAI เปิดเผยความสามารถของ AI ที่พัฒนาขึ้นอย่างรวดเร็ว ในเวลาเพียงไม่กี่เดือน โมเดลชั้นนำสามารถเปลี่ยนจากการทำงานผิดพลาดง่ายๆ ไปสู่การดำเนินการโจมตีซับซ้อนหลายขั้นตอน

“ช่องว่างการโจมตี”: น่าสนใจที่เอเจนต์ในปัจจุบันทำได้ดีกว่ามากในการ ใช้ช่องโหว่ (72.2%) มากกว่าการ ตรวจจับ หรือ แก้ไข OpenAI นักวิจัยชี้ให้เห็นว่า เอเจนต์ทำได้ดีเมื่อได้รับเป้าหมายชัดเจน เช่น “ระดมทุน” แต่ต้องการการวิเคราะห์ที่ละเอียดขึ้นเพื่อรับมือกับงานตรวจสอบที่ซับซ้อนและละเอียดอ่อน

แหล่งข้อมูล: Openai

ทำไมเรื่องนี้ถึงสำคัญ: การเปลี่ยนแนวด้านความปลอดภัย “ซ้าย”

สำหรับระบบนิเวศคริปโตโดยรวม EVMbench ไม่ใช่แค่คะแนนวัดผล แต่เป็นตัวเร่งให้เกิด “ความปลอดภัยแบบซ้าย” — การบูรณาการการตรวจสอบระดับสูงเข้าไปในกระบวนการเขียนโค้ดโดยไม่ต้องรอการตรวจสอบหลังการใช้งาน

• ความปลอดภัยแบบเปิด: ทีม DeFi ขนาดเล็กที่ไม่สามารถจ้างตรวจสอบด้วยตนเองมูลค่า 200,000 ดอลลาร์ สามารถใช้เอเจนต์ AI ที่ได้รับการรับรองจาก EVMbench สำหรับการตรวจสอบโค้ดอย่างต่อเนื่องและแม่นยำสูง

• ความพร้อมของสถาบัน: ขณะที่ยักษ์ใหญ่ด้านการเงินแบบดั้งเดิมเช่น Goldman Sachs และ Franklin Templeton ย้ายเข้าสู่ระบบบนเครือข่าย พวกเขาต้องการ “มาตรฐานทองคำ” ของการบริหารจัดการ AI ที่มาตรฐานนี้สามารถให้ได้

• ความท้าทายแบบสองด้าน: ด้วยการเปิดซอร์สมาตรฐานนี้ OpenAI และ Paradigm จึงให้เครื่องมือแก่ “คนดี” เพื่อวัดและแซงหน้า “คนร้าย” พร้อมทั้งรักษากรอบความเชื่อถือ “Trusted Access for Cyber” เพื่อเฝ้าระวังความเสี่ยงที่เกิดขึ้นใหม่

มองไปข้างหน้า

แม้ว่า EVMbench จะเป็นก้าวสำคัญที่ปฏิวัติวงการ แต่ในปัจจุบันยังจำกัดอยู่ในสภาพแวดล้อมแบบ deterministic และ sandbox คาดว่าเวอร์ชันในอนาคตจะรวมถึง ความขึ้นต่อกันของหลายเชน และ MEV (Maximal Extractable Value) เพื่อจำลอง “Dark Forest” ของ mainnet Ethereum อย่างสมจริงมากขึ้น

ในขณะที่เอเจนต์ AI ก้าวจาก “เขียนโค้ด” ไปสู่ “รักษาเศรษฐกิจ” EVMbench จึงเป็นเครื่องชี้วัดสำคัญสำหรับอนาคตของการเงินแบบไร้ความเชื่อถือ

คำเตือน: มุมมองและการวิเคราะห์ในบทความนี้เป็นข้อมูลเพื่อความรู้เท่านั้น ไม่ใช่คำแนะนำด้านการเงิน รูปแบบทางเทคนิคและตัวชี้วัดที่กล่าวถึงอาจมีความผันผวนของตลาดและอาจไม่ให้ผลลัพธ์ตามคาด นักลงทุนควรระมัดระวัง ทำการวิจัยด้วยตนเอง และตัดสินใจตามความเสี่ยงที่ยอมรับได้ของตนเอง

เกี่ยวกับผู้เขียน: Nilesh Hembade เป็นผู้ก่อตั้งและหัวหน้าบรรณาธิการของ Coinsprobe ด้วยประสบการณ์ในอุตสาหกรรมคริปโตและบล็อกเชนมากกว่า 5 ปี ตั้งแต่เปิดตัว Coinsprobe ในปี 2023 เขาให้ข้อมูลเชิงลึกรายวันผ่านการวิเคราะห์ตลาดเชิงลึก ข้อมูลบนเชน และการวิจัยเชิงเทคนิค