AI 寫程式愈快，開源依賴愈難審：軟體供應鏈風險藏在哪裡？

AI 程式編寫助理讓開發者更快產生程式碼，也能更快把開源套件、程式庫和容器映像檔帶進企業專案。安全團隊若來不及查核依賴的來源與漏洞，惡意或遭入侵的元件就可能隨著建置流程進入企業實際執行的程式。風險不在於「使用開源」本身，而在於引入速度超過了審查速度。17

為什麼傳統審批跟不上？

Chainguard 資安長 Quincy Castro 指出，程式碼幾乎可以即時產生，但新依賴仍須經過人工提出申請、檢視與核准。這套以人工決策速度設計的流程，面對持續增加的依賴會形成瓶頸。換言之，開發速度提高了，安全團隊需要釐清「用了什麼、從哪裡來」的工作量也跟著增加。17

97% 不是「97% 的專案都有漏洞」

Chainguard 2026 年 6 月的分析顯示，在其容器映像檔樣本中，97% 已觀察到的漏洞實例出現在使用熱門度未列前 20 的專案；前 20 名以外有 17,471 個漏洞實例，前 20 名則有 545 個。這是特定樣本的漏洞實例分布，不是所有開源專案的漏洞率。它提醒團隊：只盯著最常用的映像檔，可能漏看數量龐大、較少受到關注的「長尾」依賴。

攻擊者也可能利用信任落差：惡意分支專案看起來像熟悉的合法專案，卻夾帶有害程式碼，讓開發者或助理誤選。另一方面，熱門工具同樣不能只憑名氣判斷安全。2026 年 3 月，廣泛使用的漏洞掃描工具 Trivy，其 GitHub Actions 發布管道遭入侵；攻擊者藉受影響的工作流程竊取憑證，潛在波及範圍可能延伸至數千個組織。GitHub Actions 是常用於自動建置、測試和發布程式的機制，因此發布管道本身也屬於需要檢查的供應鏈環節。17

大學研究能補上哪一塊？

另一個相近的風險場景是科研所用的開源 AI 工具與模型。印第安納大學研究團隊獲美國國家科學基金會（NSF）118 萬美元資助，計畫評估這些工具與模型的安全風險，協助使用者辨識較安全的選擇。Jetstream2 是該校與 NSF 支持的研究雲端運算資源；現有計畫說明尚未確立具體的模型評分方法，也不代表日後建議的替代方案能完全沒有風險。6210

對企業而言，眼前最重要的提醒是：審查不能只停在開發者直接選用、或最熱門的套件，還得看清專案實際引入了哪些依賴，以及取得它們的管道。17