گوگل از اول اکتبر ۲۰۲۶ پذیرش گزارش آسیب‌پذیری محصولات را در بخش متن‌باز برنامه جایزه شکایت امنیتی‌اش (Open Source Software Vulnerability Rewards Program یا OSS VRP) متوقف کرده است. دلیلی که خود گوگل اعلام کرده یک جمله است: «این توقف به خاطر افزایش چشمگیر گزارش‌های خودکار است که اکثریت‌شان معتبر نیستند». یعنی بخش عمده‌ای از این گزارش‌ها را مدل‌های زبانی نوشته‌اند، نه پژوهشگران امنیت. این نخستین باری است که یک غول فناوری، برنامه پاداش امنیتی‌اش را رسماً به خاطر هجوم گزارش‌های جعلی هوش مصنوعی تعطیل می‌کند.

توقف جایزه آسیب‌پذیری گوگل به خاطر گزارش‌های جعلی هوش مصنوعی

گوگل در پست رسمی خود در شبکه اجتماعی ایکس و در صفحه قوانین برنامه، توقف را از ۱ اکتبر ۲۰۲۶ اعلام کرد و وعده داد تا بهار ۲۰۲۷ وضعیت برنامه را به‌روزرسانی کند. مهندسان گوگل و نگهدارندگان متن‌باز می‌گویند هزاران گزارش بی‌کیفیت و توهمی در صف بررسی‌شان بوده و به جای رفع آسیب‌پذیری‌های واقعی، مجبور شده‌اند وقتشان را صرف راستی‌آزمایی گزارش‌های ساختگی کنند. ادامه مطلب را بخوانید تا ببینید دقیقاً کدام بخش‌ها متوقف شده و این اتفاق برای شما و تیم فنی‌تان چه معنایی دارد.

فهرست مطالب

چه اتفاقی افتاد و گوگل دقیقاً چه چیزی را متوقف کرد؟
چرا گزارش‌های ساخته‌شده با هوش مصنوعی این‌قدر بی‌اعتبارند؟
این یک اتفاق تک‌نفره نیست؛ الگو در کل صنعت امنیت تکرار می‌شود
مقایسه: تریاژ انسانی در برابر تریاژ هوش مصنوعی
اثر عملی برای توسعه‌دهنده‌ها و تیم‌های محصول
اشتباهات رایج در برخورد با گزارش‌های هوش مصنوعی
سوالات متداول
جمع‌بندی و چک‌لیست عملی

چه اتفاقی افتاد و گوگل دقیقاً چه چیزی را متوقف کرد؟

موضوع، برنامه‌ای است که به پژوهشگران مستقل پاداش می‌دهد تا در کد متن‌باز گوگل ایرادهای امنیتی پیدا و مسئولانه گزارش کنند. طبق اعلام گوگل، توقف از ۱ اکتبر ۲۰۲۶ اجرایی شده و تا زمان اعلام به‌روزرسانی در سه‌ماهه اول ۲۰۲۷ ادامه دارد.

گزارش‌های آسیب‌پذیری محصول در OSS VRP متوقف شده‌اند؛ یعنی ایرادهای کد، اشکالات منطقی و باگ‌های طراحی در مخازن عمومی گوگل دیگر از این مسیر پذیرفته نمی‌شوند.
گزارش‌هایی که پیش از ۱ اکتبر ثبت شده بودند بی‌اثر نمی‌شوند و گوگل آن‌ها را بررسی می‌کند.
برای بعضی مخازن مربوط به محصولات Google Cloud، پذیرش از مسیر برنامه دیگری به نام Cloud VRP ادامه دارد.
گزارش‌های زنجیره تأمین (Supply Chain) در همین برنامه متوقف نشده‌اند.
شرکت‌های بزرگ امنیتی در این مدت از این توقف کمک می‌کنند: هکران حرفه‌ای به برنامه‌های جایزه دیگر گوگل هدایت می‌شوند تا گزارش‌های واقعی از مسیرهای فعال بروند.

نکته مهم این است که این توقف یک واکنش موردی نیست؛ در گزارش‌های رسانه‌ای آمده که مهندسان و نگهدارندگان متن‌باز غرق در هزاران گزارش بی‌کیفیت شده بودند و عملاً وقت سازمان برای بررسی دستی کد صرف می‌شد، نه برای رفع آسیب‌پذیری‌های واقعی.

چرا گزارش‌های ساخته‌شده با هوش مصنوعی این‌قدر بی‌اعتبارند؟

مدل‌های زبانی طوری آموزش دیده‌اند که همیشه مفید باشند. اگر از آن‌ها بخواهید یک گزارش آسیب‌پذیری بنویسند، یک گزارش کامل با عنوان، توضیح فنی و لحن حرفه‌ای تحویل می‌دهند؛ حتی اگر هیچ آسیب‌پذیری‌ای در کار نباشد. نتیجه، حجمی عظیم از گزارش‌های شکیل اما توهمی است که هر دقیقه هزینه بررسی انسانی را بالا می‌برد.

مشکل فقط کیفیت نیست، انگیزه اقتصادی هم هست. کاری که سال‌ها به روزها تحلیل کد و بازتولید آسیب‌پذیری نیاز داشت، حالا با چند خط دستور در چند ثانیه انجام می‌شود و هزینه ورودش تقریباً صفر شده است. نتیجه آن است که بازار پاداش امنیتی، یک مسیر ارزان برای تولید انبوه محتوای بی‌کیفیت شده؛ همان چیزی که در حوزه‌های دیگر به آن «زباله هوش مصنوعی» یا AI slop می‌گویند.

این پدیده پیش از این هم دیده شده بود: پروژه متن‌باز Curl یک گزارش جعلی دریافت کرد که محقق امنیتی درباره‌اش نوشت مهاجم کاملاً محاسبه اشتباه کرده و Curl می‌تواند از فاصله‌های دور AI slop را تشخیص دهد. نگهدارنده پروژه CycloneDX هم جایزه شکایتش را کاملاً برداشت، چون تقریباً همه گزارش‌های دریافتی‌اش AI slop بود. یک سازمان غیرانتفاعی فناوری هم گفت صندوق ورودی‌اش «از آشغال هوش مصنوعی پر شده» است.

این یک اتفاق تک‌نفره نیست؛ الگو در کل صنعت امنیت تکرار می‌شود

همزمان با توقف گوگل، چند خبر دیگر نشان می‌دهد فشار در کل زنجیره تأمین نرم‌افزار بالا رفته است. نگهدارندگان هسته لینوکس گفته‌اند شکار باگ خودکار کرنل را به مرز حدود ۲۰۰۰ آسیب‌پذیری در هر انتشار رسانده و آن‌ها عملاً از کار افتاده‌اند. لینوکس هم پشتیبانی از برخی درایورهای شبکه قدیمی و کم‌مصرف را به خاطر انباشت گزارش‌های جعلی تولیدشده با هوش مصنوعی کنار گذاشته است. اینتل هم برنامه جایزه‌ای که تا ۱۰۰ هزار دلار برای هر ایراد پرداخت می‌کرد را تعلیق کرد؛ اینتل رسماً دلیل را تأیید نکرد اما کارشناسان آن را به هجوم گزارش‌های هوش مصنوعی نسبت می‌دهند.

برنامه یا پروژه	وضعیت	دلیل اعلام‌شده
OSS VRP گوگل، بخش آسیب‌پذیری محصول	تعلیق از ۱ اکتبر ۲۰۲۶ تا به‌روزرسانی در بهار ۲۰۲۷	افزایش چشمگیر گزارش‌های خودکار که اکثریت‌شان معتبر نیست (اعلام رسمی گوگل)
هسته لینوکس	ادامه فعالیت، اما با بار بسیار سنگین بررسی	نزدیک به ۲۰۰۰ CVE در هر انتشار و فشار شکار باگ خودکار
درایورهای شبکه قدیمی لینوکس	حذف پشتیبانی	انباشت گزارش‌های جعلی و کاهش توجیه‌پذیری نگهداری
برنامه جایزه اینتل	تعلیق	اعلام رسمی نشده؛ نسبت دادن آن به گزارش‌های هوش مصنوعی در حد نظر کارشناسان است

نکته مشترک همه این خبرها یک چیز است: هزینه پایین تولید گزارش، و هزینه بالای بررسی آن. این دو با هم نمی‌سازند و نتیجه‌اش فقط کند شدن روند پیدا کردن باگ واقعی نیست؛ نتیجه‌اش کم شدن اعتماد به کانال گزارش‌گری هم هست.

مقایسه: تریاژ انسانی در برابر تریاژ هوش مصنوعی

راه‌حل در حذف هوش مصنوعی از مسیر گزارش نیست، در مهار کردن آن است. چند شرکت بزرگ پلتفرم شکار باگ رویکردهای متفاوتی دارند و هرکدام هزینه و ریسک خودش را دارد.

رویکرد	نمونه	نقطه قوت	ریسک اصلی
بازبینی کاملاً انسانی	تیم بررسی گزارش‌های مرورگر فایرفاکس در موزیلا	کمترین از دست رفتن باگ واقعی	کند و پرهزینه در مقیاس بالا
تریاژ ترکیبی انسان و ایجنت	سامانه Hai Triage از هکر‌وان در اواخر ژوئیه ۲۰۲۵	حذف تکراری‌ها و اولویت‌بندی تهدید واقعی با تأیید نهایی آدم	نیاز به زیرساخت و نیروی انسانی برای تأیید
حجم بالا با بازبینی انسانی و کمک هوش مصنوعی	باگ‌کراد	استفاده از هوش مصنوعی فقط به‌عنوان دستیار، نه داور	صف بررسی طولانی می‌شود
ارسال مستقیم خروجی مدل توسط کاربران	بدون فیلتر اولیه	سرعت و هزینه نزدیک به صفر	اکثریت گزارش‌ها نامعتبر؛ دقیقاً همان چیزی که گوگل را متوقف کرد

نکته‌ای که در گزارش‌های سال ۲۰۲۵ هم دیده می‌شود این است که مرورگرهای بزرگ به این نتیجه رسیدند فیلتر کردن با مدل‌های زبانی ریسک خودش را دارد، چون مدل ممکن است یک گزارش واقعی را هم به‌خاطر شباهت ظاهری به الگوی گزارش‌های جعلی رد کند. برای همین ترکیب ایجنت و تأیید انسان، منطقی‌ترین نقطه تعادل است.

اثر عملی برای توسعه‌دهنده‌ها و تیم‌های محصول

زمان مهندسی می‌رود، نه زمان تحقیق: تیم‌های امنیت به جای رسیدگی به هشدار واقعی، در حال خواندن گزارش‌هایی هستند که اصلاً باگی در آن‌ها نیست.
باگ واقعی دیرتر پیدا می‌شود: هر ساعتی که صرف بررسی گزارش توهمی می‌شود، از ساعت شکار باگ واقعی کم می‌شود و پنجره بهره‌برداری مهاجم باز می‌ماند.
اعتماد به کانال گزارش آسیب می‌بیند: وقتی یک کانال گزارش پر از محتوای ساختگی شود، نگهدارنده‌ها ناچار می‌شوند مثل گوگل کل برنامه را تعطیل کنند یا مثل بعضی پروژه‌ها کلاً آن را بردارند.
هزینه پنهان وابستگی‌ها: هرچه پروژه‌های متن‌باز بیشتر به نگهدارنده‌های کم‌حمایت متکی باشند، توقف یک برنامه پاداش یعنی یک آسیب‌پذیری واقعی که اصلاً پیدا نمی‌شود.

یک راه عملی برای تیم‌هایی که می‌خواهند خودشان بفهمند ترافیک گزارش‌هایشان چقدر آلوده به محتوای ماشینی است، تحلیل لاگ ورودی‌هاست. لازم نیست دیتاست بزرگی راه بیندازید؛ ابزارهای تحلیلی محلی و سبک کار را ساده می‌کنند. اگر با پایتون کار می‌کنید، راهنمای آموزش DuckDB در پایتون برای تحلیل داده بدون سرور یک نقطه شروع کم‌هزینه برای شمردن و دسته‌بندی گزارش‌های ورودی است.

مسئله اعتماد به ماشین خروجی هم در قوانین در حال سخت‌تر شدن است. همان‌طور که در قانون هوش مصنوعی اروپا و برچسب‌گذاری محتوای AI دیدیم، بحث بر سر مشخص بودن منبع و قابل‌تشخیص بودن محتوای ماشینی است؛ در گزارش امنیتی، نبود شواهد قابل بازتولید دقیقاً همان نقش نبود برچسب را بازی می‌کند.

اشتباهات رایج در برخورد با گزارش‌های هوش مصنوعی

باور کردن لحن حرفه‌ای: یک گزارش با ساختار درست، جدول و اصطلاحات فنی می‌تواند کاملاً ساختگی باشد. لحن، دلیل اعتبار نیست.
پذیرش شناسه CVE بدون بررسی: شماره‌های CVE هم اغلب از پایه ساخته می‌شوند. وجود شماره را در پایگاه‌های رسمی بررسی کنید، نه در متن خود گزارش.
نداشتن اثبات بازتولید: اگر ورودی، خروجی و گام‌های بازتولید ندارید، گزارش به‌درد تأیید نمی‌خورد و فقط بار کاری می‌سازد.
استفاده از هوش مصنوعی برای داوری نهایی: فیلتر هوش مصنوعی برای اولویت‌بندی خوب است، اما تأیید نهایی باید انسانی باشد وگرنه هم گزارش واقعی را از دست می‌دهید و هم اعتماد به سیستم را.
بی‌توجهی به صف بررسی خودتان: اگر تیم شما ماهی صدها گزارش بی‌کیفیت می‌گیرد، مسئله فقط شما نیست؛ گزارش‌های بی‌کیفیت بی‌اعتبار و آمارشان را به کانال‌های رسمی نشان دهید.

سوالات متداول

برنامه جایزه شکایت گوگل برای همیشه بسته شد؟

نه. توقف از ۱ اکتبر ۲۰۲۶ اعمال شده و گوگل وعده داده تا سه‌ماهه اول ۲۰۲۷ وضعیت را اعلام کند. بخش مربوط به زنجیره تأمین و گزارش‌های مربوط به بعضی مخازن Google Cloud از مسیر Cloud VRP همچنان فعال است.

آیا گزارش‌هایی که قبل از ۱ اکتبر داده‌ام بررسی می‌شوند؟

بله. طبق اعلام گوگل، گزارش‌های ثبت‌شده پیش از این تاریخ بی‌اعتبار نشده‌اند و همچنان در صف بررسی قرار می‌گیرند.

آیا استفاده از هوش مصنوعی برای نوشتن گزارش باگ ممنوع شد؟

چنین ممنوعیت رسمی اعلام نشده، اما عملاً هزینه ارسال گزارش بی‌اعتبار بالا رفته و رویه بررسی سخت‌گیرانه‌تر شده است. همچنین بعضی سرویس‌ها گزارش‌های دارای محتوای توهمی یا کم‌کیفیت را همان اسپم تلقی می‌کنند.

آیا این یعنی هوش مصنوعی در شکار باگ بی‌فایده است؟

خیر. برعکس؛ شواهد از دو طرف یک داستان می‌گویند: شکار باگ خودکار نزدیک به ۲۰۰۰ CVE در هر انتشار کرنل لینوکس رسانده، یعنی پوشش واقعی بالا رفته. مشکل، تولید انبوه گزارش بدون انسان در حلقه تأیید است، نه خود ابزار.

تیم کوچک من چه کاری باید انجام دهد؟

حداقل کار، تعریف یک حداقل استاندارد برای گزارش ورودی است: اثر واقعی، گام‌های بازتولید و خروجی قابل بررسی. هر چیزی فراتر از این را تا مرحله بازتولید کامل در صف نگه دارید و زمان تیم را صرف باگ‌های قابل‌اثبات کنید.

جمع‌بندی و چک‌لیست عملی

توقف OSS VRP گوگل یک اعلان ساده است، نه یک رخداد منزوی: هزینه تولید گزارش امنیتی به صفر نزدیک شده، اما هزینه بررسی آن تغییر نکرده است. نتیجه‌اش از بین رفتن ظرفیت بررسی در پروژه‌های متن‌باز و در نهایت کم شدن شانس پیدا شدن باگ‌های واقعی است.

چک‌لیست عملی برای تیم‌ها:

هر گزارش ورودی را قبل از دیدن تیم فنی با یک حداقل استاندارد بسنجید.
شماره‌های CVE را در پایگاه رسمی بررسی کنید، نه در متن گزارش.
بدون گام بازتولید و اثر واقعی، گزارش را وارد صف پیگیری نکنید.
اگر از هوش مصنوعی برای نوشتن یا غربال گزارش استفاده می‌کنید، تأیید نهایی را انسانی نگه دارید.
آمار گزارش‌های بی‌اعتبار ماهانه را ثبت کنید تا فشار واقعی را ببینید.

یک قالب کوتاه که جلوی بیشتر گزارش‌های بی‌محتوا را می‌گیرد:

عنوان: [نام ایراد] در [پروژه / نسخه]
دسترس‌پذیری: عمومی | نیازمند احراز هویت | محلی
اثر واقعی برای قربانی: [دقیقاً چه چیزی تغییر می‌کند؟]
گام‌های بازتولید:
1) [ورودی یا دستور اول]
2) [ورودی یا دستور دوم]
3) [نتیجه]
خروجی واقعی: [لاگ، تصویر خروجی، یا دیفربانس]
پیشنهاد رفع: [تغییر کد در یک جمله]

اگر می‌خواهید پیش از هر اقدامی بدانید خود مدل چقدر در تولید محتوای قابل‌اتکا خطا می‌کند، نگاهی به استانداردهای برچسب‌گذاری محتوای هوش مصنوعی بیندازید؛ منطق «محتوای ماشینی بدون منبع قابل بررسی، قابل اعتماد نیست» دقیقاً همان چیزی است که کل این خبر را می‌سازد.

توقف جایزه آسیب‌پذیری گوگل؛ گزارش‌های جعلی هوش مصنوعی