Pengembang Bitcoin Niklas Gögge mengatakan pemindaian berbasis model bahasa telah menghasilkan lebih dari 1.000 laporan keamanan seputar Bitcoin Core, seraya berpendapat bahwa AI seharusnya digunakan untuk memperkuat pengujian otomatis, tetapi tidak diperlakukan sebagai strategi keamanan yang berdiri sendiri.

Gögge mengatakan inisiatif termasuk Project Loupe dan Bitcoin Red Team berada di balik arus laporan tersebut. Ia menambahkan bahwa sebagian besar pengajuan merupakan positif palsu atau masalah hipotetis, dan sejauh ini belum ada kerentanan kritis yang teridentifikasi.

Posisinya bukan bahwa pemindaian AI tidak diperlukan. Sebaliknya, ia berpendapat agar AI digunakan sebagai lapisan pendukung dalam proses keamanan yang lebih luas. Secara khusus, ia menyoroti fuzzing, metode pengujian yang mendorong perangkat lunak melalui sejumlah besar masukan untuk menemukan kegagalan. Bitcoin Core dan pustaka kriptografi secp256k1 telah memiliki cakupan fuzzing selama bertahun-tahun, dan Gögge menyatakan model bahasa dapat membantu menurunkan biaya pembuatan dan penyempurnaan alat-alat tersebut.

Komentar itu muncul ketika AI membuat peninjauan kode skala besar menjadi lebih murah dan cepat di seluruh perangkat lunak sumber terbuka, termasuk infrastruktur Bitcoin. Gögge mengatakan perangkat lunak Bitcoin secara historis mendapat perhatian lebih sedikit dari penyerang dibandingkan beberapa sektor lain, tetapi dinamika itu mungkin berubah seiring model menjadi lebih baik dalam menganalisis basis kode besar dengan biaya rendah.

Laporan pendukung yang tersedia mengenai ekosistem Bitcoin yang lebih luas menunjukkan bahwa persoalan operasional yang lebih besar bukan hanya menemukan bug, melainkan menangani beban peninjauan yang mengikutinya. Hal itu dapat mencakup menyaring positif palsu, mengonfirmasi apakah suatu masalah benar-benar nyata, menyiapkan tambalan, dan mengelola waktu pengungkapan di berbagai repositori sumber terbuka yang digunakan secara luas.

Mengapa Ini Penting

Hal ini penting karena Bitcoin Core berada dekat dengan lapisan dasar tumpukan perangkat lunak Bitcoin, dan setiap perubahan dalam cara kerentanan ditemukan berdampak pada lebih dari satu repositori. Audit berbantuan AI dapat meningkatkan cakupan dan mempersingkat waktu yang diperlukan untuk menemukan kelemahan, tetapi juga meningkatkan risiko bahwa pengelola menghabiskan lebih banyak waktu untuk menyaring laporan yang bising daripada memperbaiki masalah yang berarti.

Peristiwa ini juga menyoroti pergeseran yang lebih luas dalam keamanan infrastruktur kripto. Ketika AI menurunkan biaya pemindaian kode, keunggulan mungkin bergeser dari sekadar penemuan bug menuju sistem pengujian yang disiplin, proses pengungkapan, dan kapasitas pengelola. Bagi proyek sumber terbuka yang kritis, ketahanan keamanan mungkin lebih sedikit bergantung pada apakah AI digunakan dan lebih banyak pada bagaimana keluarannya diintegrasikan ke dalam alur kerja peninjauan yang ada.