AI前沿模型压缩漏洞利用时间，银行网络安全风险需重新定价

概览

本报告聚焦AI前沿模型对全球银行网络安全风险的影响。摩根大通认为，随着Mythos、GPT-5.5等模型显著提升漏洞发现、攻击链执行和闭源软件逆向能力，银行业面临的网络安全威胁正在从传统运营风险上升为可能触发系统性流动性压力的核心风险。由于银行披露不足、基础设施差异大，市场尚未充分定价这一风险。

核心观点

核心观点包括：第一，网络安全风险比信用风险更可能成为下一轮银行危机的触发点，因为网络事件可能引发存款挤兑和流动性波动；第二，传统以资本框架衡量风险的方法不足，应更多关注基础设施韧性和存款流动压力测试；第三，科技投入、前沿模型访问、遗留系统复杂度和第三方供应链管理将决定银行之间的分化；第四，美国大型G-SIB相对占优，欧洲银行因绝对科技预算较低且访问最新模型较慢可能承压；第五，监管和政府正在加速推出网络韧性、AI供应链和前沿模型治理要求。

分析框架

报告采用主题研究和相对比较方法，将AI网络能力跃迁、银行基础设施脆弱性、区域科技投入差异、监管政策进展和估值倍数放在同一框架下分析。其判断依据包括AISI对Mythos和GPT-5.5的网络评估、Anthropic开源漏洞扫描披露、全球银行科技支出对比、ECB和DORA监管举措、美国与英国政策响应，以及对遗留核心系统、开源库、供应商固件和云集中依赖的风险拆解。

方法论与常识提炼

• 风险框架网络安全驱动的流动性压力框架

  将网络攻击视为可能引发存款挤兑和流动性折价的事件，而不是只作为资本或信用风险处理。

  报告强调社交媒体可能放大存款流动波动，建议通过基础设施韧性测试和存款挤兑流动性 haircut 测试评估银行抵御网络事件的能力。

• 同行比较科技支出与前沿模型访问比较

  用科技支出占比、绝对科技预算和是否能较早接触最新AI模型来衡量银行网络安全准备度。

  报告认为技术具有规模效应，美国大型银行绝对科技投入更高且更接近AI前沿生态，因此相对全球同业更有能力及时发现、修复和防御新型漏洞。

• 基础设施评估遗留核心系统和供应链暴露分析

  识别由COBOL等老旧代码、多平台历史并购、供应商补丁滞后、开源库漏洞和云集中依赖带来的攻击面。

  报告指出，Frontier Models能够理解和利用过去难以完全审计的老旧代码，可能使遗留系统银行和依赖外部供应商的银行面临更高风险。

• 政策跟踪全球网络韧性监管观察

  跟踪DORA、ECB网络压力测试、美国AI网络安全clearinghouse、BoE与AISI合作等监管响应。

  报告认为监管重点正在从资本压力转向运营韧性、补丁效率、AI供应链透明度和关键软件漏洞协调修复。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• 美国大型G-SIB银行

  相对受益/防御性更强

  优势

  绝对科技支出更高，靠近AI和量子技术前沿生态，可能更早接触最新模型和防御工具。

  劣势

  规模和互联性高，若发生网络事件，系统性影响也更大。

  对比

  相较欧洲银行和其他地区同业，报告认为美国大型银行在网络安全准备度和技术访问方面处于优势。

  风险

  AI降低攻击成本、供应链集中依赖、地缘政治攻击和存款流动波动仍可能构成重大风险。

• 欧洲银行

  相对承压

  优势

  DORA和ECB网络韧性压力测试提高监管纪律和运营韧性要求。

  劣势

  绝对科技预算通常低于美国大型银行，且对部分最新AI前沿模型访问较慢。

  对比

  报告引用欧洲银行2028E约9x P/E，低于美国G-SIB约12.5x P/E，认为估值差异可部分由网络安全准备度解释。

  风险

  遗留系统、补丁周期、监管合规成本和模型访问延迟可能导致风险溢价上升。

• 日本megabanks

  中性/跟随型暴露

  优势

  估值倍数接近美国G-SIB，具备大型金融机构资源基础。

  劣势

  报告未提供与美国同等程度的AI模型访问和科技投入优势证据。

  对比

  2028E P/E约12x，低于美国G-SIB约12.5x但高于欧洲银行约9x。

  风险

  若科技投入、补丁速度或前沿模型访问落后，可能面临与其他全球银行相似的网络安全再定价风险。

• 遗留核心系统和供应商依赖较高的银行

  高风险暴露

  优势

  若有稳定客户存款和足够资源，仍可通过补丁、隔离和韧性测试降低风险。

  劣势

  老旧代码、COBOL系统、多平台历史并购和第三方固件补丁滞后扩大攻击面。

  对比

  相较架构更现代、技术投入更高的银行，此类机构更容易被AI模型发现并利用历史漏洞。

  风险

  零日漏洞、供应链漏洞、闭源软件逆向利用和补丁延迟可能触发客户信任和流动性冲击。

• DeFi/数字资产生态

  间接受影响

  优势

  Ethereum Foundation已有post-quantum研究团队和Lean Ethereum路线图，目标在2029年前实现更完整的后量子保护。

  劣势

  DeFi仍依赖密码学、智能合约和开放网络基础设施，量子计算和AI攻击会扩大潜在脆弱性。

  对比

  传统银行和DeFi都面临AI网络威胁，但DeFi对密码学和开源组件的依赖更直接。

  风险

  量子计算、智能合约漏洞、密钥管理失败和AI驱动攻击可能削弱用户信任。

• 网络安全、云和AI基础设施供应商

  需求受益但集中风险上升

  优势

  Project Glasswing显示AI公司、云厂商、芯片厂商、网络安全公司和金融机构可协作提升关键软件安全。

  劣势

  若多个金融机构依赖同一AI平台或云平台，单点漏洞可能产生集中风险。

  对比

  这些供应商可能从银行安全投入增长中受益，但同时成为监管和系统性风险关注对象。

  风险

  平台漏洞、供应链透明度不足、SBOM不完善和跨机构同步攻击可能威胁金融稳定。

关键数据

• 全球银行科技成本占比2025年平均约占运营费用17%不同银行对科技支出的定义不完全一致，但可作为与管理层讨论网络安全投入的起点。
• 欧洲银行成本增长预测2025-28E平均每年约1.8%报告认为网络安全和科技投入需求可能带来上行压力，但AI带来的成本节约可能部分抵消。
• 2028E估值倍数比较美国G-SIB约12.5x P/E；欧洲银行约9x P/E；日本megabanks约12x P/E报告认为美国G-SIB相对全球同业的估值溢价可由更强网络安全准备度和较低隐含CoE部分解释。
• Mythos网络能力评估专家级黑客任务成功率73%AISI评估显示Mythos能自主发现和利用漏洞，并执行多阶段攻击链。
• AI网络任务能力提升速度自2024年底以来可完成任务长度约每4.7个月翻倍AISI此前在2025年11月估计为每8个月翻倍，Mythos和GPT-5.5显著超过此前趋势。
• Anthropic开源项目扫描扫描超过1,000个开源项目，发现23,019个漏洞，其中6,202个为高危或严重漏洞报告以此说明开源库在银行客户前端平台和互联网基础设施中的系统性暴露。
• ECB网络韧性压力测试2024年覆盖109家银行，其中28家接受更深入评估该测试偏定性，结果用于SREP并形成银行特定改进建议，不直接影响Pillar 2 Guidance。

影响与含义

投资含义是银行估值可能越来越取决于网络安全准备度，而不仅是短期盈利。科技投入充足、存款基础黏性强、拥有大量超额存款且能较早接触前沿AI和量子技术的银行，可能获得更高估值倍数和较低隐含资本成本。相反，遗留系统复杂、供应商依赖重、补丁周期慢、披露不足和科技预算偏低的银行，可能在下一轮网络事件中面临更高流动性和声誉冲击。监管层的压力也可能推动银行增加基础设施、补丁管理、身份认证和运营韧性投入。

风险

• Frontier Models显著降低零日漏洞发现和利用门槛，使攻击者能够更快构造多阶段攻击链。
• 网络事件可能通过社交媒体放大存款流出，触发流动性压力，而非传统信用风险。
• 遗留核心银行系统、老旧COBOL代码、多平台历史并购和供应商补丁滞后扩大攻击面。
• 开源库、第三方固件、AI软件供应链和云平台集中依赖可能造成跨机构同步暴露。
• Agentic AI在金融服务中的外部使用会扩大第三方连接和自动化攻击面。
• 量子计算可能削弱现有密码学体系，对银行和DeFi市场构成长期威胁。
• 地缘政治和国家支持网络攻击增加，银行可能面对更复杂、更持久的攻击者。
• 网络安全投资和监管合规要求上升可能推高成本，尤其对科技预算较低的银行形成压力。

后续跟踪

• 各银行科技支出占运营费用比例和绝对科技预算，尤其是美国、欧洲和日本大型银行差异。
• 银行是否能接触Mythos、GPT-5.5等最新前沿模型，以及是否参与Project Glasswing等协作防御项目。
• ECB、DORA、SREP、美国AI网络安全clearinghouse、BoE与AISI合作等监管进展。
• 银行管理层关于核心系统、后台和中台基础设施、外部供应商依赖及补丁周期的披露。
• 存款流动波动、社交媒体传播和网络事件下的流动性 haircut 压力测试方法。
• 开源库和供应商固件漏洞修复速度、SBOM透明度以及关键平台集中依赖。
• 银行是否重新引入硬件令牌、安全密钥、交易冷静期、熔断机制等更强认证和控制措施。
• Ethereum和银行体系的post-quantum cryptography迁移进度。