Coldcard 漏洞致 8,900 萬美元被盜，引爆 FTX 後最大鏈上遷移潮
看跌比率達冰點，鏈上訊號失真，AI 防禦短板暴露。
撰文：Oluwapelumi Adejumo｜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，同時揭露了 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 韌體影響產生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，這次安全事件共出現三波攻擊潮，共 4,585 個地址遭到針對性入侵，且被盜比特幣數量為 1,367.05 枚，折合價值約 8,900 萬美元。
Coldcard 比特幣錢包駭客事件（資料來源：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。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輾轉洗白。
Coldcard 錢包遷移擾亂比特幣看跌訊號
安全風險持續發酵，有暴露隱憂的用戶紛紛搶先轉移比特幣，避免資產被駭客竊取。 儘管 Coinkite 已經為受影響機型推送了修復版固件，但先前已產生的高風險助記詞無法依靠系統更新修復，用戶只能建立全新錢包，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 39,600 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 萬個暴漲至隔日近 100 萬個，創下 2024 年 12 月 10 日以來的高峰。 Moreno 表示，地址數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（資料來源：CryptoQuant）
單筆轉帳低於 10 枚比特幣的交易所儲值量上漲至 7,300 枚比特幣，創下當年 2 月 6 日後的新高。部分用戶在新建安全錢包的過渡期，暫時將資產存入交易所，當然這批資金流裡也包含有投資人準備拋售變現的籌碼。
Coldcard 事件後比特幣交易所存款激增（資料來源：CryptoQuant）
CryptoQuant 分析師 JA Maartunn 補充，漏洞曝光後，已有 7,7402 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：「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。這會幹擾長期持有者供應量變化、幣天銷毀、花費產出週期分佈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蹤以來的最低水準。在 X 平台、Reddit、Telegram 等平台，每 1 則看跌評論僅對應 0.58 則看漲評論。
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，根源在於這次漏洞攻擊對像是冷儲存錢包。多數持有者把冷錢包視為從交易所提幣、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訊號紊亂的錢包轉賬，也讓贓物追蹤變得刻不容緩，必須趕在資金流入可兌換、可提現平台之前鎖定流向。
Galaxy Research 匯總了受害者報告訊息，梳理出一批疑似駭客地址，並把資料同步給執法部門、合規機構以及其他網路安全調查人員。 Thorn 透露，該機構已通報約 600 個疑似存放被盜比特幣的駭客地址。
但他表示，美國各大主流大模型設定的安全護欄限制了被盜資產追蹤與用戶保護工作，調查團隊不得不改用中國開源 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 先前遭遇網路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 17,000 筆事件記錄。最初調查人員透過商用介面呼叫主流前緣大模型，上傳攻擊指令、漏洞利用載重、指揮控制相關日誌進行分析。
Hugging Face 稱，這些查詢全部被系統攔截。原因是 AI 安全體系無法區分進行緊急處置的調查人員與真正的攻擊者。最後團隊選用智譜 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軸、定位洩漏憑證、提取入侵特徵，還能區分真實攻擊痕跡與誘餌幹擾行為。 Hugging Face 稱，原本需要耗時數天的取證工作，而依托 AI 輔助縮短至幾小時。
此案例印證了 Thorn 口中 Coldcard 案件存在的攻防 AI 不對等問題：駭客能夠使用無限制、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。
但若大範圍取消 AI 安全限制，又會催生新風險。 AI 服務商無法僅憑用戶口頭聲稱追查盜幣就放開權限，這類無限制工具同樣會被濫用於錢包攻擊、洗錢、規避交易監管等違法行為。
在加密領域內，這種矛盾格外尖銳：被盜資產幾分鐘內就能藉助跨鏈橋、交易所、博彩平台完成流轉。一旦追查出現延誤，資金會在受害者拿到報案回執、調查人員完成人工溯源前轉入可自由提現的平台，徹底失去凍結機會。
加密貨幣屬於高風險投資，本網站內容均不構成任何投資建議與責任。
掌握虛擬貨幣、區塊鏈大小事
