2026年11月17日,《GitHub》與《Microsoft》公布了一個名為「Codename MDASH」的試驗計劃結果。這是一套多模型AI系統,專門掃描六個廣泛使用的開源項目,搜尋安全漏洞——而且不同於大多數AI漏洞掃描工具,它並非只把結果一股腦兒丟給維護者。整個流程將約9,791個AI初步發現的問題,篩選成99份經核實的私密報告,每份都附有建議的修復方案。截至11月15日,維護者已經修復了其中55個問題。

MDASH為解決甚麼問題而生

AI掃描工具在找出程式碼潛在漏洞方面已經做得相當不錯。問題在於,正如《GitHub》自己在公告中所說:「維護者不需要更多AI漏洞報告——他們需要的是修復方案。」一個掃描工具如果把成千上萬個未經核實的「可能問題」倒給一位沒有薪酬的維護者,根本幫不上甚麼忙,反而把篩選的重擔轉嫁到最沒有能力承受的人身上。Java日誌庫Log4j的維護者Christian Grobmeier——該項目正是2021年Log4Shell漏洞事件的核心——一語道出了問題的嚴重性:「防守開源的AI,必須比攻擊它的AI更強。」

這套流程究竟如何運作

Codename MDASH的運作分五個階段。第一步,《Microsoft》的MAI Cyber模型掃描項目並提出修復建議。第二步,由《GitHub》安全實驗室打造、採用特製Copilot技能的AI分流代理,負責剔除重複項目、核實有效性,並把範圍收窄至高影響力的漏洞。第三步,《Microsoft》FORGE實驗室的人類研究員會逐一人手核查剩下的每個發現——《GitHub》表示,七名研究員每個項目平均花費約兩天進行人手審查。第四步,經核實的發現會透過《GitHub》現有的私密漏洞報告機制,私下通知維護者,每份報告均附上概念驗證和建議修復方案。第五步——這也是《GitHub》特別強調的一點——最終由維護者自行決定修甚麼、怎麼修、何時修。AI本身不會自行提交程式碼。

這道人手核實的關卡,正是9,791比99這個比例與一般AI掃描工具結果的分野所在。《GitHub》形容這大約是每100個初步發現,才產出一份經核實的報告——與一般AI安全工具「假陽性遠多於真漏洞」的常見詬病恰恰相反。

六個真實項目,六種真實成果

這次試驗涵蓋《GitHub》「安全開源基金」的六個資助項目畢業生:AutoGPT(AI代理平台)、Caddy(網頁伺服器)、Express(Node.js最主流的網頁框架)、FastMCP(用於建構Model Context Protocol伺服器的框架)、ImageMagick(歷史悠久的圖像處理套件),以及Netty(Java網絡框架)。結果因項目規模和人手而異。Caddy的維護者收到22份報告,並在一星期內全部修復完畢。只有兩人團隊的ImageMagick同樣收到22份報告,其中一個問題在15分鐘內就解決了。AutoGPT在掃描後三天收到一份關於近期上線功能出現漏洞的報告,不到一星期便完成修復並上線。Netty的維護者則直言道出重點的轉移:「找出漏洞已經不再是我們的瓶頸,真正困難的是修復它們,而這仍然要靠維護者。」

下一步計劃

《GitHub》表示,將把同一套「先經人手核實、再私下通報」的AI安全掃描模式,擴展至「安全開源基金」的所有畢業項目,並向這些項目開放GitHub Copilot Max的使用權,未來各屆基金計劃也會延續這項支援。該基金至今已資助216個項目、超過300名維護者,支援的軟件據《GitHub》表示每月下載量超過200億次;每個參與項目可透過GitHub Sponsors獲得10,000美元資助,以及《Microsoft》for Startups提供的安全培訓和Azure額度。值得留意的是,這次MDASH試驗所用的是《Microsoft》較舊版本的MAI Cyber模型——就在《GitHub》公布這些結果的同一天,《Microsoft》另外宣布了其後繼產品MAI Cyber 2,而這套計劃目前尚未採用該新版本。《GitHub》並未說明畢業項目使用Copilot Max是否需要付費,也未公布未來掃描的頻率,有意加入下一輪計劃的維護者,應留意《GitHub》「安全開源基金」官方頁面的公布,而非按這次試驗的做法自行假設條款。

圖片:螢幕上程式碼的示意圖片,並非MDASH工具的實際畫面截圖——該工具目前並未公開展示。圖片來源:Chris Ried / Unsplash。