چرا کنترل صادرات آمریکا جلوی مدل‌های شناسایی آسیب‌پذیری AI را نمی‌گیرد؟

اگر متخصص امنیت سایبری هستید، ابزارهای شما قرار است بسیار خطرناک‌تر شوند. باید بدانید که دولت ترامپ دسترسی اتباع خارجی به جدیدترین مدل‌های شرکت Anthropic، یعنی Claude Fable 5 و Mythos 5 را مسدود کرد.

طبق اعلام رسمی، این تصمیم در هفته‌ی ۹ ژوئن ۲۰۲۶ در قالب یک دستور کنترل صادرات ابلاغ شد. این اقدام در حالی رخ می‌دهد که آزمایشگاه‌های هوش مصنوعی برای ساخت مدل‌های «دومنظوره» رقابت می‌کنند؛ ابزارهایی که هم می‌توانند حفره‌های امنیتی نرم‌افزارها را ببندند و هم اکسپلویت‌های ویرانگری خلق کنند.

این مدل‌ها بر پایه مدل زبانی بزرگ (LLM) — مانند کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — ساخته شده‌اند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، ایجاد حصارهای امنیتی همیشه پاسخگو نیست. شرکت Anthropic سعی کرد این ریسک را با گروه محدودی به نام Project Glasswing مدیریت کند، اما کاخ سفید معتقد است حصارهای مدل Claude Fable 5 به‌سادگی دور زده می‌شوند تا قابلیت‌های خطرناک Mythos 5 فعال شود. این نگرانی‌ها در حالی مطرح می‌شود که این شرکت پیش‌تر برای ارتقای عملکرد مدل‌های خود، حریم خصوصی داده‌های شرکتی را به بهای رسیدن به دقت بالاتر قربانی کرده بود.

به گزارش Wired، جزئیات فنی این وضعیت چند تنش کلیدی را نشان می‌دهد:

• Mythos 5: به‌طور اختصاصی برای شکار پیشرفته‌ی آسیب‌پذیری‌ها و توسعه‌ی اکسپلویت طراحی شده است.
• Claude Fable 5: برای عموم منتشر شد اما درخواست‌های مربوط به زیست‌شناسی و امنیت سایبری در آن مسدود بود؛ هرچند رگولاتورها این محدودیت‌ها را ناکافی می‌دانند.
• OpenAI: در اواسط آوریل ۲۰۲۶ مدل خصوصی خود را با تمرکز بر امنیت سایبری منتشر کرد که نشان‌دهنده‌ی یک روند کلی در صنعت است.

به باور بروس شنایر از دانشگاه هاروارد، این برخورد قانونی مشکل اصلی را حل نمی‌کند. مدل‌های کوچک‌تر با وزن‌های باز (Open Weights) — یعنی مدل‌هایی که دستور پختشان علناً منتشر شده است — همین حالا هم می‌توانند با پرامپت‌های پیچیده به همین سطح از عملکرد برسند. برای یک مدیر کسب‌وکار، این یعنی شکاف امنیتی با ممنوعیت‌های دولتی بسته نمی‌شود، بلکه ریسک از چند آزمایشگاه کنترل‌شده به هزاران توسعه‌دهنده‌ی بدون نظارت منتقل می‌شود.

گام بعدی شما

• بررسی کنید آیا ابزارهای امنیتی فعلی شما توانایی شناسایی کدهای تولیدشده توسط مدل‌های استدلالی را دارند یا خیر.
• احتمال انتقال مدل‌های سطح‌بالای سایر آزمایشگاه‌ها به نسخه‌های «فقط خصوصی» را برای پیش‌بینی هزینه‌های آینده در نظر بگیرید.
• بر روند انتشار مدل‌های کوچک‌تر اما بهینه‌شده در GitHub نظارت کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.