สรุปสั้น
บริษัท OpenAI เปิดตัวโมเดลสายความมั่นคงปลอดภัยไซเบอร์ตัวใหม่ชื่อ GPT-5.6-Cyber เมื่อวันจันทร์ที่ผ่านมา โดยระบุว่าฝึกมาเพื่องานวิจัยช่องโหว่ การทดสอบเจาะระบบ และการตอบสนองเหตุการณ์โดยเฉพาะ บริษัทอธิบายว่าโมเดลนี้สร้างบนฐานของ GPT-5.6 Sol และ “ได้รับการฝึกให้มีความสามารถสูงขึ้นในงานความมั่นคงปลอดภัยไซเบอร์เฉพาะทางหลายด้าน เช่น การค้นหาช่องโหว่ซีโรเดย์และการพัฒนาลูกโซ่เอ็กซ์พลอยต์ และเพื่อลดการปฏิเสธงานไซเบอร์แบบสองแง่สองง่ามที่มีความเสี่ยงสูงบางประเภท” ซึ่งเป็นการยอมรับตรง ๆ ว่าสิ่งที่เปลี่ยนไปไม่ใช่แค่ความสามารถ แต่คือการผ่อนคลายกลไกกำกับพฤติกรรมของโมเดล
ตัวเลขที่ OpenAI เปิดเผยแสดงช่องว่างชัดเจน บริษัทสร้างการประเมินภายในชื่อ Advanced Cybersecurity Completion Rate เพื่อวัดว่าโมเดลตอบสนองคำสั่งที่เกี่ยวกับการพัฒนาลูกโซ่เอ็กซ์พลอยต์ การข้ามการยืนยันตัวตน การยกระดับสิทธิ์ และสถานการณ์ไซเบอร์ขั้นสูงอื่น ๆ บ่อยแค่ไหน ผลคือ GPT-5.6-Cyber ทำงานสำเร็จ 95.0% ของคำขอเหล่านี้ เทียบกับเพียง 1.5% ของ GPT-5.6 Sol และ 2.0% เมื่อใช้ผ่านสิทธิ์เข้าถึง Daybreak Blue ขณะที่รุ่นก่อนหน้าอย่าง GPT-5.5-Cyber ที่ออกเมื่อเดือนมิถุนายน 2569 ทำได้ 57.3% การเข้าถึงถูกจำกัดไว้ที่ระดับ Daybreak Red ซึ่งเปิดให้เฉพาะองค์กรพันธมิตรที่ได้รับความไว้วางใจสำหรับงานวิจัยช่องโหว่ที่ได้รับอนุญาต การตรวจสอบความถูกต้องของเอ็กซ์พลอยต์ และการทดสอบความปลอดภัยเท่านั้น
รายละเอียดข่าว
เว็บไซต์ The Hacker News รายงานเมื่อวันที่ 11 สิงหาคม 2569 ว่า OpenAI ได้เปิดตัว GPT-5.6-Cyber ซึ่งเป็นเวอร์ชันที่อนุญาตงานไซเบอร์ได้กว้างกว่าของ GPT-5.6 Sol และต่อยอดจาก GPT-5.5-Cyber โดยเปิดให้เข้าถึงผ่าน Daybreak Red ซึ่งเป็นระดับสิทธิ์ใหม่ที่ให้บริษัทอื่นเข้าถึงโมเดลไซเบอร์ที่ฝึกมาเฉพาะทางของ OpenAI
Daybreak Red เป็นหนึ่งในสองระดับการเข้าถึงภายใต้โครงการ Daybreak ที่ OpenAI เปิดตัวไว้เมื่อเดือนพฤษภาคม 2569 ส่วนอีกระดับคือ Daybreak Blue ซึ่งให้เข้าถึงโมเดลอเนกประสงค์ระดับแนวหน้ารวมถึง GPT-5.6 Sol พร้อมกลไกป้องกันในตัวที่ปรับมาสำหรับงานตั้งรับที่ได้รับอนุญาต โดยบริษัทระบุว่าการเข้าถึงระดับนี้ช่วยให้ฝ่ายตั้งรับใช้ประโยชน์จากโมเดลได้มากขึ้นในงานจริง ทั้งการตรวจจับและตอบสนองเหตุการณ์ การสืบสวน การบริหารจัดการช่องโหว่ และการประเมินความปลอดภัย
ในด้านผลงานที่จับต้องได้ ช่องโหว่ระดับร้ายแรงตัวหนึ่งที่โมเดลค้นพบคือ CVE-2026-15903 (คะแนน CVSS 8.8) ซึ่งเป็นช่องโหว่อ่านและเขียนนอกขอบเขตหน่วยความจำในเอนจิน JavaScript ชื่อ V8 ที่เปิดทางให้ผู้โจมตีระยะไกลรันโค้ดตามอำเภอใจภายในแซนด์บ็อกซ์ผ่านหน้า HTML ที่ถูกดัดแปลง และสามารถนำไปต่อกับช่องโหว่อีกตัวที่ยังไม่เคยมีใครรู้จักซึ่งโมเดลค้นพบเช่นกัน เพื่อหลบออกจากแซนด์บ็อกซ์ของ V8 heap ได้ โดย Google ปะช่องโหว่นี้ไปเมื่อกลางเดือนกรกฎาคม 2569 นอกจากนี้ OpenAI ยังระบุว่าโมเดลช่วยชี้ช่องโหว่อย่างน้อย 5 รายการในระบบปฏิบัติการมือถือยอดนิยม ซึ่งรวมถึงลูกโซ่จากแอปที่ไม่น่าเชื่อถือไปสู่การยกระดับสิทธิ์ในเครื่อง ช่องโหว่ระดับวิกฤต 3 รายการในฐานข้อมูลยอดนิยมซึ่งรวมถึงเส้นทางรันโค้ดจากระยะไกล และช่องโหว่ที่นำไปสู่การยกระดับสิทธิ์กว่า 400 รายการในเคอร์เนลของระบบปฏิบัติการยอดนิยม
โมเดลนี้ถูกส่งมอบให้กลุ่มลูกค้าพันธมิตรที่ได้รับความไว้วางใจ ซึ่งรวมถึงบริษัท Accenture, Akamai, Cisco, Cloudflare, CrowdStrike, Fortinet, IBM, Palo Alto Networks, PwC และ Sophos เพื่อช่วยค้นหาและปะช่องโหว่ก่อนที่ผู้โจมตีจะใช้ประโยชน์ได้ โดยมีเหตุผลรองรับว่าฝ่ายผู้โจมตีเร่งใช้เทคโนโลยีนี้ยกระดับแคมเปญและลงมือโจมตีด้วยความเร็วและขนาดที่ไม่เคยเห็นมาก่อน แม้จะยังไม่นำไปสู่การค้นพบเทคนิคโจมตีแบบใหม่ที่ซับซ้อนก็ตาม สิ่งที่ชัดเจนคือเอเจนต์ AI ช่วยให้อาชญากรไซเบอร์และแฮ็กเกอร์ที่รัฐหนุนหลังโยนงานหนักที่ต้องใช้แรงในการวางแผนและลงมือโจมตีออกไปได้ ทำให้ปฏิบัติการมีประสิทธิภาพและผลิตภาพสูงขึ้น จนการโจมตีดีขึ้น ใหญ่ขึ้น และเร็วขึ้น
ที่แย่กว่านั้นคือ AI ยังย่นเส้นทางจากการเปิดเผยช่องโหว่ไปสู่การถูกโจมตีจริง โดยผู้โจมตีอาศัยเครื่องมือเหล่านี้เขียนเอ็กซ์พลอยต์แบบเร่งด่วนสำหรับช่องโหว่ที่เพิ่งประกาศ เมื่อ AI ลดกำแพงการพัฒนาเอ็กซ์พลอยต์และเร่งการวิจัยช่องโหว่ไปพร้อมกัน แนวโน้มคือผู้โจมตีจะเหวี่ยงแหกว้างขึ้นไปยังช่องโหว่ที่ถูกเปิดเผยจำนวนมากเพื่อหาทางเข้าสู่เครือข่ายองค์กร
ความสามารถและข้อจำกัดจากผลทดสอบ
ผลการประเมินด้วยเกณฑ์มาตรฐาน ExploitGym พบว่า GPT-5.6-Cyber ทำได้ดีกว่าทั้ง GPT-5.6 Sol และ GPT-5.5-Cyber และ OpenAI ระบุว่าโมเดลมีพัฒนาการในการค้นหาและประเมินระดับความรุนแรงของช่องโหว่ซีโรเดย์ที่ไม่เคยพบมาก่อนได้แม่นยำขึ้นจากการฝึกเฉพาะทาง แต่ในทางกลับกัน โมเดลกลับทำได้แย่กว่า GPT-5.6 Sol ในภารกิจปลายเปิดที่ต้องค้นหาช่องโหว่ในคลังโค้ด พัฒนาโค้ดพิสูจน์แนวคิดที่ใช้งานได้จริง และส่งรายงานช่องโหว่ที่มีคุณภาพสูง ซึ่งบริษัทอธิบายว่าเกิดจาก “การที่โมเดลบางครั้งผลิตรายงานช่องโหว่ที่สั้นและมีรายละเอียดน้อยกว่า” กล่าวคือความสามารถที่เพิ่มขึ้นในการหาบั๊กไม่ได้แปลว่าผลลัพธ์ที่ส่งถึงมือมนุษย์จะใช้งานได้ดีขึ้นตามไปด้วย
ข้อจำกัดที่ชัดกว่านั้นอยู่ฝั่งการแก้ไข งานวิจัยของบริษัท 1Password พบว่าโมเดลที่มีความสามารถด้านการให้เหตุผลเชิงไซเบอร์อย่าง ChatGPT 5.5 และ Claude Opus 4.8 ยังมีปัญหาในการปะช่องโหว่ที่ค้นพบให้จบ หรือหลีกเลี่ยงการสร้างปัญหาใหม่จากการแก้ของตัวเอง โดยระบุว่า “อัตราความสำเร็จเฉลี่ยในการสร้างแพตช์ที่แก้ช่องโหว่ได้อย่างสมบูรณ์โดยไม่เปลี่ยนพฤติกรรมของแอปพลิเคชันอย่างมีนัยสำคัญอยู่ที่เพียง 26.0% ส่วนแพตช์ที่แก้ช่องโหว่ได้แต่เปลี่ยนพฤติกรรมของแอปพลิเคชันไปด้วยเกิดขึ้น 20.1% ในทางกลับกัน แพตช์ที่โมเดลสร้างขึ้นแล้วไม่ได้แก้ช่องโหว่ หรือเพิ่มช่องโหว่ใหม่ หรือทั้งสองอย่าง เกิดขึ้นเฉลี่ย 53.9%” ตัวเลขนี้ชี้ว่าโมเดลที่เก่งเรื่องการค้นพบช่องโหว่หลากหลายประเภท กลับปะได้ดีเฉพาะช่องโหว่กลุ่มแคบ ๆ เท่านั้น
ผลกระทบ
ประเด็นที่ต้องมองให้ตรงคือเส้นแบ่งด้านความปลอดภัยของเครื่องมือระดับนี้ไม่ได้อยู่ที่ตัวโมเดล แต่อยู่ที่การควบคุมการเข้าถึง เมื่อโมเดลที่ตอบคำขอสร้างลูกโซ่เอ็กซ์พลอยต์ได้ 95% ถูกวางไว้หลังระดับสิทธิ์ Daybreak Red ที่ให้เฉพาะพันธมิตรที่ผ่านการคัดกรอง กระบวนการยืนยันตัวตนของลูกค้า การจัดการคีย์ API และการตรวจสอบว่างานที่ขอนั้นได้รับอนุญาตจริงหรือไม่ จึงกลายเป็นกลไกความปลอดภัยหลักแทนกลไกในตัวโมเดล ความเสี่ยงจึงย้ายจากการที่โมเดลถูกหลอกด้วยพรอมต์ ไปเป็นความเสี่ยงว่าบัญชีของพันธมิตรรายใดรายหนึ่งจะถูกยึด ซึ่ง OpenAI เองยอมรับว่า “โมเดลที่รันด้วยกลไกป้องกันที่ลดลงย่อมมีความเสี่ยงเกินกว่าการใช้งานโมเดลตามปกติ ไม่ว่าจะจากการใช้ในทางที่ผิดหรือจากการที่โมเดลไม่สอดคล้องกับเจตนา” พร้อมให้เหตุผลว่า “แม้จะมีความเสี่ยงเหล่านี้ เราเชื่อว่าการทำให้ฝ่ายตั้งรับเข้าถึงปัญญาระดับแนวหน้าได้อย่างทั่วถึงเป็นสิ่งจำเป็นต่อการเร่งและทำให้การป้องกันไซเบอร์เป็นอัตโนมัติ”
สำหรับองค์กรทั่วไปที่ไม่ได้อยู่ในรายชื่อพันธมิตร ผลกระทบที่สัมผัสได้เร็วที่สุดคือช่วงเวลาปลอดภัยหลังผู้ผลิตประกาศแพตช์จะสั้นลงอีก เพราะเครื่องมือระดับนี้ทำให้การแปลงประกาศช่องโหว่เป็นเอ็กซ์พลอยต์ใช้เวลาน้อยลงมาก ทั้งสำหรับฝ่ายตั้งรับและฝ่ายโจมตีที่มีเครื่องมือของตัวเอง ขณะเดียวกันตัวเลขความสำเร็จในการปะแพตช์ที่ต่ำกว่าครึ่งก็เตือนว่าการรับข้อเสนอแก้ไขจาก AI ไปใช้โดยไม่ผ่านการทบทวนของมนุษย์ อาจเพิ่มพื้นที่โจมตีแทนที่จะลด
คำแนะนำ
องค์กรที่ใช้ผู้ช่วย AI ในงานพัฒนาหรืองานความมั่นคงปลอดภัย ควรกำหนดให้แพตช์ทุกตัวที่โมเดลเสนอผ่านการทบทวนโดยมนุษย์และผ่านชุดทดสอบถดถอยก่อนขึ้นระบบจริงเสมอ โดยเฉพาะเมื่อแพตช์นั้นแตะโค้ดที่เกี่ยวกับการยืนยันตัวตน การจัดการหน่วยความจำ หรือการตรวจสอบข้อมูลนำเข้า เพราะสถิติชี้ว่ามากกว่าครึ่งของแพตช์ที่โมเดลสร้างไม่แก้ปัญหาจริงหรือสร้างช่องโหว่ใหม่ ควรบันทึกไว้ในกระบวนการด้วยว่าใครเป็นผู้อนุมัติ และเก็บหลักฐานการทดสอบไว้ตรวจสอบย้อนหลัง
ในเชิงบริหารความเสี่ยง ควรเร่งรอบการปะแพตช์ให้สั้นลงโดยเฉพาะกับซอฟต์แวร์ที่เปิดสู่อินเทอร์เน็ต เพราะระยะห่างระหว่างวันประกาศช่องโหว่กับวันที่มีเอ็กซ์พลอยต์ใช้งานได้จริงกำลังหดสั้นลงจากทั้งสองฝั่ง องค์กรที่ทำงานกับผู้ให้บริการทดสอบเจาะระบบควรสอบถามว่าผู้ให้บริการใช้โมเดลระดับนี้หรือไม่ ใช้ภายใต้ข้อตกลงใด และข้อมูลของลูกค้าที่ป้อนเข้าโมเดลถูกจัดการอย่างไร ส่วนทีมที่พิจารณาขอสิทธิ์เข้าถึงเครื่องมือประเภทนี้เอง ควรวางการควบคุมบัญชีและการบันทึกการใช้งานให้รัดกุมตั้งแต่ต้น เพราะกลไกป้องกันที่ถูกถอดออกจากตัวโมเดลจะย้ายมาอยู่ที่กระบวนการขององค์กรทั้งหมด