تصور کنید هر ایمیلی که دریافت میکنید، بهجای اینکه به یک جعبهسیاهِ نامعلوم در سرورهای گوگل سپرده شود، توسط یک بازرس شخصی و شفاف در سیستم خودتان بررسی شود. این ابزار جدید، قدرت تشخیص تهدیدات را از دست شرکتهای بزرگ میگیرد و آن را به میز کار شما برمیگرداند.
طبق گزارشی که در ۱۲ سپتامبر ۲۰۲۶ در وبسایت dev.to منتشر شد، Gmail AI Threat Scanner لایهای امنیتی و شفاف را ایجاد میکند که نشانههای کلاهبرداری و فیشینگ را مستقیماً در صندوق ورودی شما علامتگذاری میکند. اکثر کاربران در حال حاضر به فیلترهای پیشفرض تکیه میکنند که سازوکار آنها کاملاً پنهان است. این پروژه پاسخی است به نیاز کاربرانی که ابزارهای امنیتی شخصی میخواهند، بدون اینکه مجبور باشند زیرساختهای پیچیده سازمانی را پیاده کنند. این رویکرد در واقع پاسخی عملی به مدلسازی تهدیدات AI است که ریسکهای انتزاعی را به مسیرهای حمله قابلآزمون تبدیل میکند تا کاربران بتوانند نقاط ضعف خود را بهتر شناسایی کنند.
همانطور که در تحلیل قبلی ما دربارهی بهینهسازی محاسبات در مدلهای زبانی اشاره کردیم، تمرکز صنعت اکنون از آموزش مدلهای غولآسا به سمت کاربردهای عملی و لبهای است. این ابزار دقیقاً در همین مسیر قرار دارد تا دفاع شخصی را تسهیل کند.
بر اساس مستندات این پروژه، این اسکنر از سه مکانیزم کلیدی استفاده میکند:
- اجرای سمت کاربر (Client-Side Execution): ابزار بهصورت محلی اجرا میشود؛ یعنی دادههای شما بهجای ارسال به سرورهای شخص ثالث، در سیستم خودتان میماند.
- یکپارچگی با OAuth: اتصال به جیمیل از طریق پروتکل OAuth صورت میگیرد تا نیازی به ذخیره یا اشتراکگذاری رمز عبور نباشد.
- تحلیل هوش مصنوعی: سیستم الگوهای مهندسی اجتماعی و کلاهبرداری را شناسایی کرده و دلیل دقیق ریسک بودن هر ایمیل را توضیح میدهد.
برای یک کاربر عادی، این یعنی تغییر جایگاه از «اعتماد کورکورانه به ارائهدهنده سرویس» به «داشتن یک حسابرسی امنیتی قابل بررسی». امنیت ایمیل از یک تجربه غیرفعال به یک فرآیند پویا تبدیل میشود که در آن منطقِ شناسایی تهدید توسط هوش مصنوعی زاینده (Generative AI) — شبیه به یک کارآگاه که شواهد را تکتک روی میز میگذارد تا شما متقاعد شوید — کاملاً قابل مشاهده است. این سطح از دقت در شناسایی ضروری است، چرا که شبیهسازی پیشرفته چهره و صدا توسط AI سدهای دفاعی سنتی را تخریب کرده و مهندسی اجتماعی را خطرناکتر کرده است.
در بهروزرسانیهای آینده، قرار است قابلیت اسکن پیوستها و استفاده از مجموعهای از مدلها برای کاهش خطاهای مثبت کاذب اضافه شود. شما میتوانید از طریق مخزن گیتهاب این پروژه، در پیادهسازی آن مشارکت کنید یا کدها را بررسی کنید.
گام بعدی شما
- مخزن گیتهاب پروژه را برای بررسی شفافیت کدها و نحوه اجرای محلی مدلها مطالعه کنید.
- اگر توسعهدهنده هستید، سعی کنید مدلهای کوچکتر (SLM) را برای افزایش سرعت اسکن در سیستمهای ضعیفتر جایگزین کنید. این دسترسی گسترده به ابزارهای پیشرفته، در حالی رخ میدهد که شکاف مهارتی در امنیت سایبری به دلیل هوش مصنوعی در حال از بین رفتن است و حتی مهاجمان کمتجربه نیز به ابزارهای قدرتمندی دسترسی دارند.
- تنظیمات OAuth حساب خود را بررسی کنید تا بدانید چه دسترسیهایی به ابزارهای جانبی میدهید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است؛ برای درک اینکه چگونه مدلهای محلی روی سختافزارهای معمولی اجرا میشوند، به تحلیل ما درباره تراشههای NPU مراجعه کنید.
گفتگو