مدل‌های هوش مصنوعی زاینده (Generative AI) با وزن‌های باز (Open Weights) اکنون در تست‌های هک شبکه سازمانی تقریباً هم‌سطح مدل‌های بسته‌ی پیشرو قرار گرفته‌اند — و هزینه اجرای هر حمله را به یک دهم رسانده‌اند. این نتیجه از پژوهش تازه شرکت Vals است که قابلیت‌های سایبری مدل‌ها را در شبکه‌های جعلی ارزیابی می‌کند.
نیکیل راوی (Nikil Ravi)، محقق Vals، می‌گوید: «بهترین مدل‌های مرزی (Frontier) که در آزمایشگاه‌ها قفل شده‌اند و تنها از طریق برنامه‌های دسترسی مطمئن در دسترس‌اند، اکنون شروع شده‌اند توسط مدل‌های باز که هر کسی می‌تواند دانلود کند، هم‌سطح شوند.» این یافتن نشان می‌دهد مدل‌های بسته دیگر برتری قطعی در مهارت‌های سایبری ندارند؛ بنابراین تلاش‌های اخیر آزمایشگاه‌های پیشرو برای محدود کردن دسترسی به مدل‌هایشان — و با این کار کند کردن گسترش چنین قابلیت‌هایی — ممکن است بی‌معنا شده باشد. این یافتن در راستای بحثی است که مدل‌های وزن‌باز انحصار قدرت آزمایشگاه‌های پیشرو را به چالش کشیده‌اند.
Vals دو سناریوی شبیه‌سازی‌شده را طراحی کرده بود: در اول، مدل باید از طریق یک وب‌سایت عمومی به شبکه جعلی یک شرکت نفوذ کند؛ در دوم، باید ابتدا شبکه یک شرکت را به خطر بیندازد تا به شبکه شرکت دوم دسترسی یابد. محققان مدل‌های مختلف را با وظایف خاص و چندمرحله‌ای (Multi-step) در این محیط‌ها روبرو کردند و نرخ موفقیت و هزینه استنتاج (Inference) را ثبت کردند. تست‌ها در میانگین دو اجرا تکرار شد.
به نقل از گزارش منتشرشده، پیشرفته‌ترین مدل سایبری OpenAI به نام Daybreak — که تنها از طریق برنامه‌های دسترسی مطمئن در دسترس است — ۸۱٪ از وظایف را در میانگین دو تست کامل کرد. مدل چینی DeepSeek با وزن‌های باز ۷۳٪ اهداف را به انجام رساند و در برخی وظایف نمرات یکسان ثبت کرد. این شکاف ۸ درصدی کوچک‌ترین فاصله گزارششده تا به امروز است. نوشتن مدل چینی DeepSeek در این تست‌ها، یادآور رویداد تلاش مدل Qwen3.8 برای آپلود داده‌ها به باکتی در پکن است.
تفاوت هزینه اما شگفت‌انگیزتر است: Vals برآورد می‌کند اجرای یک حمله با GPT-6-Sol بین ۱۷ تا ۴۶ دلار توکن هزینه دارد، در حالی که همان کار با DeepSeek تنها ۲ تا ۳ دلار برآورد می‌شود. مدل‌های باز به طور کلی ارزان‌ترند چون می‌توان آن‌ها را روی سخت‌افزار خود اجرا کرد. رایان کریشنان (Rayan Krishnan)، مدیرعامل Vals، می‌گوید این ارزانی قوی‌ترین انگیزه برای تیم‌های دفاعی است تا از مدل‌های باز به جای مالکیتی استفاده کنند، زیرا کنترل کامل دارند و وابستگی به API خارجی ندارند.
OpenAI تا لحظه انتشار گزارش به درخواست نظر پاسخ نداده است.
زمینه این یافتن به آوریل ۲۰۲۶ برمی‌گردد وقتی آنتروپیک (Anthropic) مدل Claude Mythos Preview را با دسترسی محدود منتشر کرد. آنتروپیک و آزمایشگاه‌های مرزی آمریکا، انتشار محدود مدل‌های جدید را بر این پیش‌فرض بنا نهادند که دسترسی نیرومند (Gated Access) تنها زمان می‌خرد تا قبل از اینکه قابلیت‌های پیشرفته هک به طور گسترده در دسترس باشند. لاگان گراهام (Logan Graham)، رهبر تیم قرمز پیشرو آنتروپیک، در مصاحبه با WIRED گفت پروژه Project Glasswing هدف دارد ابزارهای پیشرفته را «در دست مدافعان قرار دهد تا پیش‌دستی داشته باشند». او اضافه کرد: «ما باید برای دنیایی آماده شویم که در ۶، ۱۲ یا ۲۴ ماه این قابلیت‌ها به طور گسترده در دسترس باشند. بسیاری از چیزهای امنیتی متفاوت خواهند بود.» هفت ماه بعد، این گذار به نظر می‌رسد طبق برنامه رخ داده باشد. این رویکرد با اقدام اخیر آنتروپیک در کاهش داده‌های قابل تقطیر در کلود هم‌خط است.
اما تصویر کامل‌تر پیچیده‌تر است. کارشناسان همچنان بحث می‌کنند که آیا هوش مصنوعی زاینده (Generative AI) اساس‌های مفهومی دفاع سایبری را تغییر داده یا تنها چالش‌های موجود را تقویت کرده است. بخش زیادی از سال در امنیت سایبری همان‌طور پیش‌بینی شده پیش رفته: هوش مصنوعی وظایف اصلی هک را خودکار کرده تا هم مهاجمان و هم مدافعان تعداد عظیمی از آسیب‌پذیری‌های جدید در کد را پیدا کنند و به سرعت شبکه‌ها را برای ضعف‌ها بررسی کنند. اگرچه سرعت و مقیاس یافتن‌ها و شدت رفع اشکای نرم‌افزاری همه افزایش یافته، هنوز روشن نیست که هوش مصنوعی نوع جدیدی از تهدید است یا چالش‌های قدیمی را تقویت می‌کند.
حقیقت اینکه مدل‌های وزن‌باز اکنون شروع کرده‌اند به مدل‌های بسته هم‌سطح شوند، برای درک نحوه بهره‌برداری هکرهای جنایی از هوش مصنوعی و نحوه پاسخ شرکت‌ها و توسعه‌دهندگان حیاتی است. اما در عمل، مشاهدات واقعی فعالیت هکرهای جنایی و دولتی در ماه‌های اخیر بارها نشان داده که مهاجمان همچنان منابع خود را حفظ می‌کنند و برای اکثر عملیات از مدل‌های قدیمی‌تر و کمتر قادر — هم مالکیتی و هم باز — استفاده می‌کنند. حتی با کنترل‌های سخت، مدافعان باید فرض کنند مهاجم‌های با بودجه بالا و انگیزه قوی از قبل حداقل دسترسی جزئی به مدل‌های بسته داشته‌اند.
الکس زنلا (Alex Zenla)، هم‌بنیان‌گذار و مدیر فناوری Edera، می‌گوید: «من به طور کلی موافقم که مدل‌های وزن‌باز امروز قادرند حملات و آسیب‌پذیری‌های پیشرفته تولید کنند، به‌ویژه وقتی مدل‌های «ابلایتد» (abliterated) را در نظر بگیریم که با تغییر وزن‌ها آموزش ایمنی را غیرفعال می‌کنند.» اما او هشدار می‌دهد: «احتمالاً آزمایشگاه‌های بسته مدل‌های منتشرنشده‌ای با قابلیت‌های فراتر آموزش دیده‌اند. این یک بازی گربه و موش است. آزمایشگاه‌ها سعی می‌کنند سریع‌تر از مدل‌های باز حرکت کنند تا آسیب‌پذیری‌ها را قبل از پیدا شدن توسط مدل‌های باز امن کنند. متأسفانه فکر می‌کنم این آغاز یک منظر امنیتی خطرناک باشد.»
گام بعدی شما
- اگر تیم امنیتی هستید، مدل‌های باز را در محیط جداسازی‌شده برای تست نفوذ خودکار استقرار دهید — هزینه ۱۰ برابر کمتر است و کنترل کامل دارید.
- سناریوهای دو مرحله‌ای (پیش‌نفوذ به شبکه میانی، سپس جانبی) را در بنچمارک‌های داخلی خود اضافه کنید؛ این الگو در حملات واقعی رایج است.
- فرض کنید مهاجم پیشرفته به مدل‌های بسته دسترسی دارد؛ دفاع در عمق و شناسایی ناهنجاری رفتاری را اولویت دهید، نه فقط بستن مسیرهای شناخته‌شده.
گفتگو