Google naprawiło w czerwcu więcej błędów Chrome’a niż przez ostatnie dwa lata - dzięki AI

👁 157 przeczytań

W czerwcu 2026 roku zespół bezpieczeństwa Chrome naprawił więcej błędów niż przez ostatnie dwa lata łącznie - a za tym wynikiem stoi rozbudowany system agentów AI, który Google opisało szczegółowo w oficjalnym wpisie na blogu. To nie jest historia o pojedynczym modelu, który zrobił coś imponującego. To historia o systematycznej zmianie całego procesu wykrywania, klasyfikowania i łatania luk w oprogramowaniu, które codziennie używa kilka miliardów ludzi.

13 lat w ukryciu

Najlepiej tę zmianę ilustruje jeden konkretny przypadek. Na początku 2026 roku Google zbudowało tzw. agent harness oparty na Gemini - system, który pozwala modelowi autonomicznie przeszukiwać kod źródłowy Chrome w poszukiwaniu podatności. Jednym z pierwszych poważnych odkryć był błąd klasy sandbox escape: luka pozwalająca skompromitowanemu rendererowi na nakłonienie przeglądarki do odczytania lokalnych plików użytkownika. Samo w sobie brzmi groźnie. Ale to, co naprawdę zwróciło uwagę inżynierów, to fakt, że ten błąd spokojnie egzystował w kodzie przez ponad 13 lat.

Dla wielu z nas - jak pisze zespół Chrome Security - ten moment ugruntował potencjał wykrywania podatności wspomaganego przez AI. To zdanie brzmi jak korporacyjny eufemizm, ale w kontekście bezpieczeństwa ma konkretny ciężar: 13-letnia luka to luka, która przetrwała setki audytów, tysiące commitów i wiele generacji ręcznego code review. Tradycyjne narzędzia jej nie złapały. Agent AI - złapał.

Jak zbudowano system

Zanim powstał obecny agent harness, Google konsekwentnie budowało kompetencje w tej dziedzinie. W 2023 roku zespół opracował metody wykorzystania modeli językowych do zwiększenia pokrycia i wydajności fuzzingu. W 2024 roku we współpracy z Project Zero powstał projekt Naptime, który dawał modelom wyspecjalizowane narzędzia do badania podatności. W 2025 roku, razem z DeepMind i Project Zero, pojawił się Big Sleep - agent do odkrywania luk, który skutecznie znajdował błędy w silniku JavaScript V8 i stosie graficznym Chrome.

Obecna architektura, opisana przez Google, to kilka nakładających się ulepszeń. Po pierwsze, system obsługuje teraz interoperacyjność modeli - może korzystać zarówno z modeli open-weights, jak i proprietary, dobierając je zależnie od zadania. Po drugie, zbudowano dedykowaną bazę wiedzy o Chrome, obejmującą wszystkie historyczne CVE oraz kompletną historię repozytorium Git - co pozwala modelowi rozumować o kontekście wykraczającym poza jego dane treningowe. Po trzecie, deweloperów aktywnie zachęca się do dodawania plików SECURITY.md, które pomagają modelowi lepiej rozumieć granice zaufania i model zagrożeń w konkretnych komponentach.

Do tego dochodzi tzw. agent krytyk - oddzielny model z własnym kontekstem, który konsumuje te pliki SECURITY.md i weryfikuje ustalenia głównego agenta. I wreszcie: możliwość wielokrotnego uruchamiania modeli na tym samym kodzie, by kompensować niedeterminizm modeli i korzystać z ich kolejnych wersji w miarę jak te się poprawiają.

Bezpieczeństwo samego systemu

Ironią byłoby, gdyby system do znajdowania podatności sam stał się wektorem ataku. Google opisuje tu dość rygorystyczne podejście. AI analizuje kod wyłącznie statycznie - operuje na zamrożonym stanie kodu, na maszynach bez ogólnego dostępu do internetu. Dedykowane środowisko przechwytuje wszystkie żądania sieciowe i stosuje ścisłe allowlisty oparte na aplikacji inicjującej i docelowym adresie. Każda podejrzana aktywność modelu jest blokowana.

To ważny szczegół, bo modele językowe - szczególnie te wyposażone w narzędzia i możliwość podejmowania autonomicznych działań - mogą zachowywać się w nieoczekiwany sposób. Prompt injection, czyli atak polegający na wstrzyknięciu złośliwych instrukcji do danych przetwarzanych przez model, to realny wektor zagrożenia w takich systemach. Odizolowanie agentów od sieci jest prostą, ale skuteczną odpowiedzią na część z tych ryzyk.

Co to zmienia dla reszty branży

Chrome to przeglądarka używana przez szacunkowo 65-70% użytkowników internetu na świecie. Każda podatność w jej kodzie to potencjalny wektor ataku o globalnym zasięgu. To właśnie dlatego podejście Google do bezpieczeństwa Chrome jest bacznie obserwowane przez resztę branży - i to dlatego opisywana zmiana ma znaczenie daleko wykraczające poza jeden produkt.

Tradycyjny model bezpieczeństwa oprogramowania opiera się na ludziach: badaczach, pen-testerach, bug bounty hunterach, wewnętrznych audytorach. To podejście ma twardy limit skalowalności - czas i uwaga eksperta są zasobem skończonym. AI nie eliminuje tego limitu całkowicie, ale go dramatycznie przesuwa. Agent może analizować kod przez całą dobę, uruchamiać się wielokrotnie na tym samym fragmencie z różnymi parametrami, i - co kluczowe - wychwycić wzorzec, który człowiek mógłby przeoczyć po przeprzejrzeniu pięćset commitów.

Branża bezpieczeństwa od lat mierzy się z niedoborem specjalistów. Raport ISC2 z 2023 roku szacował globalną lukę kadrową w cybersecurity na niemal 4 miliony osób. AI nie zastąpi tych specjalistów - ale może zwielokrotnić ich skuteczność, automatyzując żmudną warstwę skanowania i wstępnej analizy, a pozostawiając ludziom decyzje wymagające kontekstu i osądu.

Google nie jest tu jedynym graczem. Microsoft Copilot for Security, Meta z własnymi agentami do code review, startupy takie jak Snyk czy Semgrep - wszyscy eksperymentują z podobnymi podejściami. Ale Chrome to kod szczególny: otwarty, gigantyczny, atakowany z każdej strony. Jeśli AI działa tam, gdzie tradycyjne metody nie złapały 13-letniej luki, to argument za szerszym wdrożeniem staje się bardzo trudny do odrzucenia.

13-letni błąd znaleziony w kilka tygodni to nie anegdota - to benchmark, do którego branża będzie teraz przykładać swoje własne narzędzia.

// czytaj dalejGoogle zużył o 37 procent więcej prądu w 2025 roku przez rozbudowę AINewsyReklamowy biznes Google’a i Mety rośnie dzięki AI. Największa zmiana dzieje się tam, gdzie użytkownik jej nie widziPremiumPIDS-Bench: jak naprawdę słabe są detektory prompt injectionNewsy