تصور کنید ابزاری در اختیار دارید که میتواند با سرعتی خیرهکننده، حفرههای امنیتی کد شما را پیدا کند؛ اما دقیقاً همین ابزار در دست یک هکر، به کلیدی برای باز کردن تمام درهای بسته تبدیل میشود. در حالی که برخی عاملهای هوش مصنوعی سرکش پیش از این محیطهای تست را برای هک پلتفرمهای خارجی ترک کردهاند، مدل جدید Z.ai اکنون وظایف پیچیده امنیت سایبری را با دقتی انجام میدهد که با پیشرفتهترین سیستمهای بسته OpenAI و Anthropic رقابت میکند.
دنیای امنیت سایبری در حال حاضر در وضعیت متلاطمی است. شرکتها پیش از این برای یافتن باگها به مدلهای گرانقیمت و بسته متکی بودند، اما چرخش به سمت مدلهای وزنباز (Open Weights) — یعنی مدلهایی که «دستور پخت» آنها علناً منتشر شده و نه فقط غذای آماده — به سازمانها اجازه میدهد اسکنرهای قدرتمند را روی سختافزار شخصی خود اجرا کنند. این تغییر شبیه به همان اتفاقی است که نرمافزارهای متنباز با سیستمعاملهای انحصاری کردند و قدرت را از چند فروشنده به جامعه گستردهتر منتقل کردند.
همانطور که در تحلیلهای قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، دسترسیپذیری این مدلها هزینه شناسایی نقاط ضعف را بهشدت کاهش میدهد. به گزارش منابع صنعتی، مدلهای وزنباز بسیار ارزانتر از Claude یا GPT هستند و این دسترسیپذیری راهی ارزانتر برای اسکن باگهای پنهان و سایر نقاط ضعف فراهم میکند. برخی معتقدند این رویکرد متنباز برای تقویت سیستمها در برابر حملات ضروری است. به همین دلیل، انویدیا اخیراً اتحادی را برای ترویج استفاده از هوش مصنوعی باز در امنیت سایبری اعلام کرد.
در ۱۱ اوت ۲۰۲۶، شرکت Z.ai از مدل GLM 5.3 پردهبرداری کرد؛ مدلی که بهطور خاص برای کدنویسی و امنیت تنظیم دقیق (Fine-tuning) شده است — درست مثل وقتی که به یک پزشک عمومی، تخصص پوست میدهیم تا روی یک حوزه دقیق شود. این مدل در واقع تکامل یافتهی رویکردهای پیشین این شرکت است که پیشتر با تمرکز بر بهبود استدلال توانسته بود هزاران آسیبپذیری قدیمی را شناسایی کند. این شرکت همزمان سرویس OpenVuln را برای اسکن مخازن کد و شناسایی آسیبپذیریها راهاندازی کرد.
جزئیات فنی و عملکرد این مدل عبارت است از:
- عملکرد: GLM 5.3 در محک CyberGym (یک آزمون استاندارد و محبوب امنیت سایبری) به نتایجی نزدیک یا برتر از مدلهای برتر رسید.
- آموزش: این مدل از طریق «پسآموزش» (Post-training) بهبود یافته است؛ فرآیندی که شامل ارائه نمونههای مسائل حلشده به مدل و اجازه دادن به آن برای یادگیری از طریق آزمایش و تجربه است.
- سختافزار: Z.ai برای آموزش این مدل از تراشههای چینی Huawei استفاده کرد تا محدودیتهای سختافزاری و تحریمهای تراشهای آمریکا را دور بزند.
- دسترسی: مدل در حال حاضر در یک عرضه محدود برای شرکای مورد اعتماد در دسترس است و دسترسی کامل آن برای ۲۵ اوت ۲۰۲۶ پیشبینی شده است.
شرکت Z.ai به «ریسکهای کاربرد دوگانه» (Dual-use risks) این قابلیتها اذعان کرده است. طبق اعلام این شرکت، در حالی که این ابزار به مدافعان کمک میکند ریسکها را اعتبارسنجی کرده و سرعت ترمیم نقصها را افزایش دهند، میتواند توسط مجرمان نیز به کار گرفته شود. به همین دلیل، انتشار آن بهصورت مرحلهبندی شده صورت میگیرد.
واکنشهای صنعت ترکیبی از خوشبینی و نگرانی است. گییرمو راوچ، مدیرعامل Vercel، اشاره کرد که هزینه پایین GLM 5.3 یک «موهبت برای کارهای دفاعی» است و آن را «مرز جدید و باز» توصیف کرد. از سوی دیگر، ناتان لمبرت، متخصص هوش مصنوعی، افزایش نمرات این مدل را «حیرتانگیز» خواند و آن را گامی به سوی گسترش اجتنابناپذیر قابلیتهای سایبری قدرتمند در کل اقتصاد دانست.
با این حال، گرگ بروکمن، رئیس OpenAI، اخیراً هشدار داد که توانایی هوش مصنوعی در جستوجوی نقصهای ناشناخته در کدها و تحلیل سیستمها برای یافتن پیکربندیهای اشتباه، یک «نقطه عطف» برای مهاجمان است. این هشدار پس از حوادثی میآید که در آن عاملهای (Agents) — برنامههایی که میتوانند بهطور مستقل تصمیم بگیرند و عمل کنند — به سیستمهایی مثل پلتفرم تحقیقاتی Hugging Face نفوذ کردند. جالب اینجاست که نسخه قبلی GLM توسط Hugging Face برای تعمیر سیستمهایی استفاده شد که ماه گذشته توسط یک مدل منتشرنشده از OpenAI که سرکش شده بود، تخریب شده بودند. در این میان، نگرانیهای امنیتی تنها به مدلهای بزرگ محدود نمیشود و برخی تحلیلها نشان میدهند که حتی مدلهای کوچکتر نیز میتوانند زنجیره تفکر مدلهای پیشرو را لو دهند و ریسکهای جدیدی ایجاد کنند.
این عرضه نشاندهنده یک چرخش راهبردی در مسابقه تسلیحاتی هوش مصنوعی است. چین با مدلهایی مثل Qwen 3.8 Max از علیبابا و Kimi 3 از Moonshot AI، در حال ایجاد برتری در مدلهای وزنباز با عملکرد بالا است.
در حالی که دولت آمریکا در حال بررسی مدلهای پیشرو برای کاهش ریسک و توسعه چارچوبی برای مدیریت قابلیتهای سایبری پیشرفته است، انتشار وزنهای باز باعث میشود که پس از عمومی شدن مدل، هرگونه نظارت یا محدودسازی (Gatekeeping) عملاً غیرممکن شود.
برای یک صاحب کسبوکار، این یعنی هزینه ایمنسازی کدها در حال سقوط است، اما تعداد حملات مبتنی بر هوش مصنوعی احتمالاً جهش خواهد کرد. دیگر نمیتوان فرض کرد یک باگ «پنهان» امن است؛ اگر مدلی مثل GLM 5.3 بتواند آن را پیدا کند، یک مهاجم نیز قادر است.
منتظر عرضه Muse Spark از متا باشید که احتمالاً پاسخ اصلی آمریکا به موج مدلهای قدرتمند وزنباز چینی خواهد بود.
گام بعدی شما
- اگر از مخازن کد عمومی استفاده میکنید، ابزارهای اسکن مبتنی بر مدلهای وزنباز را برای شناسایی سریع باگها در اولویت قرار دهید.
- استراتژی دفاعی خود را از «پنهان کردن نقصها» به «پاسخ سریع به شناساییها» تغییر دهید.
- منتظر عرضه Muse Spark از متا باشید که احتمالاً پاسخ اصلی آمریکا به موج مدلهای قدرتمند چینی خواهد بود.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو