Na sexta-feira, 13 de novembro de 2026, o número de vulnerabilidades (CVEs) divulgadas no ano passou de 100 mil — mais que o dobro do total de 2025, segundo contagem da VulnCheck, que registrou 100.222 CVEs naquele dia [1]. O marco não veio com um incidente catastrófico, mas com uma frase seca de Josh Bressers, diretor de divulgação coordenada de vulnerabilidades da VulnCheck, ao The Register: "Não temos mais um problema de segurança. Agora temos um problema de dados" [1]. É uma frase de efeito, mas também um diagnóstico técnico. Em 2026, a ciência da computação passou a produzir artefatos — falhas, simulações, versões de API, modelos treinados — em ritmo superior à sua capacidade de medi-los e julgá-los. A tese deste artigo é que o gargalo central da disciplina migrou da geração para a triagem, e que vários avanços do ano, de novos materiais para chips a contratos de API imutáveis, são tentativas de reconstruir capacidade de julgamento.
O dia em que o banco de dados desistiu de pontuar tudo
O número de 100 mil colide com a infraestrutura que deveria dar sentido a ele. O NIST reconheceu, em abril de 2026, que o NVD (National Vulnerability Database) acumula um backlog significativo desde o início de 2024 e que não conseguiu zerá-lo; nos três primeiros meses de 2026, as submissões ficaram quase um terço acima do mesmo período do ano anterior [2]. A resposta foi uma mudança de doutrina: desde 15 de abril de 2026, o NIST enriquece apenas CVEs que estão no catálogo CISA KEV (vulnerabilidades sabidamente exploradas), que afetam software do governo federal americano ou software classificado como crítico [3]. Cerca de 29 mil CVEs do backlog, com data de publicação anterior a 1º de março de 2026, foram reclassificadas como "Not Scheduled": só receberão enriquecimento — score de severidade, mapeamento de produto, classificação da falha — se alguém pedir explicitamente [4].
E os números não concordam entre si. Enquanto a VulnCheck aponta mais que o dobro de 2025 [1], a FIRST projetava para 2026 uma mediana de cerca de 59 mil vulnerabilidades, admitindo como "inteiramente realista" chegar a 70 mil a 100 mil [5]. A Brandefense, com dados do CVE Program, registra 15.163 registros no primeiro trimestre (26% acima do mesmo trimestre de 2025) e 20.709 no segundo [6]. A Simbian, com dados do NVD, conta 20.871 CVEs no segundo trimestre, 71% a mais que no mesmo trimestre de 2025 [7]. Fontes diferentes, recortes diferentes, respostas diferentes. A divergência não é ruído: é o sintoma. Não existe hoje uma métrica canônica de "quantas falhas existem" — existe uma corrida de contagens que mede, antes de tudo, a capacidade de quem conta.
A curva que dobrou não prova causalidade
Comemorar 100 mil CVEs como sinal de melhoria da segurança é um erro de categoria. Volume de divulgação mede capacidade de descoberta, não de proteção. Do outro lado do funil, o relatório State of Exploitation do primeiro semestre de 2026, da VulnCheck, mostra que a razão entre entradas no KEV e CVEs publicadas foi de apenas 1,4% no período — mas as falhas exploradas se movem mais rápido: a mediana entre a publicação do CVE e a entrada no KEV caiu de 120 dias em 2025 para 80 dias, e 23,43% dos KEVs tiveram exploração registrada no dia da publicação do CVE ou antes [8].
Ou seja: a imensa maioria dos registros pesa pouco em termos de risco realizado; a fração que importa é pequena, rápida e cada vez mais precoce. Nesse quadro, a política correta não é tentar pontuar 100 mil objetos, e sim identificar os poucos milhares que serão usados por atacantes. Foi o que o NIST fez. A objeção séria não é "o NVD abandonou os CVEs", e sim que a priorização joga a cauda longa no colo de quem tem menos informação: em agosto de 2026, 78,7% dos CVEs publicados no ano estavam parados em "Awaiting Analysis" no NIST [7] — e equipes de empresas pequenas ficam com pouco sinal sobre a maior parte do que aparece.
Sobre a causa do volume, é preciso rigor. O blog da ProjectDiscovery lembra que o backlog do NVD subiu de cerca de 13 mil em meados de 2024 para 18.358 em setembro daquele ano, com 72,4% dos CVEs novos sem análise, e resume o fenômeno como "a curva de vulnerabilidades entortou junto com a curva da IA" [9]. A correlação temporal é visível; a causalidade demonstrada, não. Ferramentas de descoberta automatizada, inclusive as baseadas em modelos de linguagem, plausivelmente aumentam a taxa de descoberta, mas falta um estudo controlado que separe esse efeito do crescimento orgânico do software em produção. Sabemos que a curva dobrou; não sabemos exatamente por quê.
O hardware também busca novos caminhos
Na camada física, engenheiros da Brown University resolveram um problema antigo — a chamada "camada morta" — na fabricação de filmes finos de ferrita de bismuto, um material multiferroico, que combina propriedades elétricas e magnéticas controláveis em conjunto com tensões extremamente pequenas [10][11]. O resultado, publicado na Nature Materials, ainda é de materiais, não um chip pronto, mas os autores o veem como um passo rumo a dispositivos de baixíssimo consumo, capazes de reduzir a demanda de energia da IA [10][11].
Outro caminho vem da ETH Zurich. No chip quântico do grupo de Yiwen Chu, um qubit supercondutor faz o papel de unidade de processamento, enquanto ressonadores mecânicos microscópicos, que vibram ao guardar informação, funcionam como memória; o próprio comunicado compara o computador a um violão [12]. Na mesma linha de acelerar a busca por plataformas quânticas, um método computacional desenvolvido no Princeton Plasma Physics Laboratory promete agilizar a triagem de defeitos em diamante candidatos a computação quântica, inclusive com propriedades úteis em temperatura ambiente [13].
O contraponto é geopolítico. Will DePue, ex-engenheiro da OpenAI, publicou uma análise forense que afirma encontrar a "impressão digital" das GPUs Blackwell da Nvidia em modelos da DeepSeek, Moonshot AI, MiniMax e Ant Group, apesar dos controles de exportação [14]. O próprio The Register ressalva que o estudo não passou por revisão por pares e que usar Blackwell não prova onde as GPUs estavam [14]. Ainda assim, mostra que avanço de hardware e controle de hardware viraram a mesma disputa.
Quando o cálculo exato fica caro, aprende-se a aproximação
O padrão algorítmico do ano tem nome técnico: modelos substitutos (surrogate models). Pesquisadores de Stanford, UCLA e do SLAC treinaram uma rede neural (LSTM) que reproduz simulações de óptica não linear em poucos milissegundos, com ganho de ordens de grandeza sobre os métodos convencionais — o comunicado à imprensa resume o ganho como "250 vezes" no título [15]. Em outro trabalho, pesquisadores da UCLA, com Caltech e Nvidia, usaram um Fourier Neural Operator para projetar sequências de pulsos de laser que controlam sistemas quânticos, com previsões até 10 milhões de vezes mais rápidas que as simulações numéricas, já aceleradas por GPU, usadas para treiná-lo [16].
O ponto central é onde o custo foi parar. Um substituto não resolve a equação: aprende um mapa entrada-saída a partir de soluções exatas. Isso troca tempo de computação por tempo de geração de dados de treinamento e, sobretudo, troca garantia por plausibilidade. Um solver numérico costuma vir com estimativas de erro; uma rede treinada para imitá-lo, em geral, não. O ganho de velocidade é real contra um baseline específico; o que falta é um limite de erro a priori que diga quando a aproximação falha silenciosamente, produzindo física plausível e errada. Estamos acelerando a parte do pipeline que antes era auditável, e a auditoria não acompanhou.
Biblioteca padrão e contrato congelado como formas de triagem
Na engenharia de software, duas decisões revelam o mesmo movimento. O Node.js 26.10.0 incorporou ao núcleo util.debounce(), util.throttle() e util.markPromiseAsHandled(), além de crypto.parsePKCS12() para ler pacotes PKCS#12 [17]. São utilidades que por anos ficaram com bibliotecas de terceiros, como o Lodash. Trazê-las ao núcleo reduz a superfície de cadeia de suprimentos: cada dependência externa a menos é um vetor de ataque a menos. O custo é a homogeneidade — uma falha no núcleo tem um raio de alcance que nenhuma biblioteca isolada teria.
O Google Cloud fez uma aposta de motivação parecida: a API do Compute Engine passou a oferecer versões imutáveis baseadas em data, com 2026-09-01 como primeira versão estável e novas versões trimestrais, convivendo com a /v1 (que continua padrão) e com versões de preview [18]. É o reconhecimento formal de que a evolução incremental de uma API de nuvem, nessa escala, quebra produção. O contrato congelado é uma ferramenta de triagem de mudança — e, como toda imutabilidade contratual, transfere ao cliente o momento e o custo do upgrade.
O que os sinais têm em comum
Junte-se o quadro: um banco de dados que deixou de enriquecer a maioria das vulnerabilidades [3][4]; modelos substitutos que aceleram simulações sem garantias formais de erro [15][16]; hardware que busca eficiência em novos materiais e memórias mecânicas [10][12]; contratos de API congelados para conter o custo da mudança [18]. Em todos os casos, o artefato cresceu mais rápido que o mecanismo de verificação.
A tensão comum é a escassez de atenção especializada. O catálogo KEV funciona como racionamento explícito da perícia — e racionamento cria excluídos. Falta um equivalente para afirmações científicas: um registro público e legível por máquina de quais resultados computacionais foram verificados de forma independente, quais substitutos publicaram limites de erro, quais benchmarks foram reproduzidos. Publicamos o resultado, mas não o atestado.
Conclusão: o gargalo de verificação é a infraestrutura da década
A disciplina não tem um problema de velocidade de geração, e sim de velocidade de julgamento. Três direções decorrem disso. Primeiro, tratar o enriquecimento de metadados de segurança como bem público, não como cortesia de fornecedor: com a maior parte dos CVEs do ano aguardando análise [7], a cauda longa fica invisível para quem tem menos recursos. Segundo, exigir que modelos substitutos publiquem distribuições de erro fora do regime de treinamento — o mesmo rigor que se cobra de um solver numérico. Terceiro, desenhar hardware e contratos de software já pensando na verificação: um material que reduz consumo [10] e uma versão de API imutável [18] são, no fundo, a mesma escolha de projeto — pagar agora em rigor para não pagar depois em incidente.
Referências
[1] The Register (2026). This year's bug count just passed 100K. https://www.theregister.com/security/2026/11/13/this-years-bug-count-just-passed-100k/5309882
[2] NIST (2026). NIST Updates NVD Operations to Address Record CVE Growth. https://www.nist.gov/news-events/news/2026/04/nist-updates-nvd-operations-address-record-cve-growth
[3] Recorded Future (2026). NIST NVD Enrichment Policy Change: Prioritizing Vulnerabilities with Attacker Behavior Signals. https://www.recordedfuture.com/blog/nist-nvd-enrichment
[4] Cloud Security Alliance Labs (2026). NVD Triage Overhaul: End of Universal CVE Enrichment. https://labs.cloudsecurityalliance.org/research/csa-research-note-nist-nvd-enrichment-overhaul-20260429-csa/
[5] FIRST (2026). Vulnerability forecast 2026: The Year Ahead. https://www.first.org/blog/20260211-vulnerability-forecast-2026
[6] Brandefense (2026). CVE Statistics 2026: Why Volume Is Surging. https://brandefense.io/blog/cve-statistics-2026-why-vulnerability-volume-is-surging/
[7] Simbian (2026). AI Pentesting and CVE Growth: What the NVD Data Says. https://simbian.ai/blog/cve-growth-nvd-backlog-ai-pentesting
[8] VulnCheck (2026). VulnCheck State of Exploitation 1H-2026. https://www.vulncheck.com/blog/state-of-exploitation-1h-2026
[9] ProjectDiscovery (2026). The Vulnerability Curve Bent With the AI Curve. https://projectdisco
very.io/blog/the-vulnerability-curve-bent-with-the-ai-curve
[10] ScienceDaily (2026). A breakthrough in magnetism could make AI chips use dramatically less energy. https://www.sciencedaily.com/releases/2026/11/261111005853.htm
[11] EurekAlert (2026). Breakthrough from Brown University engineers could enable energy-efficient microchips for AI. https://www.eurekalert.org/news-releases/1149598
[12] ETH Zurich (2026). Inside this computer chip, the memory vibrates. https://ethz.ch/en/news-and-events/eth-news/news/2026/07/inside-this-computer-chip-the-memory-vibrates.html
[13] ScienceDaily (2026). Tiny flaws in diamonds could unlock a quantum computing revolution. https://www.sciencedaily.com/releases/2026/11/261111005855.htm
[14] The Register (2026). Chinese AI labs are training models on Nvidia's Blackwell despite export controls, says ex-OpenAI engineer. https://www.theregister.com/ai-and-ml/2026/11/13/chinese-ai-labs-are-training-models-on-nvidias-blackwell-despite-export-controls-says-ex-openai-engineer/5309891
[15] ScienceDaily (2026). AI supercharges laser physics with a stunning 250x speed boost. https://www.sciencedaily.com/releases/2026/11/261111005913.htm
[16] UCLA Physical Sciences (2026). UCLA researchers leverage AI-for-science to accelerate control of complex quantum systems. https://physicalsciences.ucla.edu/ucla-researchers-leverage-ai-for-science-to-accelerate-control-of-complex-quantum-systems/
[17] InfoQ (2026). Node.js Brings Debounce, Throttle, and PKCS#12 Parsing Into Core Modules. https://www.infoq.com/news/2026/11/nodejs-debounce-throttle/
[18] Google Cloud Blog (2026). Introducing Compute Engine API multi-versioning: predictable evolution without breaking production. https://cloud.google.com/blog/topics/developers-practitioners/introducing-compute-engine-api-multi-versioning-predictable-evolution-without-breaking-production