比特幣開發者 Niklas Gögge 表示，基於語言模型的掃描已圍繞比特幣核心產生逾 1,000 份安全報告。他認為，AI 應用於強化自動化測試，但不應被視為獨立的安全策略。

Gögge 表示，包括 Loupe 專案和比特幣紅隊在內的計畫促成了這波報告流。他補充稱，大部分提交內容為誤報或假設性問題，迄今尚未發現任何重大漏洞。

他的立場並非認為 AI 掃描沒有必要。相反地，他主張將其作為更廣泛安全流程中的支援層。具體而言，他提到模糊測試，這是一種讓軟體接受大量輸入以找出故障的測試方法。比特幣核心和 secp256k1 密碼學函式庫已累積多年的模糊測試覆蓋，Gögge 認為語言模型可協助降低建置及改進這些工具的成本。

這番評論正值 AI 令開源軟體（包括比特幣基礎設施）的大規模程式碼審查變得更便宜、更快速之際。Gögge 表示，與其他一些領域相比，比特幣軟體歷來較少受到攻擊者關注；但隨著模型能以低成本更有效地分析大型程式碼庫，這種態勢可能正在改變。

針對更廣泛比特幣生態系的現有支持報告顯示，更大的營運問題不僅是找出錯誤，還包括處理隨之而來的審查負擔。這可能包括篩除誤報、確認問題是否真實、準備修補程式，以及在被廣泛使用的開源儲存庫間管理披露時程。

重要性何在

這之所以重要，是因為比特幣核心接近比特幣軟體堆疊的基礎層，而漏洞發現方式的任何改變都會影響不只一個儲存庫。AI 輔助審計可提升覆蓋範圍並縮短發現缺陷所需時間，但也提高了維護者花更多時間過濾雜訊報告、而非修復實質問題的風險。

這一事件也突顯加密基礎設施安全的更廣泛轉變。隨著 AI 降低掃描程式碼的成本，優勢可能從單純發現錯誤，轉向嚴謹的測試系統、披露流程及維護者能力。對關鍵開源專案而言，安全韌性可能較少取決於是否使用 AI，而更多取決於如何將其輸出整合至既有審查工作流程。