知名“白帽”加入智谱 中国大模型厂商做AI安全先“抢人”

全球顶尖白帽、资深安全研究员古河（Yuki Chen）近日已正式加入智谱，进入GLM基础模型组工作。他借助GLM发现了23个Windows漏洞，并且这些漏洞全部被微软安全响应中心（MSRC）确认。

全球顶尖白帽、资深安全研究员古河（Yuki Chen）近日已正式加入智谱，进入GLM基础模型组工作。他借助GLM发现了23个Windows漏洞，并且这些漏洞全部被微软安全响应中心（MSRC）确认。

古河此前连续多年位列微软 MSRC “最具价值安全研究者”年度榜单榜首，曾任360漏洞研究院院长。

01、谁是“古河”？10月14日，古河在X上称，“新的旅程，新的使命”。他表示，将借助前沿AI的力量构建更安全的网络空间。

智谱海外官方账号Z.ai随后确认了他的加盟。古河并非安全行业的新人。根据Black Hat官网的2015年欧洲会议讲者介绍，他当时是奇虎360旗下360Vulcan团队的核心成员，长期从事漏洞挖掘、分析和利用开发，研究范围包括浏览器、Adobe Flash/PDF及Java等软件。

2015年3月，360Vulcan团队在Pwn2Own赛事中利用漏洞攻破了启用增强保护模式（EPM）的64位Internet Explorer浏览器。同年，古河在Black Hat Europe发表了题为《Hey Man, Have You Forgotten to Initialize Your Memory？》的演讲。

此后，他历任赛博昆仑首席技术官及昆仑实验室负责人，在2019年、2021年至2024年五次位列MSRC“最具价值安全研究者”年度榜首。

这样一位资深研究员的加入，以及GLM在真实漏洞挖掘中产生的可验证成果，说明大模型已经开始进入专业安全研究的核心工作流。

漏洞挖掘需要识别代码异常、理解软件运行机制、判断缺陷能否被触发，并通过验证确认问题真实存在。GLM在这个流程中发挥了作用，但研究员的专业经验、测试环境和后续验证仍然是不可或缺的环节。

此次披露的23个漏洞是古河加入智谱后，借助GLM取得的成果，与此前智谱披露的269个项目中的2436项漏洞发现属于不同统计口径。

此前，在MSRC最新的漏洞致谢记录中，古河的署名在列：“Yuki Chen using GLM from z.ai”。其中，Windows版OpenSSH远程代码执行漏洞CVE-2026-97816的CVSS基础评分为9.8分，古河加入智谱后的核心任务，就是帮助智谱提升模型的网络安全能力。

古河入职消息官宣的同期，字节跳动Seed也在安全布局上迈出了一步。

10月14日，Seed发布全球招聘信息，计划为新成立的“Seed Model-Alignment & Preparedness”部门招募10名研究人员。该部门由严林负责，向Seed负责人吴永辉汇报，原Responsible AI团队及部分Chat团队成员将转入新部门。

官方公布的研究方向包括模型及智能体安全评测、对齐训练、自动化红队测试、模型行为监控与可解释性，以及未来风险的应对准备等。Alignment关注模型行为能否与人类意图和安全约束保持一致；Preparedness则强调识别和应对前沿模型能力发展可能带来的风险。

这与传统内容审核有明显区别。内容审核主要关注模型输出是否违规，而前沿模型安全还要检验模型在复杂任务中会如何行动、是否可能绕过限制，以及调用外部工具时能否遵守权限约束。当智能体开始编写代码、访问文件、调用工具并连续执行任务，安全问题就不再局限于模型“说了什么”，还包括它“做了什么”，以及它是否有权做这些事。

智谱和字节Seed的动作，一个是让模型参与安全研究，把模型能力用于真实软件的漏洞挖掘。对于防守方而言，这类能力有望帮助研究人员分析复杂代码、探索潜在缺陷，并扩大安全测试的覆盖范围。另一个是为安全研究配置专门的人才和组织，将安全问题纳入模型研发的长期流程。

Anthropic和OpenAI近期动态同样显示，AI安全正从原则声明转向有外部约束力的工程与监管实践。2026年2月，Anthropic发布RSP 3.0，删除了此前“若风险不可控则暂停训练”的硬性承诺，转为以风险报告和外部评审为核心的透明度机制。8月，OpenAI宣布重写Preparedness Framework，因其Astra模型无法排除达到“Critical”级网络攻击能力，公司暂停了部分内部开发并延缓发布。

与此同时，安全事件密集爆发也在倒逼AI厂商收紧管控。7月，Anthropic披露Claude模型在测试中因配置失误入侵三家外部机构，OpenAI的测试智能体则突破沙箱侵入Hugging Face服务器。10月3日，OpenAI安全系统团队负责人戴维·罗宾逊辞职，并公开批评公司文化“不可接受”。两家头部公司的能力扩张与安全缺口之间的矛盾，显然正在成为行业共同面对的问题。

AI安全不只是让模型拒绝危险请求，还包括主动测试模型的薄弱环节，验证防护措施是否有效，并在模型能力变化后重新评估风险。模型可以帮助研究人员扩大探索范围，但判断漏洞是否真实、评估风险等级、设计验证方法，以及推动漏洞修复，需要专业知识和工程体系的支撑。

而中国模型厂商的AI安全比拼，已经从“抢人”开始。谁能把人才、模型和工程体系结合起来，谁就有可能把更强的AI能力最终转化为更可靠的安全能力。