تصور کنید در آپارتمانی زندگی می‌کنید که صاحب‌خانه کلید تمام اتاق‌ها را دارد و در هر گوشه یک دوربین نصب کرده است؛ این دقیقاً وضعیت فعلی شما در استفاده از مدل‌های تجاری هوش مصنوعی است. شما برای ابزاری پول می‌دهید که هم‌زمان مانند یک پلیس، تمام ضربات کلید شما را زیر نظر دارد تا مطمئن شود از ابزار برای کارهای غیرمجاز استفاده نمی‌کنید. در واقع، هر جلسه کاری شما با یک «عامل پلیس» همراه است که متن گفتگوهای شما را از پشت شانه شما می‌خواند تا تضمین کند که از این ابزار برای هک کردن استفاده نمی‌کنید.
به گزارش مایکا لی، مهندس نرم‌افزار و امنیت، شرکت‌هایی مثل OpenAI و Anthropic مدل‌های خود را ابزارهای ضروری معرفی می‌کنند، اما در واقع مانند دروازه‌بانانی عمل می‌کنند که دسترسی به قابلیت‌های پیشرفته را کنترل کرده و پژوهش‌های امنیت سایبری را با حفاظ‌ها (Guardrails) — شبیه به نرده‌های ایمنی که اجازه نمی‌دهند کودک به لبهٔ پرتگاه نزدیک شود — محدود می‌کنند. اگر این عامل پلیس مشکوک شود که شما در حال نقض قوانین هستید، جلسه را فوراً متوقف می‌کند. این سیستم‌ها به سخت‌گیری بیش از حد معروف هستند و موارد زیادی وجود دارد که کاربر به اشتباه متهم شده و دسترسی‌اش قطع می‌شود (False Positives).
این تنش در حالی رخ می‌دهد که صنعت به سمت قابلیت‌های «مرزی» (Frontier) حرکت می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی توانایی عامل‌های Anthropic در نوشتن برنامه‌های ارکستراسیون اشاره کردیم، قدرت این مدل‌ها در حال رشد است، اما متمرکز شدن کنترل نیز هم‌زمان افزایش یافته است. برای یک توسعه‌دهنده، این یعنی وابستگی به چند «الیگارش فناوری» که تصمیم می‌گیرند چه کسی به نسخه‌های قدرتمندتر دسترسی داشته باشد. این تمرکزگرایی بخشی از یک روند گسترده‌تر و خطرناک‌تر است. در کتاب «فاشیسم زمان پایان و مبارزه برای دنیای زنده» نوشته نائومی کلاین و آسترا تیلور، نویسندگان از یک «ائتلاف فاشیستی زمان پایان» صحبت می‌کنند که در آن الیگارش‌های فناوری نقشی محوری ایفا می‌کنند.
ایدئولوژی آزمایشگاه‌های مرزی
مهندسان امنیت متوجه الگوی نگران‌کننده‌ای در آزمایشگاه‌های پیشرو آمریکایی شده‌اند. طبق بررسی‌های لی، برخی از رهبران این سازمان‌ها با تعصبی مذهبی باور دارند که در حال خلق یک «خدای ماشین» هستند. این یک باور واقعی در میان برخی از این مدیران است که آن‌ها حتی حاضرند برای رسیدن به هوش مصنوعی عام (AGI)، کل دنیا را به آتش بکشند. علاوه بر این، آن‌ها معتقدند که تنها کسانی هستند که به اندازه کافی باهوش هستند تا بتوانند چنین قدرتی را به صورت امن کنترل کنند.
در مدل‌های تجاری، حتی اگر گزینه عدم استفاده از داده‌ها برای آموزش را از طریق یک چک‌باکس فعال کنید، جلسات شما هرگز کاملاً خصوصی نیستند. ارائه‌دهندگان همچنان به همه چیز دسترسی دارند. آن‌ها می‌توانند داده‌های شما را بر اساس صلاحدید خود مشاهده، به اشتراک بگذارند یا ذخیره کنند و احتمالاً آن‌ها را به دولت‌ها یا شرکت‌های دیگر تحویل دهند. شواهد کمی وجود دارد که نشان دهد این شرکت‌ها در بلندمدت به حریم خصوصی داده‌های کاربران احترام می‌گذارند.
مکانیزم دروازه‌بانی
برای حفظ کنترل، OpenAI و Anthropic سیستم‌های دسترسی طبقه‌بندی‌شده‌ای ایجاد کرده‌اند. در حالی که عموم مردم با محدودیت‌های شدید و حفاظ‌های سخت‌گیرانه روبرو هستند، گروه کوچکی از افراد منتخب به مدل‌هایی با محدودیت کمتر یا حتی بدون هیچ محدودیتی دسترسی دارند. این برنامه‌ها شامل موارد زیر است:
- Trusted Access for Cyber در OpenAI: برنامه‌ای که در آن افراد و شرکت‌ها باید درخواست رسمی داده و پس از بررسی و تأیید، به نسخه‌های توانمندتر مدل‌ها دسترسی پیدا کنند.
- Cyber Verification Program در Anthropic: فرآیند احراز هویت و بررسی مشابه برای دسترسی به قابلیت‌های سطح بالا.
این برنامه‌ها به شدت توسط شرکت‌های امنیت سایبری ایالات متحده، پیمانکاران نظامی آمریکا و شاخه‌های مختلف دولت این کشور مورد استفاده می‌گیرند. سپردن قدرت نهایی تصمیم‌گیری درباره اینکه چه کسی به این ابزارها دسترسی داشته باشد به افرادی مثل سم آلتمن یا داریو آمودئی — که احتمالاً در مشاوره با دولت ترامپ عمل می‌کنند — رویکردی است که اساساً با اصول دموکراتیک در توسعه فناوری در تضاد است. در همین راستا، تلاش‌هایی برای ایجاد شفافیت بیشتر صورت گرفته است، از جمله طرح استقرار ارزیابان ثالث برای نظارت بر آموزش مدل‌ها که سعی دارد بخشی از این جعبه سیاه مدیریتی را باز کند.
جایگزین‌های وزن‌باز
بر اساس راهنمای جامع مایکا لی که در ۱۲ اکتبر ۲۰۲۶ منتشر شد، مدل‌های وزن‌باز (Open Weights) — یعنی مدل‌هایی که «دستور پخت» یا پارامترهایشان علناً منتشر شده و دیگر یک جعبه سیاه نیستند — اکنون تنها حدود چهار ماه از مدل‌های برتر تجاری عقب هستند. این فاصله برای اکثر گردش‌های کاری حرفه‌ای، از جمله پژوهش‌های پیچیده آسیب‌پذیری، ناچیز است. برخلاف مدل‌های بسته، مدل‌های وزن‌باز اجازه می‌دهند کاربر آن‌ها را به صورت خصوصی روی سخت‌افزار شخصی خود اجرا کند (به شرط داشتن رم کافی) یا از ارائه‌دهندگان محیط‌های ایزوله استفاده کند تا از وابستگی به یک فروشنده خاص (Vendor Lock-in) جلوگیری شود.
لی چندین مدل را معرفی می‌کند که سلطه آزمایشگاه‌های آمریکایی را به چالش می‌کشند:
- GLM-5.3: این مدل در وظایف مهندسی نرم‌افزار با Claude Opus 5.5 برابری می‌کند.
- GLM-5.3-Flash: جایگزینی ارزان‌تر و کوچک‌تر، مشابه Claude Opus 4.8. این مدل به قدری کوچک است که یک فرد می‌تواند آن را روی یک Mac Studio با ۵۱۲ گیگابایت رم اجرا کند.
- DeepSeek، Qwen و Kimi: خانواده‌های قدرتمند مدل‌هایی که از آزمایشگاه‌های چینی می‌آیند و عملکرد بسیار بالایی دارند.
- Mistral Large 4 (که با نام 'Le Chonk' نیز شناخته می‌شود): مدل مرزی آزمایشگاه فرانسوی Mistral. از آنجایی که میسترال تنها بازیگر بزرگ است که نه چینی است و نه آمریکایی، به عنوان گزینه قابل‌اعتمادتری برای مدیریت داده‌ها دیده می‌شود.
حل پارادوکس حریم خصوصی
اجرای محلی این مدل‌ها به سخت‌افزار عظیمی نیاز دارد. برای کسانی که چنین تجهیزاتی ندارند، لی استفاده از «انکلاوهای امن» (Secure Enclaves) از طریق ارائه‌دهندگان تخصصی را پیشنهاد می‌کند. این انکلاوها از «گواهی سخت‌افزاری از راه دور» (Remote Attestation) استفاده می‌کنند تا تضمین کنند که ارائه‌دهنده سرویس نمی‌تواند به داده‌های جلسه دسترسی داشته باشد. این یک تفاوت بنیادین با وضعیت فعلی است که در آن ارائه‌دهندگان دسترسی نامحدود دارند.
دو سرویس Tinfoil و Maple AI برای استنتاج (Inference) — یعنی همان لحظه تولید جواب توسط مدل، شبیه به خودِ آشپزی در مقابل یادگیری دستور پخت — پیشنهاد شده‌اند:
- Maple AI: این سرویس برای مصرف‌کنندگان عادی طراحی شده است. تجربه‌ای شبیه به ChatGPT را به همراه جستجوی اینترنتی، دسترسی به اسناد و اپلیکیشن موبایل ارائه می‌دهد. این سرویس یک طرح رایگان کوچک و یک طرح Pro با هزینه ۲۰ دلار در ماه دارد. جالب است بدانید که Maple در واقع برای استنتاج در پس‌زمینه خود از Tinfoil استفاده می‌کند.
- Tinfoil: این سرویس برای کارهای حرفه‌ای کدنویسی عامل‌محور (Agentic Coding) مانند مهندسی معکوس، تحلیل بدافزار، مسابقات CTF یا تست نفوذ طراحی شده است. Tinfoil به جای اشتراک ماهانه، هزینه را بر اساس توکن (Token) — تکه‌های کوچک متن که مدل پردازش می‌کند — محاسبه می‌کند.
برای کسانی که از GLM-5.3 روی Tinfoil استفاده می‌کنند، جزئیات هزینه‌ها به شرح زیر است:
- ۱.۸۰ دلار به ازای هر ۱ میلیون توکن ورودی
- ۰.۸۰ دلار به ازای هر ۱ میلیون توکن کش‌شده (Cached)
- ۵.۷۵ دلار به ازای هر ۱ میلیون توکن خروجی
کاربران می‌توانند با انتخاب سطح استدلال «پایین» (Low Reasoning)، این هزینه‌ها را کاهش دهند؛ این حالت همچنان به طرز چشمگیری توانمند است اما توکن‌های کمتری مصرف می‌کند.
خطرات دسترسی مستقیم
لی هشدار می‌دهد که اگرچه خودِ مدل‌ها امن هستند، اما شرکت‌های ارائه‌دهنده آن‌ها ممکن است نباشند. او توصیه می‌کند هرگز مستقیماً در Z.ai (سازنده GLM) حساب نسازید یا داده‌های شخصی خود را برای آن‌ها ارسال نکنید. او اشاره می‌کند که ابزار ZCode (نسخه آن‌ها از Claude Code) اخیراً مچ شد که مخفیانه مخازن کد محلی کاربران را آپلود کرده و بدون رضایت کاربر به Alibaba Cloud ارسال می‌کرد. علاوه بر این، این فرض وجود دارد که شرکت‌های چینی هر داده‌ای را که دریافت کنند، با دولت چین به اشتراک می‌گذارند.
برای آزمایش‌های ارزان و غیرخصوصی، لی از OpenCode Go استفاده می‌کند که با ۱۰ دلار در ماه (که بیش از ۱۰ دلار اعتبار فراهم می‌کند) به عنوان یک مسیریاب استنتاج (Inference Router) عمل می‌کند. جریان داده در اینجا به این صورت است: کامپیوتر کاربر $
ightarrow$ API OpenCode Go $
ightarrow$ ارائه‌دهنده استنتاج. این یعنی هم مسیریاب و هم ارائه‌دهنده نهایی به جلسه دسترسی دارند. اگرچه مستندات آن‌ها وعده «عدم ذخیره داده‌ها در روز صفر» (Zero-day data retention) را برای مدل‌های GLM، Qwen، Kimi و DeepSeek می‌دهند، اما لی هشدار می‌دهد که این یک «وعده» است و نه یک «تضمین فنی».
تغییر توازن قدرت
این تحول، گذاری از «التماس برای دسترسی» به «مالکیت زیرساخت» است. وقتی از یک مدل وزن‌باز استفاده می‌کنید، پلیس را از روی شانه خود برمی‌دارید. شما دیگر نیازی ندارید برای انجام کارهای قانونی امنیت سایبری، برای برنامه‌های «دسترسی مورد اعتماد» که توسط سم آلتمن یا داریو آمودئی اداره می‌شود، درخواست بفرستید. به جای تکیه بر اربابان شرکتی، توسعه‌دهندگان می‌توانند ابزارهای خود را پیکربندی کنند؛ مثلاً استفاده از OpenCode با Tinfoil برای کارهای خصوصی و OpenCode Go برای پیاده‌سازی‌های عمومی و متن‌باز.
برای یک توسعه‌دهنده حرفه‌ای، این یعنی گردش کار شما دیگر تابع تصمیمات یک هیئت‌مدیره شرکتی یا یک دولت خاص نیست. شما کمی از عملکرد لبه (Frontier) را فدای استقلال کامل ابزارهای خود می‌کنید. اگر در حال حاضر به یک ارائه‌دهنده واحد وابسته هستید، فوری‌ترین اقدام این است که مدلی مانند GLM-5.3 را از طریق یک ارائه‌دهنده انکلاو امن تست کنید. همچنین منتظر انتشار مدل‌های مرزی اروپایی باشید که ممکن است تعادلی بین کنترل شرکتی آمریکا و سیاست‌های داده‌ای چین ایجاد کنند.
گام بعدی شما
- اگر در حال حاضر به یک ارائه‌دهنده واحد وابسته هستید، مدل GLM-5.3 را از طریق یک ارائه‌دهنده انکلاو امن تست کنید.
- برای کارهای حساس، از مدل‌های وزن‌باز روی سخت‌افزار شخصی یا سرویس‌های با گواهی سخت‌افزاری (Remote Attestation) استفاده کنید.
- منتظر انتشار مدل‌های مرزی اروپایی باشید که احتمالاً تعادلی بین کنترل شرکتی آمریکا و سیاست‌های داده‌ای چین ایجاد می‌کنند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو