چرا تخصص انسانی دیگر سد دفاعی موثری در برابر تهدیدات زیستی نیست؟

باید بپذیریم که تخصص انسانی دیگر سد دفاعی غیرقابل‌نفوذی در برابر تهدیدات زیست‌شناسی نیست. اگر تصور می‌کردید که پیچیدگی عملیاتی آزمایشگاه‌ها مانع از سوءاستفاده از هوش مصنوعی زاینده (Generative AI) می‌شود، نتایج اخیر این تصور را به‌طور کامل تغییر می‌دهد.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های زبانی اشاره کردیم، نگرانی‌ها همواره بر سر «نشت دانش» بود؛ اما اکنون با ظهور عامل‌های (Agents) هوش مصنوعی، مخاطره از سطح متنی به سطح عملیاتی منتقل شده است. طبق گزارشی که در ۱۰ ژوئن ۲۰۲۶ منتشر شد، مدل‌های جدید دیگر صرفاً به بازنویسی متون علمی بسنده نمی‌کنند، بلکه قادرند مسائل «دو منظوره»‌ای را حل کنند که پیش‌تر نیازمند سال‌ها تجربه در زیست‌شناسی کاربردی بود.

به نقل از مستندات ABC-Bench (Agentic Bio-Capabilities Benchmark)، این ارزیابی بر سه قابلیت پرخطر متمرکز است:

• نوشتن کدهای اجرایی برای ربات‌های جابه‌جایی مایعات.
• طراحی قطعات DNA برای اسمبل (Assembly) در محیط آزمایشگاهی.
• تدوین استراتژی‌های عملیاتی برای دور زدن پروتکل‌های بررسی سنتز DNA.

بر اساس یافته‌های منتشر شده در arxiv.org، تمامی عامل‌های مورد آزمایش در هر سه حوزه، عملکردی بالاتر از میانگین متخصصان انسانی داشتند. در آزمایش‌های اعتبارسنجی محیط واقعی (Wet-lab)، مدل o4-mini-high متعلق به OpenAI توانست اسکریپت‌های دقیقی برای ربات‌های OpenTrons تولید کند که منجر به اسمبل موفقیت‌آمیز توالی‌های DNA مورد انتظار شد. با این حال، داده‌ها نشان می‌دهد که مدل‌ها در مواجهه با وظایفی که نیازمند استدلال‌های نوین در بیوانفورماتیک بودند، عملکرد ضعیف‌تری داشتند.

این نتایج، فرضیه «انسان در حلقه» (Human-in-the-loop) را به عنوان یک لایه امنیتی تخریب می‌کند. وقتی یک مدل عامل‌محور (Agentic) بتواند هم توالی را طراحی کند، هم تولید آن را از طریق رباتیک اتوماسیون نماید و هم نظارت‌ها را دور بزند، گلوگاه‌های سنتی حذف می‌شوند. فضای امنیت زیستی اکنون باید از فیلترینگ ساده‌ی محتوا به سمت نظارت بر قابلیت‌های عملیاتی مدل‌ها تغییر مسیر دهد.

گام بعدی شما

• بررسی سازوکارهای جدید ارائه‌دهندگان سنتز DNA برای مقابله با تاکتیک‌های دور زدن AI.
• ارزیابی لایه‌های امنیتی فیزیکی (Air-gap) در کنترل‌کننده‌های رباتیک آزمایشگاهی.
• مطالعه اثرات مدل‌های استدلالی بر تسریع کشف پاتوژن‌های مصنوعی.

اما داستان سخت‌افزاری این تحول و نقش تراشه‌های تخصصی در اجرای این عامل‌ها حتی پیچیده‌تر است — به تحلیل ما درباره‌ی زیرساخت‌های محاسباتی لبه مراجعه کنید.