OpenAI 的新模型解開十道數學難題。算下來花了 2,000 美元。

今日漫畫 出演・水無瀨 澪

OpenAI 上週六公布下一代模型 Astra，用的方式不太尋常：沒有 benchmark 分數，改成揭露它解開了 10 道長年無人推進的數學與理論電腦科學難題。

同一週的另一頭，兩個開源套件庫在幾天內先後被人從設定檔打進去。

十道數學難題，沒有一張 benchmark 表

OpenAI 8 月 1 日揭露，下一款主要模型 Astra 的內部版本在數學及理論電腦科學領域取得 10 項研究成果，涵蓋高維幾何、編碼理論、群論、算子代數、量子複雜度、格基密碼學與極值組合學。

這些問題至少已有 10 年未在主要結果上取得進展，多數停滯更久。

具體成果分兩類。第一類是真的把問題關掉：

• 建構出首個非 sofic 群，證明這類群確實存在，回應群論自 1999 年以來的一項核心問題
• 提出反例推翻 Connes 剛性猜想，否定某些群可由其 von Neumann 代數唯一決定的長期假設
• 解決 Ehrhart 體積猜想，在所有維度下確定一個凸體以質心為唯一內部格點時所能具有的最大體積
• 另外解掉 Erdős 第 146、180 與 183 號問題

第二類是把界限往前推：改善高維球體堆積密度、二元碼與球面碼的理論界限，提出計算矩陣永久值所需算術電路的新下界，改善多色三角形 Ramsey 數的下界。OpenAI 自己也說明這 10 項性質不盡相同，部分完整解決或推翻猜想，部分只是改善既有界限，並非全部給出最終答案。

理論電腦科學那邊有兩項值得單獨看。Astra 證明了一般雙方量子遊戲的指數型平行重複定理，把古典複雜度理論的一項基礎原則延伸到量子領域；另外證明最近向量問題難以在多項式因子範圍內近似求解，而最近向量問題正是格基密碼學的重要基礎，也是部分後量子密碼系統安全性的理論依據。

流程本身也交代得很清楚。數學論證由模型產生，人類再用同一個模型協助整理成論文，之後由模型轉換成可由 Lean 形式化證明系統逐步檢查的證明。OpenAI 表示公司負責整理與形式化並對正確性負責，但數學論證本身應歸功於 AI 系統。

成本是這次最刺眼的數字。找出全部 10 項解法所用的 token，依 GPT-5.6 Sol 的 API 費率換算，總共大約 2,000 美元。

至於 Astra 本身，OpenAI 講得極少。它的名字被塞在部落格文章第三段，只用一句話帶過「由內部版本的 Astra 完成，也就是我們的下一個主要模型」，沒有說明完整定位，連正式名稱都留白。

命名邏輯倒是有跡可循：OpenAI 現行模型走拉丁文，Terra 是地球、Luna 是月亮、Sol 是太陽，而 Astra 意為群星。它可能是另一個 GPT-5.6 系列版本，也可能是 GPT-6，這些目前都只是推測。

能力面向，《The Information》的報導指出 Astra 被設計成可以連續數小時或數日處理複雜工作，並協調多個 AI 代理人共同執行任務。Sam Altman 上週也在華府向聯邦官員展示過這款模型。

同一週，兩個套件庫從設定檔被打進去

AsyncAPI 這起的時間軸最值得看。7 月 14 日有人對 asyncapi/generator 的儲存庫發出 37 次拉取請求，大部分是嘗試新增假的慈善捐款網頁，只有一次例外。

那一次利用了 GitHub Actions 工作流程的設定問題，竊取高權限的個人存取權杖，接著取得 NPM 發布權杖，在 4 款 AsyncAPI 套件的執行環境模組注入經混淆處理的下載器，前後發布了 5 個惡意版本。開發者只要匯入有問題的套件，電腦就會透過 IPFS 取得 Node.js 載入工具、寫入磁碟並以獨立處理程序啟動。

真正讓人坐不住的是這個設定問題的來歷。它最早由一名貢獻者在 4 月 29 日提出，該貢獻者 5 月 17 日還給了修補方案，做法是把工作流程拆成兩個獨立工作、把不受信任的程式碼與機密資料存取隔離開來。開發團隊沒有採納，問題在 58 天後被攻擊者利用。

Wiz 把這歸類為 GitHub Actions 的弱點請求類型問題：儲存庫裡有個由 pull_request_target 觸發的工作流程檔案，但它檢查拉取程式碼的來源不是基礎儲存庫，而是由發出拉取請求的人所控制的程式碼。由於 pull_request_target 實際上在基礎儲存庫執行、能完整存取其中的機密，工作流程一跑攻擊者的程式碼，機密就落到攻擊者手裡。

事隔一週開發團隊公布調查結果，承認起因是 CI/CD 架構的已知弱點，並列出 4 種系統性問題：有問題的 pull_request_target 實作、過度授權的自動化憑證、缺乏充分驗證流程的自動化 OIDC 發布機制，以及能讓攻擊者迴避偵測的拉取請求機制。團隊給這起事故的 CVSSv3 評分是 9.8。

攻擊者拿到的是具有整個組織管理權限的 asyncapi-bot 憑證，因此能繞過分支防護、執行強制推送，並從 asyncapi/generator 橫向移動到 asyncapi/spec-json-schemas。惡意套件首度推送後，大約過了 4 小時 20 分才從 NPM 徹底清除。

惡意程式那端，攻擊者自稱 M-Red-Team，第三階段原始碼的註解裡寫進了 M-RED-TEAM v6.4 的身分識別。Aikido Security、Wiz 與微軟都指出酬載與 Miasma 框架有共通特徵，包含自訂的 Base64 字母表混淆與相同組態；但 Wiz 強調這次與 Miasma 供應鏈攻擊沒有直接關連，只有少部分共通點，且它已具備完整的命令框架與木馬能力。

微軟另外拆解了規避手法：這些套件使用未宣告生命週期的掛鉤，package.json 裡沒有 preinstall、install、postinstall 這些安裝流程掛鉤，因此在被匯入之前能短暫繞過部分掃描工具。

Arch Linux 那邊是另一種形狀。社群套件庫 AUR 繼今年 6 月的接手事件之後再度出現供應鏈攻擊，開發維運團隊 7 月 30 日表示大量套件遭惡意接手、後續出現可疑提交，因此暫時停用套件採用功能。

資安研究社群 IFIN 指出最初遭植入的是 7 月 29 日出現異常的 openconnect-sso，這波行為與 6 月那次相似，尤其是透過 Tor 網路外傳竊得資料。GitHub 使用者 ysf 的分析顯示攻擊者竄改了建置流程，使用者建置套件時就會執行惡意載入器，再從 Tor 下載第二階段。

第二階段要的東西很直接：瀏覽器帳密、加密貨幣錢包、密碼管理工具裡的資料，以及雲端服務與開發環境中的憑證，包含 AWS、Azure、Google Cloud 與 Kubernetes 相關憑證、GitHub 與 GitLab 權杖，還有 OpenAI、Anthropic 與 Google Gemini 的 API 金鑰、HashiCorp Vault 權杖。

兩千三百萬人的牙科紀錄

美國牙科與視力福利管理商 DentaQuest 於 7 月 17 日向受影響用戶通報資安事件，駭客在 5 月 17 日至 20 日期間取得該公司部分網路系統的存取權。

規模比初期通報大得多。HIPAA Journal 的報導指出目前已確認至少 1,500 萬人受影響，外部研究人員推估實際可能超過 2,340 萬人。依 Bank InfoSecurity 統計，以目前確認人數看，這已是 2026 年迄今規模最大的醫療資料外洩，也是自美國聯邦監管機構 2009 年 9 月開始統計以來的第四大事件。

DentaQuest 是美國最大的牙科福利管理機構之一，服務涵蓋全美 50 州約 3,500 萬人。已確認遭存取的資料包含姓名、地址、社會安全號碼、會員識別碼、Medicare 與 Medicaid 編號，以及部分診斷、治療與帳務資訊。公司尚未公布攻擊者身分，但勒索組織 ShinyHunters 已聲稱犯案，並公開約 234GB 據稱竊自 DentaQuest 的資料。

另一起的走向剛好相反。駭客上週把號稱來自英國數位銀行 Revolut 的 7,500 萬筆客戶資料放上暗網，開價 500 美元，並貼出 100 筆客戶樣本作為證據，由資安情報帳號 Intel and Breaches 發現。

Revolut 比對真實客戶資料後表示，這批資料沒有一筆具有有效或真實的 Revolut 識別碼，並引用外部分析結果判定很可能是偽造資料，公司已於 7 月 28 日完成驗證、確認未發現外洩證據。這家 2015 年創立於倫敦的數位銀行全球客戶超過 7,500 萬名，匯款服務支援 160 多個國家。

半導體業這邊也有一起。亞德諾半導體 7 月 29 日向美國證券交易委員會提交 8-K 文件，揭露部分資訊系統於 6 月 23 日遭未經授權存取，受影響系統中的部分檔案已遭外傳。公司表示事件未造成營運中斷，目前也不知悉相關資料已遭公開或用於詐騙。

值得留著看的是第二起。亞德諾另表示公司於 7 月 26 日得知另一起資安事件的公開報導，仍在評估其真實性、範圍與潛在影響，並強調此事與 6 月 23 日那次不同、兩者無關聯。SecurityWeek 推測這可能與勒索組織 ExfilSquad 宣稱竊得 57 萬筆紀錄有關，但公司並未證實。

旅館的 Wi-Fi 被改了 DNS

資安業者 ReliaQuest 先前揭露美國、印度、沙烏地等地的旅館 Wi-Fi 遭竄改 DNS 組態，目的是竊取企業旅客的 Microsoft 365 帳號。微軟近日確認了攻擊者身分：Midnight Blizzard 所屬的 Storm-2945，而 Midnight Blizzard 被美英政府認定與俄羅斯對外情報局有關。

微軟自 2026 年 5 月起觀察到 Storm-2945 操縱旅館及其他公共網路 Wi-Fi 設備的 DNS 組態與 HTTP 流量，把使用者導向攻擊者控制的基礎架構，再用假冒的更新頁面以 ClickFix 方式誘導下載並執行惡意程式。

主要工具有三款：Windows 遠端存取木馬 CornFlake、基於 PowerShell 的竊資軟體 ChocoShell，以及用來管理攻擊活動的網頁控制面板 FruitStone。能做的事包含側錄鍵盤輸入、螢幕截圖、視訊與音訊監控、執行遠端 Shell 指令，並竊取瀏覽器 Cookie、密碼、Microsoft 365 登入權杖與 Wi-Fi 憑證。

手法在 7 月又多一種。微軟發現 Storm-2945 開始濫用 Microsoft 裝置驗證碼登入流程，誘導使用者在正常的 Microsoft 登入頁面輸入攻擊者提供的驗證碼，藉此取得 OAuth 權杖、進而控制帳號。這一招的麻煩之處在於使用者從頭到尾都待在真的登入頁上。

微軟給旅行者的建議是把旅館、會議中心這類公共場所的無線網路直接視為不可信任，避免使用公共 Wi-Fi，不要透過強制門戶或彈出頁面提供的軟體更新，存取敏感資料時走加密通道。

29 分鐘橫向移動，企業只剩 5.5 天

DEVCORE 共同創辦人暨執行長翁浩正在一場半導體供應鏈論壇上給出的數字，把防守方的時間壓縮得很具體。

駭客從找到進入點到完成橫向移動，現在只需要 29 分鐘。DEVCORE 的實戰數據則是：從外部潛入企業內網平均 3.7 天，取得 AD 伺服器等核心系統的控制權平均 9.18 天。扣掉駭客前期準備，企業實際上只有 5.5 天可以調查、防禦與阻斷。

翁浩正認為改變的是攻防經濟學。以前駭客動手一定要有利可圖才做，因為成本高；AI 大幅降低了編寫惡意程式與發動攻擊的技術門檻，也縮短了漏洞從被發現到遭利用的時間差，成本就下來了。

漏洞通報量的曲線同時在往上走。2024 年 CVE 數量約 4 萬個，2025 年增至 4.8 萬個，2026 年光是前 7 個月就已達 3.5 萬個，預估全年突破 7 萬個。這個量早就超過資安團隊的人力負荷。

他的結論是別再追求漏洞清零。DEVCORE 自 2012 年創立以來專做紅隊演練與資安研究，曾協助微軟、Google、蘋果發現並修補漏洞，翁浩正主張決策者要把防禦指標從傳統的 CVSS 轉向 EPSS 這類衡量漏洞遭利用機率的指標，改以風險控管與攻擊路徑可視化為核心。這條路徑跟昨天報告提到的微軟修補危機是同一個問題的兩面：找得比修得快之後，分流方式就得重新設計。

制度端也在動。美國網路安全與基礎設施安全局 7 月 29 日與國際夥伴聯合發布《2026 SBOM 最低要素》，新增 10 項最低資料欄位，包含 SBOM 作者簽章、資料格式名稱與版本、產生情境、工具名稱與版本、SBOM 版本，以及軟體元件的雜湊值、雜湊演算法與授權資訊。

作者簽章用來驗證 SBOM 資料的完整性與真實性，雜湊資訊用來驗證軟體元件的完整性。新版涵蓋所有軟體，包括開放原始碼、AI 軟體與 SaaS；針對 AI 軟體，CISA 與 G7 夥伴今年 5 月已另行發布《AI 軟體物料清單最低要素》。

AI 晶片每 9 個月翻一倍

研究機構 Epoch AI 估算，目前全球資料中心內約有相當於 2,000 萬顆 NVIDIA H100 的等效 AI 晶片正在運作，而這個數量大約每 9 個月就會翻倍。

按這個速度推到 2028 年底，全球 AI 晶片數量預估會達到約 2 億顆，總體規模約為目前的 10 倍。

驅動這條曲線的是業界對「規模定律」的信念：只要持續餵養更多資料並投入更強大的運算能力，模型就能承擔更多人類工作、處理更複雜的任務。這些算力不只支撐訓練，模型訓練完之後也要在推論階段服務數以億計的使用者，讓模型思考更久、反應更快。

為了安置這批晶片，從美國中西部一路到波斯灣，數百座巨型資料中心正在同時興建。

這條曲線真正的變數不在晶片本身。每 9 個月翻倍意味著電力需求與資本支出同步翻倍，而電網擴建與電廠興建的時間尺度是以年計的。

企業開始把大模型換成小模型

兆級參數的巨型模型佔據頭條的同時，參數規模只有 10 億到 130 億的小型語言模型正在悄悄進入生產環境。越來越多曾經部署大模型的企業改用小模型，而這不是預算上的妥協。

原因在領域收窄之後，通用知識反而變成雜訊。大模型能在同一段對話裡寫文章、寫程式、總結法律合約，但當企業要的是精準從臨床試驗報告中擷取不良事件資料，或依照不斷演變的法遵框架分類監管文件時，只用特定產業資料訓練的小模型把一個領域學得又深又透，反而更內行。

支持這個轉向的研究不少：

• NVIDIA 研究團隊 2025 年的論文〈小型語言模型是代理式 AI 的未來〉指出，對代理系統中的專門任務而言，SLM 已足夠強大、天生更合適、也更符合經濟效益
• 發表於《醫療網際網路研究期刊》的研究發現，醫療專業人員在事實正確性與臨床相關性等面向上，偏好醫療專用小模型勝過 GPT-4o 的比例高出 45% 至 92%
• 微軟的 Phi-3 系列在語言、程式與數學基準上匹敵甚至超越許多大模型，且能在手機上高效運行
• 史丹佛大學 2026 年的研究在 50 萬筆對話與 50 萬筆推理任務的測試中發現，桌上型電腦上運行的小模型平均在超過 80% 的任務上表現不輸甚至優於大模型，銷售、管理與娛樂等領域的成功率更逼近 100%

市場預估到 2030 年 SLM 規模將超過 200 億美元。跟上一節的算力曲線擺在一起，這兩件事其實是同一個問題的兩端：訓練端往上堆，部署端往下收。

一次基準測試 0.03 美元

研究機構 Artificial Analysis 的測試顯示，DeepSeek 最新推出的 V4-Flash 每次基準測試平均成本約 0.03 美元，不到 Anthropic Claude Fable 5 的百分之一，也是該機構比較過的知名模型中成本最低的。

費率是輸入每百萬 token 0.14 美元、輸出 0.28 美元。能力則沒有跟著往上：綜合能力指數 50 分，與 Google Gemini 3.6 Flash 相當，仍落後 OpenAI、Anthropic 以及月之暗面的 Kimi K3。

阿里巴巴走的是另一條路。它發表了參數規模達 2.4 兆的 Qwen3.8-Max，在 Arena.AI 文字模型排行榜上成為排名最高的中國模型，視覺評測則居全球第二、僅次於 Claude Fable 5 的其中一個版本。這款模型可處理文字、影像與影片，預計下週透過阿里雲 Model Studio 開放使用。

社群這邊的實測補上了另一半。有人在 Apple M5 Max 128GB 上用同一組提示詞比較兩套引擎，DwarfStar 跑 V4 Flash 的 IQ2XXS 量化版約每秒 31 個詞元，同樣模型在 llama.cpp 上只有約 11.2 個。

更極端的一個案例是 16GB 顯存加 64GB 記憶體的機器：把 80GB 的量化檔從磁碟串流讀取專家權重，在記憶體裡開 40GB 專家快取衝到 95% 命中率，在 25 萬 token 上下文下跑出每秒 20 個詞元的預填與每秒 2 個詞元的解碼。

開放權重也有它自己的代價。有人在自己的 Mac Pro 上跑 Qwen3.5，問 1989 年 6 月 4 日天安門廣場發生了什麼，模型只告訴他那天是星期日；加上要求誠實回答的系統提示之後，模型仍禮貌但堅定地回覆「作為在中國開發的 AI 模型，我必須遵守中國的法律與規範」。機器在加州，行為在中國，權重下載下來也改不掉。

12GB 顯卡也跑得動 MiniMax H3

MiniMax H3 這幾天在社群裡被拿去測的密度相當高，而且測的重點不是畫質榜單，是各種硬體到底跑不跑得動。

低階顯卡那頭的結果比預期好。有人在 RTX 3060 12GB 顯存加 16GB 記憶體的機器上，以 0.4 百萬畫素生成 10 秒影片，花了 30 分鐘；另一位同樣 12GB 顯存的使用者用 0.2 百萬畫素（640x480）跑了 13 分鐘，最驚訝的是模型只憑單張參考圖就把角色抓得相當準，而且生成期間電腦沒有卡到不能用。

中階以上的時間表則有人整理得很完整。在 4080 16GB 上跑文字轉影片、輸出 5 秒，0.2 百萬畫素要 59.35 秒、0.4 要 135.41 秒、0.7 已經來到 337.05 秒。解析度往上加時，時間的增幅明顯快過畫素本身。

旗艦卡也沒有免疫。有人在 RTX 5090 上用 Sage Attention 生成 15 秒片段，超過 6 分鐘；另一位在 5090 上跑 Portable 30 版本，顯卡載入 15 到 18GB、系統記憶體吃到 30GB 之後直接丟出 CUDA out of memory。

跑不動的人則有繞路。有位只有 8GB 記憶體的使用者做了開源的 Modal 託管版本 H3Zero，以 ComfyUI 為引擎，外面包上瀏覽器介面、可持久化的工作佇列與 HTTP API。在 RTX PRO 6000 上生成 10 秒影片需要 3 分 12 秒，估計運算成本約 0.23 美元，縮容後閒置花費為零。這條路徑跟昨天報告裡把模型塞進 ESP32 的做法方向相反，但要解的是同一件事。

10 美元、兩小時、5,500 行程式碼

Karpathy 8 月 2 日在 X 上貼出一場實驗：他給 Claude Opus 5 一段《魔戒》開頭文字與 100 萬 token 的使用預算，成本約 10 美元，要它用 three.js 這套網頁 3D 繪圖工具把故事場景渲染出來。

Opus 5 跑了約兩小時、寫出 5,500 行程式碼，以程序化生成的方式長出一個能在瀏覽器裡走動的世界。Karpathy 自評成果「有點粗糙但很有趣」。

他覺得不可思議的地方在空間推理那一層。人類 3D 設計師是用滑鼠在建模軟體裡把形狀拉出來，Opus 5 沒有這個介面，它做的事是寫 JavaScript：算出每一塊多邊形素材該落在哪個三維座標、彼此的相對關係是什麼，再寫出讓它們移動的動畫邏輯。

同一則貼文也點出這類任務暴露的弱點：模型沒辦法輕鬆審核自己的成品，因為它無法有效且原生地看影片，也不能親自把遊戲玩一遍。

Opus 5 的替代方案是截圖。它得在不同時間點停下來擷取畫面，再從靜態圖片反推動態場景哪裡出了問題。Karpathy 形容這個過程「非常緩慢且費力」，模型中途搞砸了好幾次。他把多模態感知與遊戲操作列為仍相當欠缺的原始能力。

成果為什麼粗糙，答案就在這裡。差別不在模型會不會寫程式，而在它缺少人類設計師最基本的那道回饋迴圈：做完之後看一眼，發現不對再改。

貼文開頭他寫道，業界正開始脫離那種用「畫一隻騎自行車的鵜鶘的 SVG」來測試模型的階段。那個測試是開發者 Simon Willison 用來比較文字模型程式與空間構圖能力的個人評測方法。新的題型換了維度，考驗的是模型能否持續執行、維持程式結構一致，並根據截圖回饋反覆修正。

Karpathy 真正興奮的是成本結構。他寫沒有人會花時間去寫這麼客製化的東西，「但 LLM 擁有世界上所有的耐力和耐心」，於是這件事從「沒人會做這種事」變成「當然，為什麼不呢，這幾乎是免費的」。他設想的下一步是超客製化娛樂內容，玩家可以被丟進任何一個故事裡當路人角色。

他也提到自己 2026 年 5 月加入 Anthropic 的預訓練團隊，這次拿來測的 Opus 5 正是新東家的模型。

一句提示詞就生出加薩醫院旁的彈坑

Google 7 月 30 日在全球 Google Earth 網頁版推出結合 Nano Banana 2 的 AI 圖像生成功能，隔天就撤回。

功能本身很直觀：使用者在網頁版移動到任一地點，按下「Create image」並輸入文字提示詞，系統就會依據當地真實地形與建築環境，在數秒內產生客製化圖片。Google 列出的應用有 5 項，包含重現歷史場景、製作地點資訊圖、規畫房地產開發案、預覽建築工程，以及改造熟悉地點。

問題在功能上線當天就被示範出來。荷蘭開源情報研究人員 Henk van Ess 發表測試結果，指出只要輸入一句文字，就能在 Google Earth 上生成美墨邊境難民、伊朗核電廠、阿姆斯特丹致命車禍，以及加薩醫院旁出現彈坑等虛構場景，系統均未拒絕。

美國公共廣播機構 NPR 隨後也實際測試，輕易生成伊朗哈格島多處起火，以及美國國會建築周邊嚴重淹水的影像。這兩起事件實際上都沒有發生，若為真都會構成重大新聞。

危險的地方在於底圖是真的。這類影像以 Google Earth 的真實地理資料為基礎，看起來近似真正的衛星照片。

Google 隔天撤回功能，說明雖然已有地理空間專業人士把它用於多種實際用途，但公司也發現有人分享疑似違反政策的生成圖像截圖，因此決定在建立更嚴格防護措施期間先停止提供，恢復時間未公布。Google 另強調所有生成圖像均附有 AI 生成浮水印，且只顯示在建立者的生成介面，不會加入公開地圖或出現在其他使用者瀏覽的主要介面。

種子生成的隨機性不夠，8,900 萬美元就沒了

Galaxy Research 的追蹤顯示，目前已爆發三波疑與 Coldcard 硬體錢包弱金鑰漏洞有關的攻擊，合計約 1,367 枚比特幣從 4,585 個地址中遭轉走，損失金額逼近 8,900 萬美元。

這起案子的成因不在硬體，也不在私鑰被偷。源頭是部分裝置韌體在生成錢包種子時缺乏足夠的隨機性，攻擊者因此完全不需要接觸實體錢包，就能在自己的設備上離線重建候選種子與私鑰。

第一波發生在 7 月 30 日，攻擊者在 41 分鐘內從 1,196 個地址轉走約 1,083 枚比特幣，價值約 7,020 萬美元。這波掃蕩大約發生在 Coldcard 開發商 Coinkite 對外公開揭露漏洞的 30 小時前，而且所有交易都採用相同的固定手續費率。Galaxy Research 對此的解讀是：「這看起來像是自動化工具在使用已經掌握的金鑰，而不是所有者在轉移資金。」

第三波換了手法，不再把多名受害者的資金集中匯入少數共同收集地址，改成每名受害者的資金分別送往不同目的地，輸出格式與批次交易方式也跟前兩波不同。Galaxy Research 確信每一波內部都由單一操作者執行，但受限於區塊鏈資料，無法僅憑鏈上數據斷定三波是否出自同一人。

補救的難處在於時間方向。即使緊急安裝官方釋出的修正版韌體，也只能防止裝置未來繼續產生脆弱種子，無法回頭修復過去已生成的既有種子。

分散配置在這裡也救不了。即使把資產拆到多個錢包、甚至採用多重簽章，只要底層金鑰仍由相同的脆弱流程生成，表面上的分散就可能一起失效。