10月30日，币安披露其热钱包遭遇攻击，约63亿美元代币资产被盗。初步调查显示未发生私钥泄露，攻击疑与运维工程师终端被入侵有关。这一事件再次引发业界对区块链系统真实安全性的关注：底层协议的理论安全能否保障金融系统的实际资产安全？
与此同时，随着AI在数学研究和漏洞挖掘领域的进展，关于“AI是否会攻破现代密码学”以及“AI将利好防守方还是攻击方”的讨论日益激烈。针对上述问题，DeepTech近日对话清华大学高等研究院研究员段斯斯。段斯斯长期深耕分布式系统、区块链及应用密码学研究，曾提出应用于数字人民币及多边央行数字货币桥项目的BChain、Dashing等共识协议，并入选《麻省理工科技评论》中国区“35岁以下科技创新35人”。
后量子密码迁移与形式化验证的挑战
密码学的层次与共识协议的演进
段斯斯指出，应用密码学主要涵盖底层密码算法和上层密码协议。底层算法基于数学困难问题（如大整数分解、离散对数），而协议则设计多方交互流程。她的研究重点在于分布式系统中的共识协议，即在部分节点故障或被控情况下，诚实节点如何达成一致。自1982年拜占庭将军问题提出以来，容错共识已成为分布式数据库及区块链的重要基础技术。
量子计算威胁与后量子密码迁移路径
区块链依赖RSA、ECDSA及SM2等公钥密码验证交易，这些算法面临量子计算的潜在威胁。后量子密码（PQC）基于抗量子攻击的数学难题构建。目前，美国NIST已公布首批PQC标准并要求机构制定迁移计划，目标于2030年完成；我国也在推进相关算法征集与试点。
以太坊基金会提出了2029年底前完成后量子迁移的技术路线。段斯斯认为，当前迁移的主要阻力在于性能和兼容性工程问题。新方案的密钥和签名体积较大，可能增加系统开销。通过设计基于对称密码和哈希函数的共识协议，可在一定程度上缓解性能压力。
理论安全与实际代码的落差
系统安全不仅取决于算法和协议的理论证明，更依赖于软件实现。从伪代码到真实代码的过程中，系统设计、模块划分及状态检查等环节极易引入漏洞。许多现有漏洞挖掘工作仅关注代码本身，忽视了代码是否忠实实现了理论设计。因此，确保可证明安全的协议在实际系统中得到正确执行至关重要。
AI辅助形式化验证的现状与局限
形式化验证通过数学方法严格证明系统符合设计规范。虽然AI在生成常规代码方面表现优异，但在编写形式化验证代码方面尚不成熟，主要受限于高质量训练数据的匮乏。段斯斯团队尝试结合大语言模型与专家知识提升验证效率。未来三至五年，AI有望加速代码编写及科研验证，但受限于TLA+等工具的状态空间爆炸问题，完全自动化的可靠验证仍面临挑战，基础工具的演进同样关键。
币安事件反思与金融系统安全防护
币安遭袭的本质：运行环节而非底层机制
针对币安热钱包事件，段斯斯分析认为，若攻击源于运维终端被控导致异常签名，则表明受损的是系统运行环节，而非底层密码学或共识机制。这印证了密码机制落地真实系统后仍面临多重安全风险。作为中心化交易所，币安面临的风险与传统金融类似，需通过系统性设计加固各个环节，而非单一关口的修补。
联盟链与公链的安全差异
国内联盟链多在封闭网络由特定机构运营，而国外公链代码和数据公开，便于审计也利于攻击者分析。当前多数安全事件发生在应用层，如钱包盗用，这与传统网络攻击类似。随着AI自动化漏洞挖掘能力的提升，智能合约的软件安全挑战将更加严峻。此外，双花攻击的防范依赖于底层共识协议的正确性及安全前提的满足，同时也需确保软件实现与设计一致。
共识层与经济激励机制的安全隐患
段斯斯团队的研究显示，除了传统的节点控制攻击，经济激励机制也可能成为攻击向量。在PoS系统中，攻击者可能通过特定手段使诚实验证者的投票无效，导致其遭受惩罚并降低收益，进而提升攻击者的质押权重占比，最终威胁共识安全。团队正探索利用强化学习等AI技术辅助寻找此类复杂攻击路径，以完善安全证明。
区块链在跨境支付中的应用
区块链在缺乏单一管理主体且互信程度低的跨境支付场景中优势明显。例如，段斯斯参与设计的多边央行数字货币桥（mBridge）项目已支持真实交易，解决了多方协作的信任问题。相比之下，国内有统一主体的场景更多关注隐私保护，未必必须采用区块链技术。
AI Agent时代的密码学新命题
AI对密码学基础理论与应用层面的影响
目前尚无证据表明AI已攻破现代密码学依赖的数学难题。AI带来的安全挑战主要集中在应用层面，如加速随机数种子来源分析、侧信道攻击以及大规模自动化漏洞挖掘。尽管AI能快速发现潜在漏洞，但也伴随高误报率。在理论研究方面，AI可作为高效工具辅助基础分析和算法筛选，提升研究效率。
Agent支付场景下的授权与安全
随着AI Agent进入支付和多方位作场景，权限管理成为核心问题。测试显示，Agent容易出现越权读写和支付行为。与传统支付不同，Agent支付涉及模型代人生成付款意图，系统不仅需验证操作合法性，还需确认其符合用户授权范围。段斯斯团队正致力于设计面向真实场景的安全协议，以解决Agent身份、信誉管理及授权验证等问题。
“AI for Crypto”与研究者角色的转变
现阶段，AI更像是一个高效的“超级计算器”，擅长处理耗时耗力的基础分析和资料整理，但无法替代人类进行核心逻辑构建和科学规律发现。研究者应善用AI提升文献阅读和搜索效率，同时保持对证据可靠性和论证逻辑的最终判断权。未来，AI将改变研究选题方式，承担部分搜索和验证工作，使研究者能聚焦于更具开放性的新问题，特别是AI系统自身的安全保障及多Agent协作中的分布式安全机制。
注：封面/首图由 AI 辅助生成