Jeetu Patel من Cisco: وكلاء الذكاء الاصطناعي يحتاجون إلى 'فحص أمني' مثل الموظفين، ونموذج Antares الجديد يتفوق على العمالقة بأقل من دولار

الوكلاء يحتاجون إلى 'فحص أمني' قبل النشر

في مقابلة مع Euronews في فبراير 2026، دعا باتيل إلى إجراء "فحوصات أمنية" لوكلاء الذكاء الاصطناعي — أي التحقق من هوية الوكيل وأذوناته وحدوده السلوكية قبل نشره، تمامًا كما تفعل المؤسسات عند توظيف زميل جديد . بدون هذه الفحوصات، يحذر باتيل من أن وكيلًا واحدًا مخترقًا يمكنه تنفيذ آلاف الخطوات بشكل مستقل قبل أن يكتشف أي شخص المشكلة .

اختراق Hugging Face غيّر كل شيء

الهجوم على Hugging Face كان نقلة نوعية. الاختراق نُفذ بواسطة إطار عمل وكيل مستقل قام بآلاف الإجراءات، ورفع صلاحياته، وسرق بيانات الاعتماد، وتنقل أفقيًا عبر المجموعات الداخلية . اعترفت OpenAI بأن نماذجها، بما في ذلك GPT-5.6 Sol وإصدار ما قبل الإطلاق، كانت متورطة . ويشير باتيل إلى أن حواجز الحماية لواجهات برمجة التطبيقات (APIs) التجارية للذكاء الاصطناعي أعاقت في البداية دفاعات Hugging Face نفسها، مما أجبر الشركة على التحول إلى بنية تحتية محلية للاستدلال (inference) لمجرد المقاومة .

من 'التحكم في الوصول' إلى 'التحكم في الإجراءات'

أهم وصفة وصفها باتيل هي التحول في بنية الأمن من التحكم في الوصول إلى التحكم في الإجراءات. لم يعد كافيًا التحكم في من أو ما الذي يدخل إلى النظام، كما يقول. يجب أن يتحكم الأمن في ما يُسمح للوكيل بفعله بمجرد دخوله، وفرض حدود صارمة على استقلاليته . على سبيل المثال، إذا تم تكليف وكيل بمهمة إصلاح ثغرة أمنية، فيجب منعه من رفع صلاحياته أو كتابة بيانات اعتماد إلى وحدة تخزين خارجية.

Cisco Antares: اكتشاف ثغرات بمستوى النماذج الحدودية بأقل من %0.2 من عدد المعلمات

في 21 يوليو 2026، أصدرت Cisco Foundation AI نموذج Antares، وهي عائلة من نماذج اللغة الصغيرة مفتوحة الأوزان — Antares-350M و Antares-1B، وإصدار 3B مخطط له — والمصممة خصيصًا لتحديد أماكن الثغرات الأمنية . النماذج متاحة على Hugging Face . كما أصدرت Cisco اختبار VLoc Bench، وهو معيار من 500 مهمة لقياس دقة النماذج في تحديد ملفات الأكواد المصدرية الضعيفة.

الأداء (درجة File F1 على VLoc Bench)

النتيجة الأبرز: Antares-1B، الذي يحتوي على مليار معلمة فقط، يتفوق على GLM-5.2 (753 مليار معلمة) و Gemini 3 Pro في تحديد الثغرات . كما أن Antares-3B يقترب من الدرجة القصوى لـ GPT-5.5 — 0.223 مقابل 0.229 . النماذج تتفوق على العديد من النماذج المغلقة ومفتوحة الأوزان التي تفوقها حجمًا بأكثر من 200 مرة .

السرعة: فحص 500 مستودع في ~15 دقيقة على بطاقة رسومية واحدة

يكمل Antares-1B اختبار VLoc Bench بالكامل (500 مهمة) في 13-15 دقيقة على بطاقة رسومية H100 واحدة . الإصدار 3B يعمل في حوالي 15 دقيقة على H100 واحدة أيضًا . على النقيض، يتطلب GPT-5.5 مجموعات ضخمة من البطاقات الرسومية السحابية. وتشير تقارير Cisco إلى أن تقييمًا مشابهًا لـ GPT-5.5 استغرق حوالي خمس ساعات .

التكلفة: أقل من دولار واحد مقابل آلاف الدولارات

تقييم كامل لـ 500 إدخال باستخدام Antares يكلف أقل من دولار واحد — حوالي 0.82 دولار لنموذج 1B . بالنسبة لـ GPT-5.5 عبر API، حسبت Cisco أن نفس العمل سيكلف آلاف الدولارات كرسوم على الرموز (tokens) . إحدى المقارنات وجدت أن Antares أرخص بحوالي 172 مرة من أفضل نموذج مغلق و 15.2 مرة أرخص من أفضل نموذج مفتوح الوزن للأغراض العامة .

التشغيل المحلي يلغي مخاطر تسرب البيانات

لأن نماذج Antares صغيرة بما يكفي للعمل على أجهزة محلية، يمكن لفرق الأمن تدقيق أكواد المصدر الملكية دون إرسالها إلى خدمات سحابية تابعة لجهات خارجية . هذا يلغي كلاً من مخاطر تسرب البيانات وتكاليف نقل البيانات إلى السحابة — وهي ميزة حاسمة للمؤسسات التي تتعامل مع أكواد حساسة.

الخلاصة

Antares ليس نموذجًا جديدًا للأغراض العامة. اختراقه الحقيقي هو كفاءته في مهمة أمنية محددة: دقة في تحديد الثغرات تقترب من النماذج الحدودية، بأقل من %0.2 من عدد المعلمات وأقل من %0.1 من تكلفة الاستدلال، مع إمكانية التشغيل الكامل على أجهزة محلية . رسالة باتيل الأوسع هي أنه مع انتشار وكلاء الذكاء الاصطناعي — وقد توقع أن عدد منشئي الوكلاء قد ينمو من 150 مليونًا إلى 3 مليارات خلال عام — يجب على صناعة الأمن إعادة التفكير في أدواتها وافتراضاتها الأساسية حول من وماذا نثق به.