تصور کنید کدهایی که سیستم‌عامل‌ها، ابزارهای امنیتی، زیرساخت‌های وب و سیستم‌های رمزنگاری را می‌چرخانند، ناگهان در برابر یک ماشین بی‌دفاع شوند. طبق اعلام تاد هممن، معاون دستیار مدیر بخش قابلیت‌های سایبری FBI، این لایه‌های بنیادی دقیقاً همان جایی هستند که نقص‌های نرم‌افزاری شناسایی شده توسط مدل Mythos شرکت Anthropic در آن‌ها نهفته‌اند.
در تاریخ ۲۸ ژوئیه ۲۰۲۶، هممن در کنفرانس 930gov مؤسسه دولت دیجیتال در واشینگتن هشدار داد که توانایی مدل‌های هوش مصنوعی در شناسایی چنین نقص‌هایی در حال حرکت به سمت یک «عملیاتی‌سازی در مقیاس صنعتی» است. به همین دلیل، FBI اکنون شناسایی خودکار آسیب‌پذیری‌ها را به عنوان یک بحران قریب‌الوقوع در اجرای قانون می‌بیند که «چالش‌های آینده‌ای را برای نهادهای انتظامی ایجاد می‌کند».
این تحول در زمانی رخ می‌دهد که مرز بین پژوهش‌های دفاعی و سلاح‌های تهاجمی در حال محو شدن است. همان‌طور که در تحلیل قبلی ما درباره‌ی اینکه چرا روش‌های سنتی Fuzzing اغلب در یافتن باگ‌های دنیای واقعی از LLMها بهتر عمل می‌کنند اشاره کردیم، اکنون صنعت شاهد ظهور نسل جدیدی از مدل‌های «پیشرو» (Frontier Models) است که می‌توانند تست‌های خودکار قدیمی را دور بزنند. تهدید دیگر تئوریک نیست؛ بحث بر سر این است که این قابلیت‌ها «چه زمانی» به سلاح تبدیل می‌شوند، نه «آیا» تبدیل می‌شوند یا خیر. هممن اشاره کرد که اگرچه اداره اف‌بی‌آی هنوز این روند را در مقیاس صنعتی مشاهده نکرده است، اما انتظار می‌رود تاریخی فرا برسد که این اتفاق رخ دهد.
هوش مصنوعی زاینده (Generative AI) — شبیه جادوگری است که می‌تواند هزاران نسخه از یک قفل را در یک ثانیه امتحان کند تا کلید درست را بیابد — اکنون در حال تبدیل شدن به ابزاری برای نفوذ در مقیاس وسیع است. به گزارش اف‌بی‌آی، اگرچه هنوز حمله‌ای در مقیاس صنعتی دیده نشده، اما انتظار می‌رود چنین اتفاقی به‌زودی رخ دهد.
قابلیت‌های مدل Mythos 5
بر اساس گزارشی از تیم قرمز مدل‌های پیشرو در شرکت Anthropic که در ۷ آوریل ۲۰۲۶ منتشر شد، مدل Mythos توانست حفره‌های ناشناخته‌ای را در تمامی سیستم‌عامل‌ها و مرورگرهای وب که برای تحلیل به آن ارجاع داده شده بودند، شناسایی و اکسپلویت کند. موفقیت این مدل تنها به کدهای جدید محدود نمی‌شد، بلکه توانست آسیب‌پذیری‌هایی را که سال‌ها خاموش مانده بودند، بیرون بکِشد:
- یک باگ ۲۷ ساله در OpenBSD که به مهاجم اجازه می‌دهد هر ماشینی را که در حال پاسخگویی به ترافیک شبکه است، کرش کند.
- یک نقص ۱۶ ساله در کتابخانه ویدئویی FFmpeg که سال‌ها از تست‌های خودکار جان سالم به در برده بود.
- یک نقص دور-رس (Remote) در سرور فایل شبکه FreeBSD که مدل برای آن یک اکسپلویت root کامل را بدون هیچ‌گونه کمک انسانی نوشت.
اقتصاد پنهان هک با هوش مصنوعی
هزینه این پیشرفت‌ها به‌طرز عجیبی پایین است. شرکت Anthropic گزارش داد که شناسایی باگ OpenBSD نتیجه حدود ۲۰,۰۰۰ دلار هزینه اجرا در قالب هزاران تلاش بود. نکته تکان‌دهنده و کلیدی این است که تنها یک اجرای موفق که در نهایت منجر به شناسایی باگ شد، کمتر از ۵۰ دلار هزینه داشت.
هشدار جدی‌تر مربوط به مقیاس ریسک‌های شناسایی‌نشده است. این شرکت اعلام کرد که در زمان انتشار گزارش، کمتر از ۱ درصد از حفره‌های شناسایی‌شده توسط مدل، به‌طور کامل وصله (Patch) شده بودند. این آمار نشان می‌دهد که مثال‌های منتشرشده در گزارش، تنها کفِ سطح آسیب‌پذیری‌ها هستند، نه سقف آن و حجم تهدیدات بسیار گسترده‌تر است.
اکوسیستم‌های دفاعی و رقابت
به دلیل اینکه این شرکت مدل را به‌طور عمومی منتشر نخواهد کرد، Anthropic پروژه Glasswing را راه‌اندازی کرد. این برنامه دفاعی با ۱۰۰ میلیون دلار اعتبار استفاده (Usage Credits) پشتیبانی می‌شود. شرکای این پروژه شامل Amazon Web Services (AMZN)، Apple (AAPL)، Cisco، CrowdStrike (CRWD)، JPMorganChase، بنیاد لینوکس و Palo Alto Networks (PANW) هستند.
رقیبان نیز همان سطح از قابلیت را هدف قرار داده‌اند. در ژوئیه ۲۰۲۶، شرکت Microsoft (MSFT) مدل امنیتی خود را در قالب پروژه Perception با مدل Mythos محک زد تا توانایی‌هایش را در برابر این رقیب ارزیابی کند.
پاسخ نظارتی واشینگتن
مقامات آمریکا به‌جای تدوین قوانین خاص برای هوش مصنوعی، از قوانین صادراتی استفاده کردند. در ۱۲ ژوئن ۲۰۲۶، وزارت بازرگانی کنترل‌های صادراتی را بر مدل‌های Fable 5 و Mythos 5 اعمال کرد تا دسترسی اتباع خارجی را مسدود کند. این تصمیم در پی گزارشی از آمازون اتخاذ شد که در آن روشی برای دور زدن حفاظ‌های امنیتی مدل Fable 5 تشریح شده بود. این تلاش برای کنترل دسترسی، در حالی صورت می‌گیرد که مدل‌های متن‌باز چینی در برابر گاردریل‌های سخت‌گیرانه غربی به عنوان جایگزین‌هایی برای کاربران خارج از حوزه نظارت آمریکا مطرح شده‌اند.
به دلیل اینکه راهی برای تأیید ملیت کاربران در لحظه (Real-time) وجود نداشت، Anthropic هر دو مدل را برای همه کاربران خاموش کرد. این مدل‌ها تا ۳۰ ژوئن ۲۰۲۶ آفلاین ماندند تا Anthropic یک طبقه‌بندی‌کننده (Classifier) جدید آموزش دهد و مرکز استانداردها و نوآوری هوش مصنوعی وزارت بازرگانی آن را تست کند. این اصلاحیه منجر به هزینه‌ای برای مدافعان شد، زیرا اکنون بسیاری از درخواست‌های برنامه‌نویسی و دیباگینگ بی‌خطر نیز مسدود می‌شوند.
چارچوب هوش مصنوعی پیشرفته
یک ساختار گسترده‌تر از طریق فرمان اجرایی ۲ ژوئن ۲۰۲۶ درباره امنیت هوش مصنوعی پیشرفته ایجاد شد. این فرمان سه مکانیسم اصلی را فعال کرد:
- مرکز تبادل (The Clearinghouse): یک بدنه مشترک دولتی-صنعتی به رهبری وزارت خزانه‌داری، مدیر ملی سایبری، NSA و آژانس امنیت سایبری آمریکا برای جلوگیری از تداخل در اسکن‌های آسیب‌پذیری و اولویت‌بندی توزیع وصله‌ها.
- محک‌زنی طبقه‌بندی‌شده (Classified Benchmarking): فرآیندی تحت مدیریت مدیر NSA برای شناسایی «مدل‌های پیشرو پوشش‌داده‌شده». این مسیر شامل یک رویکرد داوطلبانه برای توسعه‌دهندگان است تا به دولت دسترسی پیش از انتشار (تا ۳۰ روز) بدهند. این فرمان صراحتاً الزامات لایسنس یا تأییدیه پیش‌نیاز را رد می‌کند؛ مرزی که OpenAI از کاخ سفید خواسته تا برای سرعت بخشیدن به بررسی‌ها، در آن تجدیدنظر کند.
- دستورات تعقیب کیفری: دستور به دادستانی کل برای اولویت‌بندی پرونده‌های تحت قوانین موجود کلاهبرداری رایانه‌ای، سرقت هویت و کلاهبرداری سیم‌کشی (Wire-fraud) در صورتی که عامل‌های AI برای نفوذ به سیستم‌ها به کار گرفته شوند.
نبرد برای اجرای قانون
برای FBI، نگرانی اصلی «انتساب» (Attribution) است. وقتی شناسایی حفره‌ها دیگر نیاز به تخصص نادر و نخبگان انسانی نداشته باشد، دایره مظنونین احتمالی گسترده می‌شود. این امر باعث می‌شود محدود کردن تحقیقات و یافتن مقصر واقعی برای نیروهای انتظامی به‌طور قابل توجهی سخت‌تر شود.
در حال حاضر، Mythos 5 فقط برای سازمان‌های تاییدشده آمریکایی در دسترس است، اما زیرساخت آن با مدل Claude Fable 5 که به‌طور گسترده فروخته می‌شود، مشترک است. تست‌های داخلی Anthropic نشان داد مدل‌های ضعیف‌تر و در دسترس‌تر نیز می‌توانستند همان حفره‌هایی را پیدا کنند که منجر به دخالت دولت در ژوئن ۲۰۲۶ شد.
برای مقابله با این وضعیت، اولویت دادستانی بر قوانین کلاهبرداری، وظیفه نقشه‌برداری از حملات منجر شده توسط AI و متصل کردن آن‌ها به بازیگران انسانی را به FBI سپرد. این اداره اکنون از همان محدوده نظارتی استفاده می‌کند که واشینگتن برای کنترل صادرات و تهدید به لیست سیاه شرکت Moonshot چین به دلیل استفاده از distillation (تقطیر مدل) به کار برده است.
پذیرش داخلی AI در اف‌بی‌آی
خودِ اداره FBI نیز مصرف‌کننده AI است. هممن به تشخیص چهره به عنوان یک قابلیت سازمانی اشاره کرد. کارکنان از AI برای دسته‌بندی (Triage) گزارش‌های عمومی جنایات، پشتیبانی از عملیات‌های تهاجمی مورد تأیید دادگاه و انجام پژوهش‌ها استفاده می‌کنند، هرچند تمام خروجی‌ها نیاز به بررسی نهایی انسانی دارند.
فهرست موارد استفاده AI در وزارت دادگستری برای سال ۲۰۲۵، تعداد ۳۱۵ مورد را ثبت کرده که ۳۰.۷ درصد افزایش نسبت به سال قبل دارد. FBI حدود ۵۰ مورد از این‌ها را بر عهره دارد که بیش از دو برابر تعداد موارد سال ۲۰۲۴ است. حدود ۲۷ مورد از این‌ها در دسته «اجرای قانون» قرار دارند و چندین پروژه جدید در حال تولید سرنخ‌هایی از طریق تطبیق چهره هستند.
با این حال، شفافیت همچنان یک شکاف بزرگ است. طبق یادداشت بودجه کاخ سفید در سال ۲۰۲۵، سازمان‌ها تا ۳ آوریل ۲۰۲۶ فرصت داشتند مدیریت ریسک برای AIهای اثرگذار (High-impact) را مستند کنند یا استفاده از آن‌ها را متوقف نمایند. فهرست‌ها نشان می‌دهد FBI برای هیچ‌کدام از استقرار‌های اثرگذارش (که همگی کاربردهای پلیسی هستند) این مراحل مستندسازی را طی نکرده است.
تلاقی قابلیت‌های تهاجمی AI و عقب‌ماندگی مدیریت ریسک داخلی، مرز جدید سایبری را تعریف می‌کند. در حالی که مدل‌های امنیتی Microsoft خود را با Mythos می‌سنجند، مسابقه بین اکسپلویت خودکار و وصله خودکار وارد مرحله‌ای حساس و پرمخاطره شده است.
منتظر اولین پرونده بزرگ علنی از نفوذ «به رهبری عامل هوش مصنوعی» باشید، زیرا اولویت‌های جدید تعقیب کیفری FBI احتمالاً این پرونده‌ها را به محور اصلی دادگاه‌های آتی جرایم سایبری فدرال تبدیل خواهد کرد.
گام بعدی شما
- اگر مدیر زیرساخت هستید، بررسی کنید که آیا تمام سیستم‌های قدیمی (Legacy) شما با وصله‌های به‌روزرسانی شده ۲۰۲۶ هماهنگ هستند یا خیر.
- برای تیم‌های امنیت، رصد گزارش‌های Red Team شرکت Anthropic برای شناسایی الگوهای نفوذ مدل‌های پیشرو ضروری است.
- دنبال کنید که اولین پرونده کیفری «عامل‌محور» در دادگاه‌های فدرال آمریکا چگونه تعریف می‌شود، زیرا این الگوی جدید تعقیب جرایم سایبری خواهد بود.
اما داستان سخت‌افزاری این نبرد حتی پیچیده‌تر است؛ برای درک اینکه پردازش‌های استنتاجی این مدل‌ها روی چه تراشه‌هایی اجرا می‌شوند، به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو