觀點

開源專案如何封殺 AI 生成程式:真正爭議在責任歸屬

愈來愈多開源專案開始拒絕或限制 AI 生成貢獻。核心問題不在 AI 能否寫出程式,而在提交者、維護者與專案能否建立清楚、可驗證的責任鏈。

字級

43 分討論背後:社群開始劃定界線

開源專案正陸續公開表態,決定是否接受 AI 生成的貢獻。

我找到的彙整網站是 osssaysno.com。它收錄開源專案針對 AI 生成貢獻的公開聲明,以及維護者對程式碼來源、審查方式與維護責任的立場。

這件事也登上 Hacker News 首頁。討論標題為「OSS projects banning AI-generated contributions」,原文連結指向 osssaysno.com。

截至素材記錄時,這則 Hacker News 討論獲得 43 分與 50 則留言。討論入口如下:

43 分不算高,50 則留言卻相當集中。對 HN 而言,這表示話題規模不大,但分歧卻十分明顯。

一派支持開源專案設限。他們認為,維護者沒有義務替匿名工具承擔審查成本。另一派則認為,全面禁止會阻礙個人開發者使用 AI,也會把「使用 AI」錯誤地等同於「程式碼不可信」。

表面上,這是「能不能用 AI 寫程式」的爭論。更精確地說,這是社群在劃定一條責任邊界:生成程式碼可以進入專案,但生成者、維護者與提交者不能藉由工具掩蓋責任鏈。

被拒絕的不是 AI,而是無人負責的 Patch

維護者真正擔心的,從來不是 LLM 能不能寫出語法正確的函式。

爭議核心是:AI 生成程式碼能否被維護者理解並持續維護,而不只是程式碼能否生成。

一個 patch 能通過 CI,不代表它適合進入需要長期維護的程式碼庫。維護者還得回答幾個更棘手的問題:

  • 這段程式碼從哪裡來?
  • 是否複製了訓練資料中受版權保護的程式碼?
  • 提交者是否理解實作方式與邊界條件?
  • 發生安全問題時,誰負責說明與修復?
  • 專案停止維護後,這段 AI 程式碼由誰接手?

這也是 AI 程式碼與一般低品質貢獻的差別。低品質程式碼通常至少有一位明確作者;對方可以說明設計意圖,也能承認錯誤。

AI 生成程式碼卻經常切斷責任鏈。提交者按下提交按鈕,卻很難逐行證明自己理解生成結果。程式碼一旦進入核心路徑,後續維護成本卻由整個社群承擔。

授權問題更難處理。訓練資料通常不公開,模型供應商提供的多是自身使用條款,而不是針對生成結果中可能存在的重複製內容逐項作出保證。

這並不會自動證明生成程式碼涉及侵權,但會把舉證成本轉嫁給維護者:專案必須先相信程式碼來源乾淨,才能放心合併。

因此,反對者並非只是要求「別用 AI」,而是在說:「別把無法解釋、無法追究責任的 patch 偽裝成一般貢獻。」

「禁止」只是表面,貢獻流程才是核心

一句「禁止所有 AI 生成貢獻」很容易傳播,卻未必容易執行。

AI 已進入編輯器、Issue 範本、程式碼自動完成與自動化 Agent。即使維護者不直接要求「使用 AI 生成」,也很難只憑最終 diff 就準確判斷程式碼來源。

更可落實的做法,是將貢獻過程轉化為可追蹤的流程。

例如,專案可以要求提交者在 PR 中說明:

  1. 是否使用 AI 協助生成或修改程式碼。
  2. 使用了哪些工具與模型。
  3. 哪些部分由 AI 生成。
  4. 提交者是否獨立驗證過實作。
  5. 是否確認過授權、密鑰外洩與供應鏈風險。

這不應只是一項倡議,而應納入範本、CI 與 review 規則。像 GitHub 的 pull_request_template,或貢獻指南中的檢查項目,都能留下可供稽核的紀錄。

以下是簡化的 PR 範本。它不是任何特定專案的官方設定,只展示一種可落實的寫法:

name: AI-assisted contribution
description: Declare how AI tools were used in this pull request
body:
  - type: checkboxes
    id: ai-disclosure
    attributes:
      label: AI usage disclosure
      options:
        - label: This contribution was generated or modified with AI assistance
          required: true
        - label: I reviewed and understood every changed line
          required: true
        - label: I checked dependency licenses and accidental secret exposure
          required: true
  - type: textarea
    id: ai-details
    attributes:
      label: Tools, models, and affected files
    validations:
      required: true

政策也可以分層推行,而非一刀切:

  • 文件、測試 fixture、低風險工具腳本:允許使用 AI,但必須揭露。
  • 核心函式庫、安全模組、權限程式碼:要求逐段說明,並由額外 reviewer 審查。
  • 依賴套件升級、授權變更、密鑰與基礎架構程式碼:禁止自動生成後直接提交。

重點不在於標籤是「AI」還是「人」,而在於維護者能否理解、驗證程式碼,並在出錯後找到責任人。

企業開源專案會更早收緊門檻

由企業維護的 OSS 專案通常會更早執行這套規則。

原因在於企業內部面臨更多風險:程式碼要進入公開儲存庫,貢獻者可能來自外部,安全團隊需要確認攻擊面,法務需核對授權,稽核團隊則必須保存決策紀錄。

一次未經說明的 AI 貢獻,可能帶來四類成本:

  • 安全成本:生成程式碼引入不安全的預設值、無效的存取控制或隱蔽依賴。
  • 授權成本:程式碼與第三方片段的來源難以核實。
  • 稽核成本:無法說明哪些部分由誰撰寫、哪些部分經過人工驗證。
  • 品牌成本:專案一旦捲入大量低品質 AI PR,維護者光是回應問題本身就會成為公共事件。

這與公司內部開發不同。內部專案至少還有員工身分、ticket 與程式碼審查紀錄;公開儲存庫面對的則是陌生貢獻者,任何人都能提交一個看似完整的 patch。

企業更可能採取「允許輔助,但必須揭露」的政策,原因很現實:規則若過於嚴格,合規使用 AI 輔助的貢獻者會選擇繞過;完全不加管制,維護者又會被低品質 PR 淹沒。

不過,企業也會將最敏感的部分保留在閉源儲存庫。公開專案更在意授權、品牌與外部攻擊面,而非展示 AI 使用率。

編輯觀察

開源社群很難形成統一的禁令。不同專案的風險不同,維護者數量也不一樣。較務實的方向是建立分層制度:允許使用 AI,但要求揭露工具、標記生成部分並保留人工驗證責任;核心程式碼則提高審查門檻。

這次與過去幾輪「AI 程式設計工具是否提升效率」的討論不同。過去爭論的是開發者要不要使用 Copilot、Claude Code 或 Cursor;現在討論的是生成結果能否進入公開程式碼庫,以及出事後由誰負責。工具效率帶來的是個人收益,維護責任卻會成為社群成本。

我的判斷是,最後勝出的不會是最嚴格的專案,而是規則最清晰的專案。類似正式化驗證或 SBOM 的做法會被更多專案採用:無法證明來源內容,不應進入高信任路徑。

仍有一個暫時沒有答案的問題:AI 生成程式碼的授權來源依然難以核實。即使完整揭露模型與 prompt,也不能自動證明程式碼未複製訓練素材。揭露能釐清責任鏈,卻不等於解決版權鏈。開源社群接下來劃出的,或許不是「AI 與人」的界線,而是「可驗證貢獻」與「不可驗證 patch」的界線。

來源: https://osssaysno.com