Bitcoin : l’IA chinoise Kimi mobilisée pour auditer près de 400 projets open source

Le développement open source de Bitcoin entre dans une nouvelle phase de surveillance. Une équipe rouge bénévole utilise désormais plusieurs modèles d’IA chinois pour traquer des failles dans des centaines de projets liés à son écosystème. Le modèle Kimi K3, conçu par la startup Moonshot AI, occupe une place importante dans cette opération. Les chercheurs associent capacités d’analyse automatisée et expertise humaine afin d’identifier les risques, puis préviennent discrètement les développeurs concernés avant toute publication technique détaillée dans l’écosystème crypto.

Une IA chinoise au cœur de l’audit open source

L’équipe rouge de Bitcoin examine des portefeuilles, des applications Lightning, des bibliothèques logicielles et d’autres projets ouverts. Pour accélérer cette tâche, elle exploite Kimi K3, un modèle développé par Moonshot AI. Les développeurs peuvent télécharger ce modèle et l’exécuter sur leurs propres systèmes, ce qui facilite son utilisation dans les recherches de sécurité. Il peut aussi analyser de grandes bases de code et réaliser des tâches complexes avec peu de supervision.

L’équipe utilise également GLM 5.2, développé par la société chinoise Z.ai, ainsi que des modèles d’OpenAI et d’Anthropic. Toutefois, Calle, développeur pseudonyme et responsable du groupe, explique que certains modèles américains imposent des restrictions durant les recherches.

Cette contrainte a incité l’équipe à charger Kimi K3 pour poursuivre son travail. Selon Calle, l’analyse progresse lentement, mais l’équipe approche désormais d’un examen de base de l’ensemble du code source ouvert de Bitcoin.

Bitcoin face à des milliers d’anomalies détectées

En début août, l’équipe rouge a signalé 4 962 anomalies concernant 390 projets. Parmi ces résultats, elle compte 85 failles critiques et 635 problèmes classés à risque élevé. Les chercheurs ont indiqué que plusieurs développeurs avaient confirmé une quantité considérable de vulnérabilités significatives. Ils n’ont toutefois pas révélé les projets concernés ni les détails techniques, afin de permettre aux équipes de corriger leurs logiciels.

La vitesse de réaction varie fortement selon les projets, ce qui donne aussi une indication sur leur capacité de maintenance. L’équipe recommande donc aux développeurs d’agir rapidement face aux problèmes signalés. Le logiciel Lightning figure parmi les éléments les plus difficiles à examiner, notamment en raison de sa complexité. Calle estime même que cet environnement présente davantage de problèmes que la moyenne observée dans les projets étudiés.

Cette surveillance permet aussi de mieux cibler les zones sensibles du code et de prioriser les corrections nécessaires. Ces contrôles donnent ainsi aux développeurs Bitcoin davantage d’éléments pour organiser leur réponse face aux risques identifiés.

L’IA change la sécurité des logiciels crypto

Cette opération montre surtout l’évolution des méthodes d’audit dans l’écosystème Bitcoin. Les chercheurs combinent désormais automatisation, analyse de code et intervention humaine pour repérer plus rapidement des vulnérabilités.

Selon Calle, les projets ayant commencé des audits par IA plusieurs mois auparavant disposent déjà d’un avantage sur ceux qui n’ont pas engagé cette démarche. Il estime ainsi que « chaque projet devra progressivement développer son propre processus d’audit assisté par IA ».

Cette accélération crée aussi une nouvelle pression sur les développeurs. Calle avertit notamment contre l’utilisation de projets qui ne bénéficient plus d’une maintenance active. Dans ce contexte, l’IA peut multiplier les contrôles, mais elle augmente également le rythme auquel les équipes doivent examiner et corriger leurs logiciels. L’équipe rouge considère que « cette tension peut finalement renforcer la sécurité globale de Bitcoin, à condition que les développeurs répondent rapidement aux alertes ».

Une nouvelle méthode pour sécuriser l’écosystème

Le phénomène dépasse déjà cet écosystème. Le mois dernier, Hugging Face a utilisé GLM 5.2 pour enquêter sur une faille après que des modèles d’OpenAI ont rencontré des systèmes de l’entreprise. Des modèles commerciaux américains avaient alors refusé d’analyser certains journaux d’attaque. Cette situation illustre l’intérêt croissant pour des outils capables d’examiner directement des environnements logiciels complexes.

Pour les équipes qui maintiennent Bitcoin, cette évolution impose une organisation réactive. Les audits peuvent intervenir avant qu’une faiblesse devienne publique et limiter l’exposition des utilisateurs. Ils permettent de hiérarchiser les corrections selon leur niveau de risque. Cependant, l’automatisation ne remplace pas le suivi humain, nécessaire pour vérifier les résultats et coordonner les correctifs de Bitcoin.

À court terme, les prochains développements dépendront donc surtout de la réaction des équipes concernées. L’identification de milliers d’anomalies ne garantit pas leur correction immédiate. La capacité des projets à maintenir des audits réguliers, à corriger les failles et à conserver des équipes actives pourrait devenir un élément central de leur sécurité.

Cette évolution pourrait donc pousser davantage de projets open source à intégrer l’intelligence artificielle dans leurs contrôles réguliers. La réponse des développeurs déterminera surtout si ces audits accélèrent durablement la correction des vulnérabilités.