تصور کنید تمام لایه‌های دفاعی یک کشور بر پایه ابزارهایی باشد که کلید کنترل آن‌ها در دست شرکتی در آن سوی دنیاست؛ این همان ریسکی است که کره جنوبی اکنون می‌خواهد آن را حذف کند. دولت این کشور تصمیم گرفته است با سرمایه‌گذاری روی یک مدل بنیادی (Foundation Model) — شبیه به ساختن یک مغز مصنوعی که از ابتدا فقط برای درک کدهای مخرب و حفره‌های امنیتی آموزش دیده — استقلال سایبری خود را تضمین کند.
به گزارش منابع خبری، کنسرسیومی متشکل از ۳۲ سازمان به رهبری NAVER Cloud برای ساخت نخستین مدل بنیادی تخصصی امنیت سایبری کره جنوبی وارد رقابت شده است. این طرح که توسط وزارت علوم و ICT (MSIT) مدیریت می‌شود، هدفش جایگزینی مدل‌های خارجی با یک هوش مصنوعی حاکمیتی (Sovereign AI) است تا زیرساخت‌های حیاتی کشور دیگر به ابزارهای غیرداخلی وابسته نباشند. این رویکرد بومی‌سازی مدل‌ها برای حفظ حاکمیت ملی، مشابه تلاش‌های گسترده برای بومی‌سازی مدل‌های زبانی در کشورهای عربی است که برای کاهش وابستگی به فناوری‌های غربی دنبال می‌شود. این برنامه به‌طور خاص برای شتاب بخشیدن به تحول هوش مصنوعی (AX) در بخش امنیت سایبری داخلی طراحی شده است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی اهمیت استقلال داده‌ای در مدل‌های زبانی اشاره کردیم، این رویکرد برای امنیت ملی یک ضرورت است، نه یک انتخاب.
بیشتر ابزارهای امنیتی فعلی از مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — استفاده می‌کنند که صرفاً با اسناد امنیتی تنظیم دقیق (Fine-tuning) شده‌اند؛ یعنی شبیه به پزشک عمومی است که یک کتاب تخصصی جراحی خوانده است. اما پروژه جدید کره جنوبی بر پیش‌آموزش (Pre-training) مدل روی داده‌های تخصصی تمرکز دارد؛ درست مثل جراحی که ده سال در یک بخش خاص تجربه کسب کرده است.
زمینه و بستر پروژه
این برنامه توسط وزارت علوم و ICT (MSIT) و آژانس ملی ارتقای صنعت IT (NIPA) مدیریت می‌شود. هدف اصلی این است که قابلیت‌های هوش مصنوعی حاکمیتی داخلی‌سازی شود تا ابزارهای مورد استفاده برای حفاظت از زیرساخت‌های ملی، مستقل از مدل‌های بنیادی خارجی باشند.
طبق گزارش dev.to، مهلت ارسال پیشنهادها تا ۲۶ اوت ۲۰۲۶ تمدید شد. در حال حاضر رقابت بین دو قطب اصلی قدرت متمرکز شده است:
ائتلاف NAVER Cloud
این گروه با هدف «توسعه مدل بنیادی هوش مصنوعی برای داخلی‌سازی قابلیت‌های امنیت سایبری ملی» تشکیل شده و شامل یک اکوسیستم گسترده از ۳۲ شریک است:
- VIDRAFT و LG CNS که به‌جای تشکیل تیم‌های جداگانه، تلاش‌های خود را در این پیشنهاد ادغام کردند.
- غول‌های ابری و هوش مصنوعی: LG Uplus، LG AI Research و استارتاپ نیمه‌هادی‌های هوش مصنوعی HyperAccel.
- متخصصان امنیت: S2W (هوش تهدیدات داده‌های بزرگ)، SandZLab، Theori Korea، Logpresso، Sparrow، ESTsecurity و AI Spera.
- مراکز دانشگاهی: KAIST، POSTECH، دانشگاه ملی سئول و دانشگاه کره.
- اپراتورهای زیرساختی: شرکت برق و هسته‌ای کره (KHNP) و مؤسسه امنیت مالی کره.
ائتلاف SKT
تیم ۱۳ نفره به رهبری SKT شامل شرکت‌هایی چون Upstage، AhnLab، SK Shieldus، IGLOO Corporation، Raonsecure، Genians و Piolink است. پیشنهاد این گروه بر «سرویس‌های امنیتی عامل‌محور» (Agentic Security) تأکید دارد؛ یعنی ساخت عامل‌های (Agents) هوش مصنوعی خودمختاری که قادر به استدلال روی تله‌متری‌های امنیتی هستند و می‌توانند اقدامات پاسخ‌دهنده را بدون نیاز به دخالت مداوم انسان اجرا کنند.
جزئیات فنی و سازوکار
از نظر فنی، این مدل‌ها به‌جای داده‌های عمومی وب، روی یک مجموعه داده (Corpus) تخصصی آموزش می‌بینند. خط لوله آموزش از موارد زیر بهره می‌برد:
- هوش تهدیدات: فیدهای داده‌ای و گزارش‌های حوادث به زبان کره‌ای که مختص فضای تهدیدات داخلی است. این نیاز به ابزارهای دفاعی پیشرفته در حالی است که گزارش‌ها از افزایش چشمگیر حملات سایبری با کمک هوش مصنوعی توسط بازیگران دولتی خبر می‌دهند.
- داده‌های ساختاریافته: شناسه‌های CVE، نقشه‌برداری‌های MITRE ATT&CK و پایگاه‌های داده آسیب‌پذیری.
- آرتیفکت‌های فنی: بایت‌کدهای بدافزار، مجموعه‌های تحلیل بدافزار و لاگ‌های امنیتی.
هدف نهایی، ایجاد گردش کاری «مدل زبانی به‌مثابه تحلیلگر SOC» است که بتواند هشدارها را اولویت‌بندی و آسیب‌پذیری‌ها را بر اساس فضای تهدیدات خاص کره جنوبی تفکیک کند. این امر مستلزم آن است که مدل از همان ابتدا در معرض داده‌های ساختاریافته تهدیدات قرار گیرد، نه اینکه صرفاً به تنظیمات دقیق پس از آموزش متکی باشد.
این حرکت نشان می‌دهد که کشورها اکنون به هوش مصنوعی نه به عنوان ابزاری برای بهره‌وری، بلکه به عنوان یک مسئله امنیت ملی می‌نگرند. با ادغام مستقیم اپراتورهای زیرساخت‌های حیاتی مانند مؤسسه امنیت مالی کره در خط لوله آموزش، دولت تضمین می‌کند که هوش مصنوعی در محیط‌های واقعی و پرریسک اعتبارسنجی شود. ساختار بزرگ این کنسرسیوم‌ها به‌گونه‌ای طراحی شده است تا تمام زنجیره «داده تا استقرار»، از مجموعه‌داده‌های اختصاصی گرفته تا سخت‌افزار AI و زیرساخت‌های سرویس‌دهی را پوشش دهد.
برای مدیران کسب‌وکار، این موضوع نشان می‌دهد که عصر «یک مدل برای همه» به پایان رسیده است. ما در حال ورود به مرحله‌ای از مدل‌های بنیادی فوق‌تخصصی هستیم که در آن ارزش نه در اندازه مدل، بلکه در انحصار و کیفیت داده‌های آموزشی نهفته است.
زمان‌بندی و دسترسی
نتایج انتخاب دولت پس از بررسی اسناد و ارزیابی کارشناسان خارجی بر اساس ارائه‌ها، در اوایل سپتامبر ۲۰۲۶ اعلام خواهد شد. شایان ذکر است که شرکت KT این فرصت را بررسی کرد اما در نهایت پیشنهادی ارسال نکرد.
پس از انتخاب برنده، پروژه وارد یک جدول زمانی اجرایی دو مرحله‌ای می‌شود که هدف آن تکمیل تا ژوئیه ۲۰۲۷ است. در حال حاضر دسترسی عمومی برای توسعه‌دهندگان فراهم نیست و هیچ مخزنی در Hugging Face یا API معرفی نشده است. توسعه‌دهندگان باید کانال‌های رسمی VIDRAFT، اکوسیستم HyperCLOVA شرکت NAVER Cloud و اطلاعیه‌های MSIT/NIPA را برای زمان‌بندی تحویلات آینده دنبال کنند.
گام بعدی شما
- اگر در حوزه امنیت سایبری فعال هستید، مدل‌های تخصصی (Domain-specific) را جایگزین مدل‌های عمومی کنید.
- روی جمع‌آوری داده‌های ساختاریافته (مانند لاگ‌های اختصاصی) برای پیش‌آموزش مدل‌های کوچک تمرکز کنید.
- استراتژی‌های «عامل‌محور» را برای اتوماسیون پاسخ به تهدیدات در سازمان خود بررسی کنید.
اما داستان سخت‌افزاری این تحول و نقش تراشه‌های تخصصی در کاهش هزینه استنتاج حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی شتاب‌دهنده‌های AI مراجعه کنید.
گفتگو