AI 寫程式快過審批：開源依賴如何變成供應鏈風險

AI 編程助手令開發人員可以更快完成程式碼，但同時也可能更快把新的開源套件、函式庫和容器映像檔引入企業項目。每多一項依賴，安全團隊就多一項要核查來源、維護情況和漏洞的工作；若審查速度追不上引入速度，惡意或已遭入侵的元件便更有機會混進最終建置的軟件。17

審批流程為何追不上？

Chainguard 資訊安全總監 Quincy Castro 指出，傳統流程假設開發人員會先提出使用某項依賴的要求，再交由其他人審查和批准。當 AI 幾乎即時產生程式碼、連帶建議所需依賴時，逐項由人手處理的審批便容易變成樽頸；待批項目增加，並不代表新依賴會停止出現。17

「97%」說的是甚麼？

Chainguard 於 2026 年 6 月發布的分析顯示，在其容器映像檔樣本中，97% 已觀察到的漏洞個案出現在最熱門 20 個項目以外。這是漏洞個案在樣本中的分布，不是說 97% 的開源項目都有漏洞。重點是：若企業只集中審查最常用的映像檔，便可能忽略大量分散於較少人留意項目的風險。

風險也不只在冷門項目。惡意分支項目可以在外觀上與正規項目相似，卻加入有害程式碼，令開發人員或 AI 助手選錯依賴。17 另一方面，廣泛使用的漏洞掃描工具 Trivy 在 2026 年 3 月發生供應鏈攻擊：攻擊者動了其 GitHub Actions 發布內容的手腳，從受影響的自動化工作流程收集憑證，潛在影響可延伸至數以千計的機構。知名度並不能取代對發布來源和內容的驗證。

科研界如何應對開源 AI 風險？

印第安納大學獲美國國家科學基金會（NSF）撥款 118 萬美元，計劃研究科研所用開源 AI 工具和模型的安全風險，並協助使用者辨識較安全的選擇。6 大學亦指出，獲 NSF 支持的研究雲端平台 Jetstream2 是這項工作的運算基礎設施。62 現有項目資料未有訂明具體的模型評分方法；所謂「較安全」，亦不等於完全沒有風險。

對企業和研究團隊而言，共通難題不是停止使用開源軟件，而是讓依賴項目及其來源保持可見，令安全評估跟得上 AI 加速開發的步伐。17