ضرر ۵ میلیارد دلاری دیگر یک ریسک دوردست نیست، بلکه واقعیتی است که ثابت می‌کند بازبینی دستی کدها برای اکوسیستم‌های پیچیده بلاک‌چین در سال ۲۰۲۶ دیگر مقیاس‌پذیر نیست. طبق راهنمای منتشرشده در ۲۴ سپتامبر ۲۰۲۶ در وب‌سایت dev.to، ابزارهای امنیتی مبتنی بر هوش مصنوعی اکنون به اولین خط دفاعی تبدیل شده‌اند تا آسیب‌پذیری‌ها را پیش از استقرار متوقف کنند.
این چرخش راهبردی شبیه به حرکت عامل‌های هوش مصنوعی به سمت سخت‌افزارهای تخصصی است؛ همان‌طور که مدل Muse AI شرکت متا از جاکلیدی‌ها به عینک‌های هوشمند منتقل شد. در فضای بلاک‌چین نیز هدف، جایگزینی بررسی‌های انسانیِ تک‌مرحله‌ای با یک لایه امنیتی مستمر و خودکار است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، اتکای مطلق به یک متدولوژی سنتی در برابر پیچیدگی‌های جدید شکست می‌خورد.
جریان‌های کاری مدرن اکنون مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — را که روی مجموعه‌داده‌هایی مثل SWC Registry یا گزارش‌های Immunefi تحت تنظیم دقیق (Fine-tuning) — شبیه وقتی که به یک پزشک عمومی تخصص پوست می‌دهیم تا روی یک حوزه دقیق شود — قرار گرفته‌اند، با ابزارهای تحلیل استاتیک مانند Slither ترکیب می‌کنند. در حالی که تحلیل‌گرهای استاتیک الگوهای شناخته‌شده را می‌یابند، مدل‌های زبانی برای شناسایی نقص‌های پیچیده منطقی به کار می‌روند. توسعه‌دهندگان این سازوکار را از طریق عامل‌های مبتنی بر API اجرا می‌کنند که در مرحله git push، کدها را با مدل‌هایی مثل audit-gpt-4o-2026 اسکن می‌کنند.
به نقل از این راهنما، برای جلوگیری از توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، مثل دوستی که خاطره‌ای را اشتباه تعریف می‌کند — سه رکن معماری ضروری است:
- تحلیل آگاه از زمینه: ارائه محیط استقرار، ABI و مستندات طراحی سطح بالا به هوش مصنوعی.
- تأیید چندمدلی: استفاده از «کمیته‌ای از عامل‌ها» که در آن مدل‌های مجزا، بهینه‌سازی Gas، نقص‌های منطقی و اکسپلویت‌های اقتصادی را بررسی می‌کنند.
- حضور انسان در چرخه: اولویت‌بندی بازبینی دستی تنها زمانی که حداقل دو عامل هوش مصنوعی روی یک خط کد هشدار دهند.
برای یک توسعه‌دهنده، این یعنی نقش حسابرس از یک «شکارچی باگ» به «تأییدکننده ریسک‌های شناسایی‌شده توسط AI» تغییر می‌کند. این رویکرد زمان استقرار را کم و پوشش اکسپلویت‌های اقتصادی در لبه‌های سیستم را — که تأیید رسمی سنتی اغلب آن‌ها را نادیده می‌گیرد — افزایش می‌دهد.
با استاندارد شدن ارکستراسیون هوش مصنوعی، همین منطق در معاملات نیز ظاهر شده است؛ بات‌های سیگنال مدرن اکنون به‌جای میانگین‌های متحرک ساده، از مدل‌های زبانی برای «تحلیل تکنیکال آگاه از احساسات» استفاده می‌کنند.
گام بعدی شما
- بررسی کنید آیا خط لوله CI/CD شما شامل مرحله تأیید چندعاملی است یا خیر.
- برای کاهش نرخ توهم، مستندات ABI را به عنوان زمینه (Context) به مدل‌های امنیتی خود تزریق کنید.
- مدل‌های تخصصی مانند audit-gpt را جایگزین مدل‌های عمومی برای بازبینی کد کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو