近期，开源安全生态正在遭遇一个典型的“AI 副作用”：漏洞报告数量激增，但有效信号密度却在下降。随着自动化生成能力的普及，大量由大模型生成的低质量甚至虚假的漏洞报告涌入安全平台，直接冲击了既有的漏洞赏金（bug bounty）机制。
在这一背景下，HackerOne 宣布暂停其“Internet Bug Bounty（IBB）”计划的新漏洞提交，波及包括 Node.js 在内的多个核心开源项目。这一变化不仅是安全运营层面的调整，也反映出 AI 技术对软件供应链安全流程的深层影响。
传统认知中，AI 在安全领域的价值是提升漏洞发现效率，例如：
但现实正在走向另一个方向：生成能力的门槛降低，使“提交漏洞报告”本身被规模化自动化。结果是：
Node.js 官方明确表示，此前已经提高漏洞提交流程门槛，以应对 AI 生成报告带来的审核压力。这意味着，AI 不仅改变了攻击与防御手段，也在重塑安全协作机制本身。
HackerOne 的 IBB 计划自 2012 年启动，累计发放超过 150 万美元奖励，长期为开源项目提供安全激励机制。但此次暂停，表面原因是资金来源中断，背后则是更复杂的结构性问题：
1. ROI（投入产出比）失衡
当大量低质量报告占据审核资源时，每一笔奖励的“筛选成本”显著上升，平台与项目方难以维持可持续投入。
2. 审核流程不可扩展
漏洞验证高度依赖专家判断，很难完全自动化。相比代码生成，漏洞“确认”仍然是强人力密集型任务。
3. 激励机制被“生成能力”套利
大模型可以批量生成看似合理的漏洞描述，甚至附带 PoC（proof of concept）。这让部分提交者可以用极低成本“刷报告”，稀释真实研究者的收益。
结果是：原本基于“高质量稀缺发现”的赏金模型，被“低成本规模生成”所冲击。
从工程角度看，大模型生成的漏洞报告之所以难以快速筛除，主要源于其“结构正确但语义错误”的特点：
例如，一个 LLM 可以生成类似“在某函数中存在未校验输入导致的潜在命令注入风险”的报告，并附带伪造的调用示例。这类报告在表面结构上高度符合安全报告规范，但在实际代码路径中并不存在可利用漏洞。
这类“高仿噪声”对传统基于规则或关键词过滤的系统几乎是免疫的。
尽管暂停赏金，Node.js 官方强调：
这表明一个重要态度：安全协作不能停止，但激励机制需要重构。
目前可见的应对策略包括：
1. 提高提交门槛
要求更完整的复现步骤、最小化 PoC、甚至运行环境说明，以增加“生成成本”。
2. 引入信誉系统（reputation system）
优先处理历史贡献者的报告，降低匿名或新账号的权重。
3. 自动化预筛选（AI 对抗 AI）
使用模型对报告进行初步分类，例如判断是否为“模板化生成”或“缺乏具体上下文”。
4. 限流与配额机制
对提交频率进行限制，防止批量生成式攻击。
值得注意的是，cURL 项目也在今年初因类似问题终止了其漏洞赏金计划，说明这并非孤例，而是跨项目的系统性挑战。
这一事件对 AI 工程社区具有直接参考价值：
1. LLM 不只是生产力工具，也是“噪声放大器”
任何基于开放输入的系统（issue tracker、support、bug bounty）都可能受到类似冲击。
2. 需要构建“抗生成”系统设计
未来系统需要假设输入内容可能是机器生成的，并设计对应的验证机制，例如：
3. 安全工具链将出现新分支：AI 内容鉴别
类似 spam detection 的新方向——识别 AI 生成的安全报告，可能成为独立工具类别。
Node.js 暂停赏金并不是简单的“资金问题”或“运营调整”，而是一个更深层的信号：当 AI 可以大规模生成“看起来正确”的技术内容时，整个技术社区都需要重新思考“信任”的建立方式。
未来的关键不再只是发现漏洞，而是：
在大模型时代，安全问题的核心，正在从“找漏洞”转向“识别真实”。