核心概念

2026 年 6 月 22 日，OpenAI 在 Daybreak 計劃框架下推出 Patch the Planet，目標是用 AI 幫助開源專案維護者找到、驗證並修復軟體漏洞。合作夥伴包括資安研究公司 Trail of Bits、漏洞揭露平台 HackerOne 與 CALIF。

Daybreak 是 OpenAI 的企業資安計劃，2026 年 5 月首次推出，讓組織能用 AI 識別、驗證與修復軟體漏洞。Patch the Planet 是其在開源生態的延伸，將能量從企業安全擴展到公共基礎設施防護。

解決的核心矛盾：AI 工具加速了漏洞的發現速度，但同時也製造了新的問題——大量低品質的 AI 生成漏洞報告淹沒了維護者。cURL 創始人 Daniel Stenberg 在 2026 年 1 月關閉了執行六年的 bug bounty 計劃，原因是 AI 生成的低品質提交導致確認漏洞率跌破 5%，而人工篩選成本持續上升。Patch the Planet 的差異化設計正是針對這個問題：安全工程師在漏洞回報給維護者之前先完成審查，確保每一份報告都是有效的。

完整防禦迴路：與傳統「找到漏洞就揭露」的模式不同，Patch the Planet 涵蓋完整鏈條：漏洞發現 → 驗證 → 嚴重性評估 → 負責任揭露 → 補丁開發 → 測試 → 部署。Trail of Bits 的工程師會協助專案開發補丁和測試案例，並建立可重複使用的工作流程，讓社群在首批修復之後能持續改善安全狀況。

核心工具 GPT-5.5-Cyber：專為資安場景調優的模型，在關鍵基準的表現為 CyberGym 85.6%、ExploitGym 39.5%、SEC-bench Pro 69.8%。其能力包括識別安全敏感元件、驗證問題可利用性，以及自動生成針對特定程式碼庫的補丁草稿供人工審查。

Codex Security 的規模：自 2026 年 3 月推出至今，已掃描超過 3,000 萬次提交、涵蓋 30,000 個程式碼庫。平台能理解各團隊的威脅模型，判斷受影響程式碼的實際可達性，並透過 SARIF 格式與現有漏洞管理系統整合。

關鍵要點

  • 已驗證的漏洞發現：Trail of Bits 已在 19 個開源專案中識別數百個安全問題，數十個補丁已合併，更多正在進行揭露流程。具體案例包括 Firefox WebAssembly 漏洞（CVE-2026-8390，Mozilla 在 Pwn2Own Berlin 前兩天完成修補）、dnsmasq 四個 CVE（dnsmasq 2.92rel2 修復版本）、Chrome V8 引擎五個可利用漏洞、Safari WebKit 超過十個漏洞。
  • 初始參與專案：cURL、NATS Server、pyca/cryptography、Sigstore、aiohttp、Go 專案、freenginx、Python、python.org——都是網際網路基礎設施的關鍵元件。
  • Linux Foundation 的對應行動：就在三天後（6 月 25 日），Linux Foundation 推出 Akrites 計劃，提供跨開源專案的機密漏洞修復與協調揭露機制，顯示整個產業正在同步回應 AI 時代的安全挑戰。
  • 資金模式：OpenAI 資助安全研究人員，讓他們能以全職方式為開源維護者提供資安服務，而不是要求維護者自行消化 AI 工具輸出的海量報告。

實務意義

對開源維護者而言，Patch the Planet 提供了一條不增加負擔的安全強化路徑。不同於傳統 bug bounty（維護者需篩選大量低品質報告），這個模式讓維護者收到的是已驗證、附補丁草稿的漏洞報告。

對企業開發者而言，Codex Security 的 SARIF 整合意味著可直接接入現有的 SIEM 或漏洞管理平台，不需要建立新工作流程。

這個計劃也暗示了一個重要的產業趨勢：AI 在資安領域的角色正在從「漏洞發現工具」升級為「完整修復夥伴」。未來的開源安全生態，可能是 AI 負責掃描、人類專家負責驗證與溝通、AI 再協助生成補丁，形成人機協作的閉環。

延伸觀點

AI 安全工具的雙刃劍效應：多個來源指出，AI 工具既加速了合法研究者的漏洞發現，也讓惡意行為者能更快開發利用程式。OpenAI 選擇以 Patch the Planet 的形式主動介入防禦端，部分是為了平衡這個不對稱——GPT-5.5-Cyber 等模型在 ExploitGym 基準上達到 39.5% 的表現，表示它們確實具備相當的攻擊性能力。

開源安全的系統性失靈：cURL 關閉 bug bounty 事件揭露了更深的問題：現有的漏洞回報激勵機制在 AI 工具普及後已經失效。Patch the Planet 和 Akrites 都選擇了「讓專家做中間人」而非「讓工具直接對接維護者」的模式，這個設計選擇本身就是對問題根源的診斷。

規模效應的不確定性：Codex Security 掃描 3,000 萬次提交固然可觀，但 Trail of Bits 人工審查的吞吐量是瓶頸。若參與專案快速擴大，人工環節能否跟上是這個模式能否規模化的關鍵疑問。

相關頁面：Codex 安全生產部署：沙盒、審批工作流與可觀測性 | OpenAI 2026 選舉安全防護：可靠資訊、網路防禦與 AI 透明度 | Project Ire：AI 自動化逆向工程發現 LOTUSLITE 惡意軟體變種

反向連結

以下頁面引用了本頁：