AI 并未破坏开源，而是移除了无人设计的过滤器

2026 年 1 月，运行了 7 年的 curl 漏洞赏金计划被关闭；同月，维护 84 个 Python 项目的 Jazzband 集体宣布解散；tldraw 将外部 PR 改为自动关闭；Ghostty 出台了针对低质 AI 投稿的零容忍政策。这些项目不缺贡献者，恰恰是被汹涌而来的低质贡献压垮。本文认为，问题不在 AI 本身，而在一种被无意间充当质控机制、如今被 AI 抹掉的「努力门槛」。

一个未被设计的过滤器

Ghostty 作者 Mitchell Hashimoto 在更新后的 AI 政策中给出了一段精准表述：智能体式编程消除了过去基于「努力」的天然背压，让低质内容的生产变得极其廉价。所谓「背压」，正是理解整件事的关键。

在 2023 年之前，向一个陌生项目提交 PR 意味着：克隆仓库、跑通构建、读懂代码定位修改点、跑测试并解释失败原因。没人刻意把它设计成质量系统，但它客观上构成了过滤器——愿意走到 PR 这一步的人，至少理解过自己改了什么。这层「过路费」消失后，能编译并通过 CI 的补丁只需几分钟即可生成，无需任何理解。

Hashimoto 明确表示这不是反 AI 立场——Ghostty 本身大量依赖 AI 编程。问题不在工具，而在于把思考外包给模型、却把验证账单甩给维护者的贡献者。

击穿体系的非对称性

代码生成成本断崖式下降，代码评审成本却丝毫未变。这道非对称对任何开放入口的系统都是致命的。curl 给出了具体数字：过去几年漏洞报告中「确为真实漏洞」的比例长期高于 15%，2025 年因 AI 生成报告涌入跌破 5%；2026 年前 3 周，curl 收到 20 份提交，其中 7 份集中在 16 小时内，安全团队逐一复现、追溯代码路径后确认无一份描述真实漏洞。Daniel Stenberg 在《death by a thousand slops》一文中总结得直白：量大质低，耗时长而收获少。

安全报告是最残酷的版本：你不能忽视它。误杀真实漏洞代价极大，因此每一份伪造报告在被合理丢弃前都必须被认真调查。生成成本趋近于零，负责任丢弃的成本依然高企。

值得一提的是，curl 在约一个月后重新开放了赏金计划，因为报告质量回升；回升的并非「AI slop」，而是高质量、人工复核的高产报告。问题从来不是 AI，而是剥掉了努力的未审输出。

检测 AI 是错误的方向

市场的本能反应是开发检测器：给 PR 打分，评估其由模型生成的可能性。这一路径在两个独立维度上失败，且都是致命的。

• 技术上不可靠：检测 AI 生成内容本就不稳定，且随模型进步愈发不可靠。一个误报率 5% 的检测器对准月均 100 个 PR 的项目，每月会指控 5 位人类贡献者造假；只要其中一次演变为公开争论，项目损失便远超收益。
• 概念上不成立：AI 生成的代码本身不是问题。反对 slop 最强烈的维护者自己每天都在用 AI 助手——最有力的反例是：一位安全研究者向 Stenberg 提交了一批 AI 辅助的发现，最终修复了约 50 个真实漏洞。同样的工具，相反的结果，差异只在于输出在被提交前是否被人真正理解并验证。

关键变量从来不是代码从何而来，而是提交者是否理解自己提交了什么。一份人类撰写、却连自己改动都解释不清的 PR，本质上仍是垃圾，与 AI 无关。

项目已经在做的事

最具说服力的细节，是这些项目的政策实际写明了什么。

• matplotlib 的贡献指南直白警告：使用 AI 输出却不确保自己完全理解、未验证其正确性的提交将被标记并拒绝。
• Ghostty 没有走检测器路线，而是推出「Vouch Request」机制：首次贡献者必须用自己的话解释清楚——且明确不可由 AI 代笔——才有资格提交 PR。
• tldraw 关闭外部 PR 时将其定性为临时措施，等待更好的工具出现。

这些措施本质上都不是「禁止使用 AI」，而是以人工方式、逐 PR 地索取「理解的证明」——消耗的恰恰是政策本意保护的那种稀缺资源。当下的解法并不优雅，但它是与问题匹配的那一种：让贡献重新变得有代价，同时承认 AI 本身只是工具，真正可被检验的，是提交者对作品的负责程度。