Simon Willison 在他最新的部落格文章中提出了一個令人深思的觀察：逆向工程從來沒有像現在這麼便宜過。
這個觀察不是來自實驗室——而是來自越來越多人在家做的事：用 AI 編碼代理來逆向智慧家電，然後自動化它們。
這聽起來可能只是「工程師的小確幸」，但背後其實藏著一個巨大的產業變革：AI 正在徹底改變逆向工程和漏洞研究的經濟學。
為什麼逆向工程變便宜了？
在 AI 出現之前，逆向工程你家的智慧燈泡或掃地機器人——雖然理論上可行——但投資回報率（ROI）低到可憐。
為什麼？因為經驗豐富的程式設計師都知道：這些未公開、不穩定的 API 隨時可能因為韌體更新而改變或損壞。 你花了一個週末破解了 API，下個月廠商推送更新，你的程式碼就廢了。然後你要再花一個週末維護，下個月可能又廢一次。
這就像你租了一個永遠修不好的漏水公寓——每次修好，下個月又漏。
但現在，AI 編碼代理改變了一切：
- 開發成本暴跌：讓 AI 幫你寫逆向腳本的時間，從幾天變成幾小時
- 試錯成本極低：失敗了？沒關係，讓 AI 重寫一個。成本幾乎為零
- 心理負擔沒了：知道程式碼隨時可能壞，但因為重寫太便宜，已經沒人介意了
Simon 是這樣說的：「因為程式碼這麼便宜，要維護它——或者丟掉重來——的心理負擔已經大幅降低了。」
學術研究怎麼說？數據會說話
這不是只是工程師的直覺——有扎實的學術研究背書。
NDSS 2026 發表了一篇重要的實證研究，讓 48 位參與者（24 位專家、24 位新手）進行了 109 小時的軟體逆向工程（SRE）測試。結果令人震驚：
關鍵數字
| 指標 | 數字 | 說明 |
|---|---|---|
| 新手理解率提升 | 98.55% | 使用 LLM 後，新手理解率逼近專家水準 |
| 專家理解率變化 | 幾乎無提升 | AI 對專家幫助有限 |
| 已知算法分析速度 | 加快 238%（2.4 倍） | Base64、TEA 加密等標準算法 |
| 遺失產物恢復量 | 提升至少 66% | 符號、變數名、註釋、型別 |
| 惡意軟體分析節省時間 | 0.5 至 3 天 | 視樣本複雜度而定 |
| 每日 AI 分析成本 | 1 至 10 美元 | 直接模式 1-2 美元，自動模式 7-10 美元 |
重點：LLM 輔助讓新手的理解率提升了將近 100%，直接追平專家水準。換句話說，AI 正在消除逆向工程的技術門檻——這在過去是只有頂尖安全研究員才能做的事。
具體的技術案例
Ghidra MCP Server：110 個工具的 AI 橋樑
開發者 xerzes 為 NSA 的逆向工具 Ghidra 建構了一個 MCP（Model Context Protocol）伺服器，提供了 110 個工具供 AI 調用。其中最酷的功能是正規化函數雜湊系統——它不依賴絕對記憶體地址，而是根據函數的邏輯結構計算雜湊值。
這意味著：當軟體版本更新時（例如 Diablo II 的數十個補丁），AI 可以自動將舊版本的 1,300+ 個函數註釋轉移傳播到新版本，完全不需要人工重新標註。
對比一下：LaurieWired 的 Ghidra MCP（7K+ ⭐）有約 15 個工具。xerzes 的版本有 110 個工具、28,600 行程式碼、154K+ 雜湊記錄——完全不是同一個量級。
r2ai：自動化字串解密
Radare2 的 AI 插件 r2ai 配合 Claude 3.5/3.7，在分析 Linux/RudeDevil 等惡意軟體時，能自動推導混淆算法、生成 Python 解密腳本、在本地執行。如果腳本出錯，AI 還會根據報錯訊息自動修復腳本，直到成功解密。
這在過去需要分析師花數天手工完成。現在 AI 在幾分鐘內搞定。
Tigress 混淆基準測試
Elastic Labs 對 Claude Opus 4.6 做了系統性的混淆破解測試：
- 未混淆的 Crackme（對照組）：$0.43、1 分 55 秒、完全破解
- 加 MBA 算術混淆：$0.47、2 分 20 秒、完全破解
- 加虛擬化混淆：$6.00、25 分 28 秒、完全破解
- 雙重虛擬化 + 編碼：無法破解，$6+
結論是：簡單到中等複雜度的混淆，AI 已經可以完全自動化破解。 只有極度複雜的組合混淆，才能暫時阻擋 AI。
貓捉老鼠：AI 混淆 vs AI 逆向
有趣的是，防守方也發現了新的打法。Elastic 的研究人員使用 Claude Opus 4.6 在一個週末就「Vibecoded」了三種針對 LLM 的新型混淆技術：
套娃牆（Matryoshka Wall）
塞入 100,000 層連鎖 ChaCha20 加密。AI 知道解法，但要模擬解密 10 萬層——Token 預算直接燒乾。達到 $10 的上限還沒搞定。
雙重底（Double Fond）
修改開源庫 libgcrypt，提供一個看似合法的加密工具作為誘餌。AI 分析後覺得「嗯就這樣」，完全沒發現隱藏在未標記 RWX 段的真實惡意程式碼。得分：0/5。
調度迷宮（Dispatch Maze）
把算法粉碎成 20 個片段，混入 3,000 個假的函數中，每個都包含真實的 Windows API 調用。AI 怕 Context 爆掉不敢大量反編譯，最終失敗。
這對安全研究意味著什麼？
安全專家 Thomas Ptacek 說了重話：「漏洞研究已經被煮熟了（Vulnerability Research Is Cooked）。」
他認為，前沿模型對漏洞研究產生了「階躍函數（step function）」式的衝擊。在未來數月內，只需要將 Agent 指向目標代碼庫，輸入「幫我找 0-day」，AI 就能自動定位並測試漏洞。
為什麼 AI 這麼擅長這件事？
- 內建的超自然代碼關聯性：模型在訓練資料中已經看過無數程式碼，知道 Linux KVM 與 hrtimer、workqueue 的交互。
- 完整的 Bug Classes 庫：UAF、型別混淆、整數溢出⋯⋯所有已知漏洞類型都已經編碼在模型權重中。
- 永不疲倦的暴力搜尋：Agent 不會無聊。你讓它搜到找到為止，它真的會搜到找到為止。
但也有陷阱：AI 幻覺
學術研究同時指出，AI 的**安全幻覺（Vulnerability Hallucinations）**是一個大問題。LLM 會在無漏洞的函數中幻覺出 UAF 或緩衝區溢出，導致分析師花 231% 以上的時間去驗證不存在的缺陷。
還有一個更嚴重的風險：在自動模式下，AI 可能會直接調用調試器執行惡意軟體——這意味著惡意軟體可能在你分析師的電腦上直接執行並感染系統。
總結：便宜但不完美
逆向經濟學已經被徹底改寫了：
- 好處：新手追平專家水準，分析速度快 2.4 倍，成本每日不到 10 美元
- 風險：AI 幻覺會誤導分析師，新型混淆正在出現，自動執行有安全風險
但有一件事是確定的——逆向工程從此變便宜了。無論你是想自動化家中的智慧裝置，還是想進行安全研究，AI 都讓這一切變得前所未有的可行。
而接下來，就是這場貓捉老鼠遊戲升級的時代了。
原始來源：Simon Willison - Reverse-engineering is cheap now · NDSS 2026 - LLMs in Software Reverse Engineering · Elastic Labs - LLM Reversing vs LLM Obfuscation · Simon Willison - Vulnerability Research Is Cooked · GuptaDeepak - AI Compresses Vulnerability Lifecycle