كيف تساعد نماذج الذكاء الاصطناعي المفتوحة المخترقين على إيجاد ثغرات في الشيفرة

يمكن تشغيل نموذج مفتوح للذكاء الاصطناعي على خادم خاص وربطه بأدوات تحليل البرامج. سيقرأ الشيفرة، ويبحث عن الأخطاء، ويقترح اختبارات، ويحلل نتائجها. وإذا استخدم مهاجم هذا النظام، فسيحصل على مساعد لبحث الثغرات لا يخضع عمله لسيطرة مزوّد ذكاء اصطناعي سحابي.

يمثل ذلك تهديدًا ملموسًا لمنصات تداول العملات المشفّرة والمحافظ ومنصات الدفع. فقد يصبح خطأ في التحقق من الصلاحيات أو معالجة السحب أو التفاعل بين الخدمات نقطة انطلاق للهجوم. يساعد الذكاء الاصطناعي على دراسة هذه الأخطاء واختبار عدد أكبر من الفرضيات. لكن فعاليته تعتمد على جودة النموذج، والشيفرة المتاحة له، والأدوات التي تتحقق من استنتاجاته.

إخلاء مسؤولية معلوماتي. هذه المقالة ذات طبيعة معلوماتية وتحليلية، وتهدف إلى شرح التهديدات ووسائل الحماية. الأوصاف الواردة فيها ليست تعليمات لتنفيذ هجمات. يجب اختبار أمن الأنظمة فقط بإذن مالكها. والأمثلة المتعلقة بخدمات الأصول المشفّرة توضح مخاطر محتملة؛ فنتائج الاختبارات البحثية لا تعادل احتمال اختراق شركة تعمل فعليًا.

لماذا يشغّل المخترقون نماذج الذكاء الاصطناعي على خوادمهم الخاصة؟

لروبوت المحادثة السحابي المعتاد جهة تشغيل: شركة تدير النموذج وتضع القواعد ويمكنها تقييد الوصول إليه. أما النموذج الذي يُنزَّل، فيعمل بطريقة مختلفة. يختار مالكه مكان تشغيله، والبيانات التي يتلقاها، والبرامج التي يستطيع الوصول إليها.

والتسمية الأدق لهذه النماذج هي النماذج مفتوحة الأوزان، أو open-weight. الأوزان هي المعاملات التي يكتسبها النموذج أثناء التدريب. وإتاحتها تسمح بتشغيله بشكل مستقل، حتى لو ظلت بيانات التدريب والتفاصيل الكاملة لإنشائه غير متاحة. تعمل أنظمة مشروعة بهذه الطريقة أيضًا، مثل أدوات فحص الشيفرة المؤسسية السرية.

تكتسب الاستضافة الذاتية قيمتها لدى المهاجم لأن مطوّر النموذج يفقد السيطرة على استخدام تلك النسخة بعينها. فهو لا يرى كل طلب، ولا يمكنه إيقافها بحظر حساب. ويشير AI Security Institute البريطاني تحديدًا إلى هذا الخطر: بعد نشر الأوزان، لا يمكن تعميم ضوابط الخدمات السحابية على جميع عمليات النشر المستقلة.

ليس النموذج المفتوح خاليًا بالضرورة من قيود السلامة. لكن الجهة التي تشغّله يمكنها تعديل البيئة البرمجية والنموذج نفسه بما يضعف هذه القيود. وفي هذه الحالة، لا يتطلب الحصول على أداة خطرة اختراق الشركة التي أنشأت الذكاء الاصطناعي.

وهناك تفصيل مهم: غياب القيود لا يحسّن، بحد ذاته، القدرة على العثور على الأخطاء. تأتي الفعالية من الجمع بين تحليل جيد للشيفرة، وأدوات مناسبة، وتغذية راجعة. أما إزالة القيود فتتيح استخدام هذه القدرات في مهام خبيثة.

كيف يبحث الذكاء الاصطناعي عن ثغرات في شيفرة الخدمة؟

لنتصور خدمة دفع تتكون من عدة آلاف من الملفات. يقع التحقق من الصلاحيات في وحدة، وإدارة الحسابات في أخرى، ومعالجة السحب في ثالثة. ولاكتشاف خطأ خطير، يجب فهم العلاقة بين هذه الأجزاء.

يمكن للذكاء الاصطناعي المساعدة في إعادة بناء هذه العلاقة: من أين تأتي قيمة ما، وما الفحوص التي تمر بها، وأي عملية تستخدمها في النهاية. مثلًا، يلاحظ النموذج أن دالة المعالجة تتحقق من تسجيل دخول المستخدم، لكنها لا تتحقق من أن الحساب المطلوب يخصه. وهذه فئة معروفة من أخطاء التفويض تصفها OWASP باسم Broken Object Level Authorization، أي خلل التفويض على مستوى الكائن. وببساطة، تعرفت الخدمة على المستخدم، لكنها لم تتأكد من أنه مخوّل للتصرف في كائن محدد.

لا يكفي تفسير يبدو مقنعًا. فقد يكون النموذج أغفل فحصًا في ملف آخر أو أساء فهم غرض دالة. لذلك يُربط بإطار برمجي يزوّده بمقاطع الشيفرة اللازمة، ويشغّل الاختبارات، ويعيد النتائج. يقترح النموذج فرضية، ويتلقى استجابة البرنامج، ثم ينقّح استنتاجه. هكذا يعمل وكيل الذكاء الاصطناعي لتحليل الشيفرة: يمكنه مواصلة البحث بعد الإجابة الأولى.

على نسخة معزولة من التطبيق، يتحقق هذا النظام مما إذا كان الخطأ يحدث فعلًا. وإذا فشل اختبار، يحلل الوكيل السبب. وإذا ظهرت الثغرة المفترضة أيضًا في النسخة المصححة، فهذا سبب للتشكيك في الاختبار. يستخدم معدّو بحث Semgrep فحوصًا مشابهة للتمييز بين فهم الخطأ والاستجابة لأسماء ومقاطع شيفرة مألوفة.

يغيّر التكرار القيمة العملية للذكاء الاصطناعي. فلا يضطر الإنسان إلى تحليل كل نتيجة وسيطة يدويًا، إذ يُسند جزء من هذا العمل إلى الوكيل. ومع ذلك، تظل تهيئة البيئة والتحقق من النتائج وتقييم العواقب بحاجة إلى موارد وخبرة.

ولا تصبح الشيفرة المصدرية متاحة للنموذج تلقائيًا. يمكنه دراسة المستودعات العامة، والشيفرة المنشورة للعقود الذكية، والجانب الذي يعمل لدى العميل في الموقع. أما الشيفرة الخاصة بالخادم فلا تتاح إلا بتسريب منفصل أو بمنح الوصول إليها. ومن دونها، لا يبقى سوى التوثيق وسلوك الخدمة القابل للملاحظة، وهي صورة أقل اكتمالًا بكثير.

ما الذي تستطيع النماذج المفتوحة فعله بالفعل؟

لتقييم التهديد، قارنّا الاختبارات المنشورة للنماذج وتحليلات نشاط المهاجمين. بحثنا في البيانات المقدمة للذكاء الاصطناعي، وعدد المحاولات المسموح بها، وما اعتبره الباحثون نجاحًا. ويساعد ذلك على التمييز بين رصد شيفرة مشبوهة، وتأكيد وجود خطأ، والاختراق الفعلي للبنية التحتية.

نشرت Aikido نتيجة توضيحية في أغسطس 2026. اختبر الباحثون نماذج على 32 ثغرة كُشف عنها حديثًا في مشاريع حقيقية. تلقت النماذج الشيفرة المصدرية، مع تعطيل الوصول إلى الإنترنت. وكانت المقارنة تخص مرحلة التحليل الرئيسية داخل نظام مشترك، لا عمل كل نموذج بصورة مستقلة ومن دون أدوات إضافية.

اكتشف DeepSeek V4 Pro 0813 عددًا قدره 17 ثغرة في الجولة الأولى. وعند جمع اكتشافات ثلاث جولات، بلغ الإجمالي 28 من أصل 32. لكن النموذج لم يعثر بصورة ثابتة في الجولات الثلاث كلها إلا على 10 ثغرات.

يعادل ذلك اكتشاف 87.5% من الثغرات في محاولة واحدة على الأقل، و31.3% في المحاولات الثلاث جميعًا. حسبنا هذه النسب انطلاقًا من الأعداد المنشورة. ويوضح الفرق لماذا لا تصف إجابة منفردة قدرات النظام بدقة: تكرار الفحوص يوسّع التغطية، لكن النتائج تظل غير مستقرة. وهذا اختبار لإعادة اكتشاف أخطاء معروفة، وليس مؤشرًا على نجاح اختراق منصات تداول العملات المشفّرة.

يقدم تقييم AI Security Institute صورة أوسع. ففي المهام التي استخدمها، حققت النماذج المفتوحة الرائدة مستوى نماذج مغلقة صدرت قبلها بأربعة إلى سبعة أشهر. إنه تقييم لاختبارات محددة، منها شبكات معدّة اصطناعيًا، وليس تصنيفًا عامًا. وبالنسبة إلى المدافعين، يعني ذلك أن قدرات تحليل مهمة أصبحت متاحة خارج الخدمات السحابية الخاضعة للرقابة أيضًا.

ماذا تكشف الحوادث الحقيقية؟

في مايو 2026، وصف باحثو Sysdig هجومًا عبر ثغرة في marimo، وهي أداة للعمل مع Python. بعد الدخول الأولي، استخدم المهاجم بيانات اعتماد عثر عليها لتوسيع الوصول، حتى وصل إلى قاعدة PostgreSQL داخلية. واستنادًا إلى مجموعة من المؤشرات في الجلسة المسجلة، ربط المؤلفون إجراءات ما بعد الاختراق بوكيل ذكاء اصطناعي يأخذ النتائج الوسيطة في الحسبان. لم يُحدَّد النموذج المستخدم ولا مكان تشغيله. كما لا يثبت التقرير أن الذكاء الاصطناعي اكتشف الثغرة الأولية.

يُظهر تحليل نشرته Sysdig في يونيو عن إساءة استخدام موارد حوسبة الآخرين جانبًا آخر من الصورة. فقد ربط أحد المشغّلين خادم Ollama متاحًا دون مصادقة بأداة آلية لاختبار الأمن. وOllama برنامج لتشغيل النماذج على بنية تحتية خاصة. راقب الباحثون تطور الأداة وإضافة مراحل جديدة إلى عملها.

في تلك الواقعة، كان الخادم مملوكًا لطرف آخر، وكانت الأهداف في شبكات تدريب خاصة. يوضح المثال البنية التقنية وإساءة استخدام موارد الحوسبة، لكنه لا يؤكد تنفيذ هجوم ناجح بهذه الأداة على شركة عامة.

تساعد هذه الحالات على فهم الأجزاء الموجودة بالفعل من العملية. لكنها لا تبرر إسناد سرقة محددة لأصول مشفّرة إلى نموذج مفتوح يعمل على خادم أحد المخترقين. يحتاج هذا الاستنتاج إلى أدلة إضافية، مثل سجلات الطلبات المرسلة إلى النموذج وآثار نشاط البرنامج المرتبط به. ولا تثبت سرعة تصرفات المهاجم أو غرابتها ذلك بمفردها.

أي الأخطاء أشد خطورة على خدمات الأصول المشفّرة؟

بالنسبة إلى شركة تعمل في الأصول المشفّرة، تتوقف العواقب على ما يتيحه الخطأ المكتشف. فالوصول إلى صفحة عادية ليس كالقدرة على التأثير في السحب. لذلك نربط عند تحليل المخاطر عيب الشيفرة بصلاحيات الخدمة والعملية المالية التي يمكنه تغييرها.

من المواضع الحساسة واجهة API، وهي واجهة تبادل البيانات بين البرامج. يستخدمها التطبيق للاستعلام عن الرصيد وإنشاء العمليات ومعرفة حالتها. وإذا ربط الخادم المستخدم بحساب أو مؤسسة بصورة خاطئة، فقد تمنحه جلسة صالحة صلاحيات زائدة. من المهم هنا التحقق من التفويض في كل إجراء ينفذه الخادم، بما في ذلك العمليات الداخلية والجماعية الأقل ظهورًا.

ومن الأمثلة الأخرى معالجة الحدث نفسه أكثر من مرة. يجب أن يتعامل نظام الدفع بصورة صحيحة مع تكرار إرسال الإشعار أو تنفيذ الطلبات بالتزامن. وإذا اختلفت أجزاء البرنامج بشأن اكتمال العملية، فقد تظهر أخطاء محاسبية. بالنسبة إلى الذكاء الاصطناعي، تتعلق المهمة بالروابط بين الملفات والحالات: أين أُنشئت العملية، ومتى وُسمت بأنها مكتملة، وما الذي يمنع معالجتها مجددًا. هذا مثال على فئة من المخاطر، وليس إعلانًا عن ثغرة مكتشفة في منصة بعينها.

في الخدمات اللامركزية، توفر الشيفرة المنشورة للعقود الذكية مادة إضافية للتحليل. يمكن للنموذج المساعدة في دراسة قواعد الوصول وحركة الأصول. لكن الحكم على الأمن يعتمد أيضًا على إعدادات العقد المنشور، والعقود المرتبطة به، والظروف الاقتصادية. حتى الخطأ البرمجي المحدد بصورة صحيحة لا يتحول دائمًا إلى فرصة لسرقة الأموال.

وأخيرًا، تهم الحدود بين الخدمات. فالمكوّن الذي يعالج بيانات خارجية لا ينبغي أن يحصل تلقائيًا على صلاحية توقيع المعاملات أو الوصول إلى جميع أسرار الشركة. وكلما اتسعت صلاحياته، زادت الفرص التي تتيحها ثغرة واحدة.

كيف نحمي الأنظمة من الهجمات المدعومة بالذكاء الاصطناعي؟

تبدأ الحماية بفحص الشيفرة نفسها التي يستطيع المهاجم دراستها. ينبغي إعطاء الأولوية للتفويض، ومعالجة الأحداث المالية، والروابط بين الواجهات الخارجية والخدمات ذات الامتيازات. ولكل خطأ مكتشف، يجب تحديد ما إذا كان قابلًا للوصول من الخارج، وما الإجراءات التي يتيحها.

يفيد الذكاء الاصطناعي المدافعين أيضًا. تستطيع الشركة تحليل شيفرتها الخاصة على بنيتها التحتية، بما يكمّل عمل المهندسين. لكن يجب تأكيد كل اكتشاف باختبار قابل لإعادة الإنتاج: يُنتهك شرط في النسخة الضعيفة، ويتوقف انتهاكه بعد الإصلاح. ولا ينبغي اعتبار نتيجة جولة واحدة تدقيقًا شاملًا.

المستوى التالي هو الحد من العواقب. إن فصل صلاحيات الخدمات، وتقييد الوصول إلى الأسرار، والتحقق المستقل من معلمات السحب يقلل احتمال أن يسمح خطأ في مكوّن واحد بالتصرف في الأصول. ويظل تحديث التبعيات المصابة بثغرات جزءًا إلزاميًا من العمل، لأن الذكاء الاصطناعي قد يساعد المهاجم على استغلال عيوب معروفة بالفعل.

أثناء التحقيق، يجب ربط أحداث التطبيق بالإجراءات في البنية التحتية والمعاملات على سلسلة الكتل. يوضح سجل التحويلات حركة الأصول، لكنه لا يفسر عادةً الخطأ الذي أتاح الوصول الأولي. لذلك نحتاج إلى سجلات الطلبات والعمليات وتغييرات الصلاحيات. ولهذا نوصي بالاحتفاظ مسبقًا بالبيانات التي تتيح إعادة بناء المسار من الطلب المرسل إلى الخدمة حتى نتيجته المالية.

تجعل النماذج المفتوحة البحث المنهجي في الشيفرة أكثر إتاحة. والاستجابة العملية لخدمة أصول مشفّرة هي فحص العمليات الحساسة بانتظام، وتصميم النظام بحيث لا يتيح خطأ منفرد الوصول إلى جميع الأصول.