تصور کنید یک تیم کامل از هکرهای کلاه سفید و متخصصان امنیت، شبانه‌روز روی کد شما حمله کنند و بلافاصله هر حفره‌ای را ببندند، بدون اینکه حتی یک خط داده از سیستم شما خارج شود. DUALAI Arena که در ۴ سپتامبر ۲۰۲۶ در نسخه بتا منتشر شد، دقیقاً همین تجربه را با تبدیل امنیت کد به یک «بتل رویال» میان عامل‌های هوش مصنوعی (AI Agents) — شبیه به کارمندانی دیجیتال که می‌توانند به‌طور مستقل تصمیم بگیرند و ابزارها را اجرا کنند — فراهم می‌کند.
به گزارش مستندات این پروژه، این رویکرد در زمانی عرضه شده که توسعه‌دهندگان برای محافظت از مالکیت معنوی، به‌شدت به دنبال انتقال محاسبات هوش مصنوعی از ابر به سیستم‌های محلی هستند. این تمایل به بومی‌سازی پردازش‌ها، در راستای تغییر اولویت‌های جدید در مهندسی هوش مصنوعی است که مدل‌های محلی را به جای APIهای ابری ترجیح می‌دهند. همان‌طور که در تحلیل قبلی ما درباره‌ی خوشه‌های استنتاج محلی انویدیا اشاره کردیم، تمرکز ابزارهای جدید از محاسبات عمومی به سمت حسابرسی‌های تخصصی امنیتی تغییر کرده است.
این پلتفرم که از طریق یک فایل .exe روی ویندوز اجرا می‌شود، بر اساس یک مکانیزم تخاصمی عمل می‌کند:
- تیم قرمز (Red Team): ترکیبی از مدل OpenAI و یک مدل محلی Llama 3.1 که به‌طور بی‌امان به پروژه حمله کرده و آن را تحت فشار قرار می‌دهند.
- تیم آبی (Blue Team): عامل‌هایی که برای آسیب‌پذیری‌های کشف‌شده، در لحظه کد اصلاحی می‌نویسند.
- اجبار به اجماع: اصلاحات تنها زمانی ادغام می‌شوند که هر دو عامل (مهاجم و مدافع) ۱۰۰٪ بر سر راهکار موافق باشند.
- موتور فراموشی اجباری: یک لایه حریم خصوصی برای تضمین محلی ماندن داده‌های پروژه.
این تمرکز بر اجرای محلی عامل‌ها، یادآور رویکرد پرتپلکسی در محلی‌سازی استنتاج عامل‌ها است که با سخت‌افزارهای قابل حمل این مسیر را هموار کرد. طبق اعلام سازندگان، اجبار به توافق میان یک مدل ابری و یک مدل محلی، ریسک توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، مثل دوستی که خاطره‌ای را اشتباه تعریف می‌کند — در وصله‌های امنیتی را به‌شدت کاهش می‌دهد. برای توسعه‌دهنده، این یعنی تغییر نقش از یک بازبین دستی به یک ناظر ارشد که چرخه «حمله-اصلاح-تأیید» را مدیریت می‌کند.
گام بعدی شما
- نسخه بتای این پلتفرم را از طریق Payhip دریافت کنید تا کارایی آن در برابر ابزارهای تحلیل ایستا (Static Analysis) بسنجید.
- مدل‌های محلی Llama 3.1 را برای افزایش سرعت استنتاج در محیط ویندوز بهینه کنید.
- گردش‌کار خود را از بازبینی دستی به مدل نظارتی (Supervisory) تغییر دهید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو