Novinky

Mozilla otestovala model Mythos na Firefoxu 150: AI našla 271 zranitelností, tradiční fuzzing v předchozí verzi jen 22

Mozilla otestovala model Mythos na Firefoxu 150: AI našla 271 zranitelností, tradiční fuzzing v předchozí verzi jen 22

Novinky Date: Zobrazení: 10

Mozilla otestovala model Mythos na Firefoxu 150: AI našla 271 zranitelností, tradiční fuzzing v předchozí verzi jen 22

Mozilla veřejně potvrdila, že nasadila model Anthropic Opus 4.6 (známý jako Mythos) na vyhledávání chyb v kódu Firefoxu 150, a model jich odhalil 271. Tradiční technika fuzzingu použitá u Firefoxu 148 přinesla za srovnatelné období jen 22 nálezů. Technologický ředitel Mozilly Bobby Holley hodnotí rozdíl jako zásadní posun ve prospěch obránců.

Zprávu přinesl 22. dubna 2026 britský server The Register. Mozilla podle autora článku Simona Sharwooda nasadila Mythos v rámci interního testu, jehož cílem bylo porovnat schopnosti jazykového modelu s ustálenými postupy ofenzivního testování – zejména s fuzzingem, tedy automatizovaným zasíláním chybně sestavených vstupů do komponent prohlížeče. Zatímco fuzzing na starší verzi Firefoxu 148 produkoval v delším časovém horizontu 22 potenciálních zranitelností, Mythos při analýze Firefoxu 150 identifikoval 271 chyb. Holley k tomu dodává, že mezi nalezenými chybami nebyla ani jedna, kterou by nedokázal odhalit špičkový lidský výzkumník; rozdíl je v rychlosti, škálovatelnosti a především v ceně takového úsilí.

Image

Tento výsledek přímo navazuje na zprávu, kterou jsme přinesli v polovině března 2026 (viz článek Anthropic nepustil model Mythos Preview do světa. Tehdy Anthropic zveřejnil, že Mythos Preview dokáže autonomně hledat zero-day zranitelnosti a rovnou k nim psát funkční exploity. Model byl následně pozastaven mimo úzký okruh ověřených partnerů a Mozilla se zjevně stala jedním z nich. Aktuální test tak představuje první veřejně popsané reálné nasazení Mythos na skutečnou cílovou kódovou základnu s měřitelnými výstupy.

Holley formuluje dopad do bezpečnostní strategie pomocí ekonomiky zranitelností. Dosud platilo, že nalezení použitelné chyby v kódu velkého prohlížeče vyžaduje nákladnou lidskou práci – čas špičkového výzkumníka, dlouhá období fuzzingu na výkonných clusterech, reverzní inženýrství. Trh s exploity proto dlouhodobě odráží tuto cenovou strukturu: nejdražší zero-day chyby jsou ty, u kterých obránce nemá praktickou šanci je odhalit dřív než útočník. Mythos podle Mozilly tuto rovnici převrací, protože AI model dokáže procházet kód prohlížeče s řádově vyšší efektivitou a za řádově nižší cenu, než jakou platí útočník za totéž úsilí. Ve výsledku se zužuje okno mezi vznikem zranitelnosti a jejím objevením a záplatováním.

Pro provozovatele kritické infrastruktury, správce veřejných služeb a všechny organizace, které jsou cílem sofistikovaných útoků, má tento posun dvojí dopad. Na jedné straně lze očekávat, že prohlížeče, operační systémy a další rozšířený software budou brzy podrobeny podobné analýze ze strany výrobců, a tempo záplatování se zrychlí. Aktualizace budou vycházet v hustší frekvenci a s větším počtem opravených chyb, což vyžaduje disciplinovaný patch management a testovací infrastrukturu, která stíhá s novým rytmem. Na druhé straně je realistické předpokládat, že stejné nebo srovnatelné modely dříve či později získají i ofenzivní aktéři, a podmínkou přežití se stane rychlost reakce. Organizace, které dnes aktualizují klientské prohlížeče s týdenním nebo měsíčním zpožděním, budou muset své procesy výrazně zrychlit.

Otevřených otázek zůstává několik. Z veřejných informací není zřejmé, jak dlouho Mozilla test prováděla, zda 271 nálezů zahrnuje i duplicity nebo false positives a jakou část z nich se podařilo opravit v rámci jednoho vývojového cyklu. Rovněž není známo, zda podobnou analýzu plánují jiní výrobci prohlížečů, operačních systémů nebo jádrových komponent, a jak se k takovému nasazení AI postaví regulátoři v kontextu rizikové kategorizace podle AI Act. Pro odběratele Acresia Digest jde v každém případě o signál, že debata o AI v kybernetické bezpečnosti opouští rovinu teoretických scénářů a vstupuje do fáze, kdy se o schopnostech modelů rozhoduje na konkrétních kódových základnách s měřitelnými výsledky.

Další články