FTX後最大鏈上遷移潮？Coldcard漏洞已致8900萬美元被盜

原文標題：Coldcard 的 8900 萬美元錢包漏洞觸發自 FTX 以來最大比特幣資金遷移，並完全扭曲市場信号
原文來源：CryptoSlate
原文編譯：Saoirse，Foresight News

Coldcard 錢包危機重創比特幣市場情緒，混淆鏈上各項參考指標，同時暴露了 AI 輔助網路防禦體系長期存在的短板。

7 月 30 日，硬體廠商 Coinkite 向用戶發布風險預警：受特定版本 Coldcard 韌體影響生成的錢包存在資產被盜風險，根源是軟體故障致使助記詞的隨機生成度遠低於設計標準。

Galaxy Research 表示，本次安全事件一共出現三波攻擊潮，共計 4585 個地址遭到針對性入侵，被盜比特幣數量為 1367.05 枚，折合價值約 8900 萬美元。

Coldcard 比特幣錢包黑客事件（來源：Galaxy Research）

Galaxy 全球研究主管 Alex Thorn 稱，三波攻擊對應的被盜比特幣依舊留存於攻擊者控制的地址中。但他補充，一些零散小額被盜資金已經借助剝皮鏈（peel chains）、跨鏈服務以及境外賭場完成臥轉洗白。

Coldcard 錢包遷移扰乱比特幣看跌信號

安全風險持續發酵，存在暴露隱患的用戶紛紛抢先轉移比特幣，避免資產被黑客盜取。儘管 Coinkite 已經為受影響機型推送了修復版韌體，但此前已生成的高危助記詞無法依靠系統更新修復，用戶只能創建全新錢包，把資產劃轉至安全地址。

這場大規模錢包遷移，讓小額持有者以及長期沉睡比特幣的鏈上活躍度出現異常飆升。CryptoQuant 研究主管 Julio Moreno 介紹，7 月 31 日，單筆產出不足 1 枚比特幣的交易總規模達到 39600 枚比特幣。這是自 2022 年 11 月 FTX 破產之後，該類別交易的單日最高值；當年 FTX 暴雷後不久，同類交易流轉量為 39900 枚比特幣。

比特幣每日活躍地址數量也從 7 月 30 日的約 64.5 萬個暴漲至次日近 100 萬個，創下 2024 年 12 月 10 日以來的峰值。Moreno 表示，地址數量暴漲主要集中在轉出地址，接收地址漲幅十分有限，足以說明用戶是出於避險需求轉出原有錢包內的資金。

比特幣每日活躍地址（數據來源：CryptoQuant）

單筆轉帳低於 10 枚比特幣的 Binance 充值量上漲至 7300 枚比特幣，創下當年 2 月 6 日之後的新高。部分用戶在新建安全錢包的過渡期，臨時將資產存入交易平台，當然這批資金流裡也包含有投資者準備抛售變現的籌碼。

Coldcard 事件後比特幣交易平台存款激增（來源：CryptoQuant）

CryptoQuant 分析師 JA Maartunn 補充，漏洞曝光後，已有 77402 枚長期未動用的比特幣發生轉帳。不過 Maartunn 提醒，不能將這次資金大規模流動視作大量投資者恐慌割肉的證據，結合事件背景來看，資金變動本質是用戶為錢包加固安全。

他說道：「Coldcard 助記詞問題讓用戶為保障資產安全轉移長期持有的比特幣。這會干擾長期持有者供應量變化、幣天銷毀、花費產出周期分布等各類圖表數據的準確性。」

伴隨鏈上交易活躍度大增，整體市場情緒急劇走弱。區塊鏈分析機構 Santiment 指出，全網比特幣看漲評論與看跌評論的比值跌至平台開啟現代化社交數據追踪以來的最低水平。在 X 平台、Reddit、Telegram 等平台，每 1 條看跌評論僅對應 0.58 條看漲評論。

比特幣市場情緒轉為看跌（來源：Santiment）

Santiment 認為，市場反應之所以如此激烈，根源在於本次漏洞攻擊對象是冷存儲錢包。多數持有者把冷錢包視作從交易平台提幣、遠離高風險加密平台後，比特幣資產的最後安全防線。

美國 AI 管控規則增加 Coldcard 案件追查難度

這批造成比特幣市場信号紊亂的錢包轉帳，也讓贓款追蹤變得刻不容緩，必須趕在資金流入可兌換、可提現平台之前鎖定流向。

Galaxy Research 彙總了受害者上報信息，梳理出一批疑似黑客地址，並把資料同步給執法部門、合規機構以及其他網絡安全調查人員。Thorn 透露，機構已上報約 600 個疑似存放被盜比特幣的黑客地址。

但他表示，美國各大主流大模型設的安全護欄限制了被盜資產追踪與使用者保護工作，調查團隊不得不改用一款中國開源 AI 模型。Thorn 並未指明具體是哪些美國 AI 模型、有哪些查詢指令遭到攔截，也沒有詳細說明這款替代模型為調查提供了哪些助力。即便如此，他提出的困境，和 Hugging Face 此前遭遇網絡攻擊時碰到的難題高度相似。

這家 AI 平台表示，曾有自動化程序入侵其部分基礎設施，安全團隊需要分析超過 17000 條事件記錄。最初調查人員通過商用接口調用主流前沿大模型，上傳攻擊指令、漏洞利用載荷、指揮控制相關日誌用於分析。

Hugging Face 謂，這些查詢全部被系統攔截。原因是 AI 安全體系無法區分開展應急處置的調查人員與真正的攻擊者。最終該團隊選用智譜 AI 自研的開源權重模型 GLM 5.2，在自有伺服器上完成全部取證分析。

這款模型協助工作人員梳理出完整攻擊時間線、定位洩露憑證、提取入侵特徵，還能區分真實攻擊痕跡與誘餌干擾行為。Hugging Face 謂，原本需要耗時數天的取證工作，依托 AI 輔助縮短至幾小時。

該案例印證了 Thorn 口中 Coldcard 案件存在的攻防 AI 不對等問題：黑客能夠使用無限制、可自主修改的 AI 工具，不受商用模型安全規則約束；而防守方在提交帶有惡意特徵的資料用於案件排查時，常會遭到 AI 拒絕，即便初衷是控制惡性安全事件。

但是，如果广泛取消 AI 安全限制，将会带来新的风险。AI 服务提供商无法仅凭用户口头声称追踪盗币就放开权限，这类没有限制的工具同样会被滥用于钱包攻击、洗钱、规避交易监管等违法活动。

在加密领域内，这种矛盾尤为尖锐：被盗资产几分钟内就能借助跨链桥、交易平台、博彩平台完成流转。一旦追查出现延误，资金会在受害者拿到报案回执、调查人员完成人工溯源前转入可自由提现的平台，彻底失去冻结机会。

原文链接