ไปป์ไลน์ของ OpenAI ค้นพบช่องโหว่ยกระดับสิทธิ์ 948 รายการในเคอร์เนล Linux

OpenAI รายงานเมื่อวันที่ 4 พฤศจิกายน 2026 ว่าไปป์ไลน์ต้นแบบซึ่งใช้โมเดลไซเบอร์รุ่นใหม่ที่กำลังจะเปิดตัว ค้นพบและใช้ประโยชน์จากช่องโหว่ยกระดับสิทธิ์ภายในเครื่องที่ไม่ซ้ำกัน 948 รายการใน Linux ระหว่างการวิจัยช่วงกลางเดือนตุลาคม 2026 พร้อมทั้งสร้างแพตช์ที่เสนอเพื่อให้ผู้ดูแลตรวจสอบ

ช่องโหว่เหล่านี้อาจเปิดทางให้ผู้ใช้ในเครื่องที่ไม่มีสิทธิ์พิเศษเข้าถึงสิทธิ์ระดับ root ได้ การทดสอบดำเนินการในเครื่องเสมือนที่แยกจากกัน ซึ่งใช้ระบบปฏิบัติการเดสก์ท็อปมาตรฐาน โดยเปิดใช้งาน SMEP, SMAP, KASLR และ HARDENED_USERCOPY ไม่ได้ใช้ระบบเป้าหมายที่จงใจลดระดับการป้องกัน OpenAI เลือก Linux เพราะเคอร์เนลมีโค้ดมากกว่า 40 ล้านบรรทัด และเป็นรากฐานของอุปกรณ์ Android โครงสร้างพื้นฐานคลาวด์ และซูเปอร์คอมพิวเตอร์ จึงใช้ทดสอบงานวิจัยอัตโนมัติกับฐานโค้ดที่มีขนาดใหญ่และมีความสำคัญระดับนี้ได้

จากผลการค้นพบเบื้องต้นสู่การใช้ประโยชน์จากช่องโหว่ได้จริง

ไปป์ไลน์นี้เชื่อมโยงการค้นหาช่องโหว่ การตรวจสอบแบบไดนามิก การประเมินความสามารถในการใช้ประโยชน์จากช่องโหว่ การสร้างแพตช์ และการตรวจสอบโดยมนุษย์เข้าด้วยกัน เอเจนต์สอดแนมเลือกโค้ดโดยพิจารณาจากความสามารถของผู้ใช้ที่มีสิทธิ์ต่ำในการเข้าถึงโค้ดนั้นและความเกี่ยวข้องด้านความปลอดภัย จากนั้นเอเจนต์วิเคราะห์จะสแกนเป้าหมาย เอเจนต์คัดกรองจะสร้างและปรับปรุงหลักฐานแนวคิดภายในเครื่องเสมือนที่ใช้เคอร์เนลซึ่งติดตั้ง Kernel Address Sanitizer โดยเก็บหลักฐานจากการทำงานจริงไว้ แทนที่จะอาศัยเพียงการวิเคราะห์แบบสถิต ชุดงานวิจัยที่เสร็จสมบูรณ์แต่ละชุดประกอบด้วยการวิเคราะห์สาเหตุราก หลักฐานแนวคิดขั้นต่ำที่ทำให้ระบบแครช แพตช์ที่เสนอ และการใช้ประโยชน์จากช่องโหว่ฉบับสมบูรณ์

OpenAI ระบุว่าเอเจนต์สอดแนมเลือกเป้าหมายสำหรับตรวจสอบ 5,034 รายการ ครอบคลุมโค้ดประมาณ 2.8 ล้านบรรทัด หรือราว 7% ของเคอร์เนล ภายใน 12 ชั่วโมง เอเจนต์วิเคราะห์สร้างผลการค้นพบเบื้องต้น 2,308 รายการหลังตัดรายการซ้ำ และการตรวจสอบแบบไดนามิกทำให้สามารถทดสอบช่องโหว่ซ้ำได้ 1,724 รายการภายใน 30 ชั่วโมง ผลการค้นพบที่เหลือส่วนใหญ่ต้องใช้สิทธิ์ระดับสูงขึ้น หรือไม่สามารถทดสอบซ้ำได้ภายในเวลาที่กำหนด โดยมีเพียง 3.1% เท่านั้นที่เกิดจากการวิเคราะห์ของโมเดลที่ไม่ถูกต้อง

OpenAI ระบุว่า ขั้นตอนการใช้ประโยชน์จากช่องโหว่สร้างหลักฐานแนวคิดที่แสดงการรั่วไหลของข้อมูลได้ 291 รายการ และการใช้ประโยชน์จากช่องโหว่ยกระดับสิทธิ์ภายในเครื่องที่ทำงานได้จริง 1,169 รายการ จากนั้นการวิเคราะห์รูปแบบแปรผันสร้างแพตช์ที่แตกต่างกัน 948 รายการ โดย OpenAI ใช้ตัวเลขนี้เป็นจำนวนช่องโหว่ยกระดับสิทธิ์ภายในเครื่อง (LPE) ที่ไม่ซ้ำกัน ซึ่งอธิบายได้ว่าเหตุใดจำนวนช่องโหว่จึงไม่ตรงกับจำนวน exploit ดิบ แพตช์ที่สร้างขึ้นยังเป็นเพียงข้อเสนอที่รอผู้ดูแลตรวจสอบ ตัวเลข 948 จึงไม่ใช่จำนวนแพตช์ที่ถูกรวมเข้ากับโค้ดแล้ว

การตรวจสอบโดยมนุษย์และสถานะของแพตช์

OpenAI ได้ส่งรายงานและแพตช์สำหรับช่องโหว่ระดับวิกฤตไปแล้วหลายร้อยรายการ และมีแผนทยอยเผยแพร่รายการที่เหลือร่วมกับพันธมิตรโครงการ แพตช์เพื่อโลก เมื่อวันที่ 22 มิถุนายน 2026 OpenAI เปิดตัวโครงการ Daybreak ร่วมกับ Trail of Bits โดยผสานงานวิจัยที่ใช้ AI ช่วยเข้ากับการตรวจสอบโดยผู้เชี่ยวชาญ ขณะที่ผู้ดูแลยังคงควบคุมการนำแพตช์ไปใช้และการเปิดเผยข้อมูล ประกาศก่อนหน้านี้รายงานว่า ผลงานด้าน Linux ของ GPT-5.5 Cyber พบ exploit สำหรับ LPE 24 รายการ และหลักฐานแนวคิดที่แสดงการรั่วไหลของข้อมูลจากตัวชี้เคอร์เนล 8 รายการ

หลังพบว่า LPE 61 รายการได้รับการแก้ไขในโค้ดต้นทางแล้ว อีก 43 รายการมีแพตช์ระหว่างพัฒนา และอีก 299 รายการกำลังถูกรายงานหรือพูดถึงต่อสาธารณะ ณ สิ้นสุดการสแกนและวิเคราะห์ด้วยมือเป็นเวลา 10 วัน OpenAI แนะนำให้ตรวจสอบผลการค้นพบกับโค้ดปัจจุบันอีกครั้ง รวมถึงการเปลี่ยนแปลงที่ถูกรวมเข้ามาภายหลัง เพื่อหลีกเลี่ยงรายงานซ้ำหรือข้อมูลที่ล้าสมัย เป้าหมายคือช่วยให้ผู้ดูแลมุ่งเน้นไปที่ช่องโหว่ที่ยังไม่ได้รับการแก้ไข โดยไม่เพิ่มภาระการตรวจสอบที่ไม่จำเป็น

การตรวจสอบยังช่วยจับข้อผิดพลาดที่อาจถูกมองข้ามหากพิจารณาเพียงการเปิดเชลล์ระดับ root ในการทดลองช่วงแรก OpenAI ระบุว่า exploit ที่รายงานว่าสำเร็จ 20 รายการจากทั้งหมด 200 รายการ ได้สิทธิ์ root ผ่านช่องโหว่ 0-day อีกรายการหนึ่ง ไม่ใช่ช่องโหว่ที่กำหนดให้ทดสอบ หลังจากนั้น OpenAI จึงปรับข้อจำกัดของงานให้เข้มงวดขึ้น และเพิ่มการตรวจสอบเส้นทางการทำงานของ exploit แต่ละรายการโดยอิสระ แพตช์ที่สร้างขึ้นโดยตรงในช่วงแรกอาจทำงานได้ถูกต้องตามหน้าที่ แต่ยังมีโค้ดที่ไม่จำเป็น อาจต้องแลกกับประสิทธิภาพ ไม่เป็นไปตามรูปแบบการเขียนโค้ด หรือครอบคลุมรูปแบบแปรผันได้ไม่ครบถ้วน คำสั่งเพิ่มเติมและการปรับแก้หลายรอบช่วยยกระดับคุณภาพของแพตช์ อย่างไรก็ตาม นักวิจัยที่เป็นมนุษย์ยังคงตรวจสอบ exploit แพตช์ และระดับความรุนแรงที่เสนอ ก่อนรายงานต่อผู้ดูแล

การเปรียบเทียบโมเดลและต้นทุนการทดสอบ

การเปรียบเทียบของ OpenAI ระบุว่า การทดลองช่วงกลางเดือนตุลาคมมีค่าใช้จ่ายเป็นเครดิต API 1.213 ล้านดอลลาร์ หรือ 1,279 ดอลลาร์ต่อ LPE ที่ไม่ซ้ำกันหนึ่งรายการ เทียบกับการทดลองด้วย GPT-5.6 Sol ช่วงปลายเดือนกรกฎาคม 2026 ซึ่งพบ LPE ที่ไม่ซ้ำกัน 166 รายการ และมีค่าใช้จ่าย 513,690 ดอลลาร์ ทั้งสองการทดลองสแกนสาขา master ล่าสุดของเคอร์เนล Linux ที่มีอยู่ในขณะนั้น จำนวน LPE ใหม่ที่เพิ่มขึ้นมากกว่าห้าเท่าตามที่รายงานเกิดขึ้น แม้จะมีการปรับปรุงความปลอดภัยระหว่างการสแกนทั้งสองครั้งเป็นเวลาสามเดือนก็ตาม ค่าใช้จ่ายที่รายงานเป็นตัวเลขเพดาน เนื่องจากงานวิจัยมุ่งศึกษาระเบียบวิธีและวัดขีดความสามารถ ไม่ได้มุ่งเพิ่มประสิทธิภาพด้านต้นทุน

OpenAI ระบุว่า ตัวอย่าง exploit 166 รายการมีเทคนิค 10 แบบที่ทั้งทีมของบริษัทและผู้เชี่ยวชาญด้านการเจาะระบบเคอร์เนลจากภายนอกเห็นว่าเป็นเทคนิคใหม่ ครอบคลุมออบเจ็กต์ยืดหยุ่นแบบคงอยู่ การจัดหน้าเพจ การยกระดับสิทธิ์โดยใช้ข้อมูลเพียงอย่างเดียว และความสับสนของชนิดข้อมูลที่เลือกได้ตามต้องการ OpenAI ไม่เปิดเผยรายละเอียดทางเทคนิคฉบับเต็มด้วยเหตุผลด้านความปลอดภัย

การทดลอง kernelCTF ที่ปรับรูปแบบแล้วสร้างหลักฐานแนวคิดที่แสดงการรั่วไหลของข้อมูล 25 รายการ และ exploit สำหรับ LPE 21 รายการ ในช่วงเวลา 112 ชั่วโมง โดยใช้เครดิต API ราว 32,936 ดอลลาร์ ตามที่ OpenAI รายงาน เคอร์เนลที่ทดสอบไม่รองรับมาตรการลดความเสี่ยง SLAB_VIRTUAL ดังนั้น OpenAI จึงนำมาตรการนี้ออกจากการตั้งค่า เงินรางวัลราว 1.5 ล้านดอลลาร์จะมอบให้ก็ต่อเมื่อยอมรับช่องโหว่ทั้ง 21 รายการ ไม่ใช่เงินรางวัลที่ประกาศมอบแล้ว กติกา kernelCTF ของ Google ระบุเงินรางวัล 71,337 ดอลลาร์ต่อ exploit ที่เข้าเกณฑ์ กำหนดให้มีอัตราความเสถียรอย่างน้อย 70% จากการทดสอบ 20 ครั้ง และจำกัดเงินรางวัลไว้สำหรับการส่งช่องโหว่ 0-day ที่เข้าเกณฑ์เท่านั้น

ผลลัพธ์นี้ทำให้จุดคอขวดเปลี่ยนจากการค้นหาเบาะแส ไปเป็นการพิสูจน์เส้นทางการโจมตี การทำให้ข้อค้นพบเป็นปัจจุบันอยู่เสมอ และการจัดทำแนวทางแก้ไขที่ยอมรับได้ ด้วยเหตุนี้ การตรวจสอบโดยอิสระและการพิจารณาของผู้ดูแลจึงเป็นปัจจัยสำคัญที่กำหนดว่า งานวิจัยอัตโนมัติในระดับนี้จะนำไปใช้เป็นงานป้องกันได้จริง หรือจะกลายเป็นภาระเพิ่มเติมในการจัดทำรายงาน