OpenAI تخفّض نجاح هجمات سرقة استدلال النماذج من 54% إلى 0.2%
أعلنت OpenAI أن حمايتها من سرقة الاستدلال خفّضت نسبة نجاح هذه الهجمات من 54% إلى 0.2%، وهي بيانات مستمدة من اختبارات داخلية. فكرة الهجوم بسيطة: إغراق النموذج بالطلبات، وجمع إجاباته المفصّلة، ثم تدريب نسخة رخيصة خاصة بالمهاجم عليها. وتُعرف هذه العملية بالتقطير (Distillation). وإذا كانت الحماية تعمل في الواقع أيضًا، فستصبح واجهات API المغلقة أكثر تشددًا في ما تعرضه من مسار تفكير النموذج.
معالج بواسطة الذكاء الاصطناعي من X: @soluunj؛ بتحرير Hamidun News
أغلى ما في أي نموذج لغوي حديث ليس واجهة الاستخدام ولا الـ API، بل الطريقة التي يستدل بها. فهذه السلاسل الطويلة من الخطوات هي ما يتيح للنموذج حل المسائل المعقدة في الرياضيات والبرمجة والعلوم. ولذلك ليس مستغربًا أن يدور حولها سباق حقيقي: بعض المختبرات تحاول إخفاءها، وبعضها الآخر يحاول نسخها بحذر. وأفادت OpenAI بأن حمايتها الجديدة قلّصت بشكل حاد فرص هذا النسخ: ففي الاختبارات، انخفضت نسبة الهجمات الناجحة الموجّهة لسرقة الاستدلال من 54% إلى 0.2%.
ما الذي يُسرق بالضبط، ولماذا؟
المقصود هو التقطير (Distillation). تخيّل أن لديك مدرّسًا خصوصيًا قويًا، بينما لدى منافسك مدرّس مبتدئ. يطرح المنافس آلاف الأسئلة على مدرّسك، ويدوّن الإجابات والشروحات التفصيلية معًا، ثم يعلّم مدرّسه المبتدئ استنادًا إلى هذه التسجيلات. والنتيجة أن النموذج الرخيص يتبنّى أسلوب حل المسائل الذي أنفقت شركة أخرى أموالًا طائلة على تطويره.
في صورته المشروعة، التقطير ممارسة معتادة: تضغط الشركات نماذجها الكبيرة الخاصة بها في نماذج أصغر. أما المشكلة فتظهر حين يُطبَّق على نموذج الغير عبر API عام دون إذن. وإذا كانت أوزان النموذج هي أثمن ما يُحمى حتى وقت قريب، فقد أصبح مسار الاستدلال نفسه، الذي يمكن استخراجه بطلبات عادية، لا يقل قيمة.
ما المعروف عن حماية OpenAI
ما يمكن استخلاصه من الإعلان قليل، لكن الأساسيات واضحة. تقول OpenAI إنها طبّقت إجراءات ضد سرقة الاستدلال واختبرتها على هجمات محاكاة. فمن دون الحماية، حقق المهاجمون هدفهم في 54% من الحالات، أي في محاولة واحدة تقريبًا من كل محاولتين. ومع الحماية، انخفضت هذه النسبة إلى 0.2%، أي محاولة ناجحة واحدة من كل خمسمئة. وتصف الشركة ذلك بأنه جزء من عمل أوسع ضد التقطير.
لا توجد تفاصيل في الإعلان الأصلي. فلم تكشف الشركة كيف صُمّمت الحماية: هل تُخفي جزءًا من الاستدلال، أم تضيف ضوضاء، أم تقيّد أنماط الطلبات المشبوهة، أم تفعل شيئًا آخر. كما أنه غير معروف على أي نماذج وسيناريوهات هجوم أُجريت الاختبارات، وكيف جرى تحديد «نجاح» السرقة، ومدى تأثير الحماية في جودة الإجابات للمستخدمين العاديين. وقد حصلت الشركة على هذه الأرقام بنفسها، ولا يوجد حتى الآن تأكيد مستقل.
ماذا يغيّر ذلك للمطوّرين ومديري المنتجات
أولًا: لا ينبغي التعامل مع الرقم 0.2% على أنه ضمانة. فالاختبار يفحص أساليب هجوم معروفة، أما الخصوم الحقيقيون فيكيّفون أساليبهم. وعادةً ما تعمل هذه الحمايات كحاجز دخول: فهي لا تجعل السرقة مستحيلة، بل ترفع كلفتها وتبطئ وتيرتها.
ثانيًا: للحماية أحيانًا ثمن يدفعه المستخدمون المشروعون. فإذا أخفى المزوّد الاستدلال أو اختصره، يصبح من الأصعب عليك تصحيح أخطاء الوكيل (Agent)، وفهم سبب خطئه، والتحقق من الخطوات الوسيطة. وعلى الفرق التي تبني منتجاتها على واجهات API المغلقة أن تفترض مسبقًا أن الوصول إلى تفاصيل الاستدلال قد يضيق، وأن من الأفضل بناء منطق ضبط الجودة على التحقق من النتيجة النهائية، لا على تحليل «أفكار» الآخرين.
ثالثًا: إذا كنت تقدّم نموذجًا أو وكيلًا عبر API بنفسك، فأنت تواجه الخطر ذاته. والإجراءات الأساسية متاحة منذ الآن: حدود على حجم الطلبات من حساب واحد، ومراقبة الطلبات المنتظمة على نحو غير معتاد، وحظر استخدام الإجابات في تدريب نماذج منافسة ضمن شروط الخدمة، وعدم إدراج معلومات تقنية زائدة في الإجابات.
وأخيرًا، يُظهر هذا الخبر وجهة الصناعة. فالمختبرات المغلقة تحمي بشكل متزايد لا الأوزان فحسب، بل سلوك النماذج الذي يمكن قراءته من الخارج. وهذا خلفية مهمة للنماذج المفتوحة أيضًا: فكلما تشدّد الوصول إلى «أفكار» الأنظمة المغلقة، احتدمت النقاشات حول الحد الفاصل بين التدريب على بيانات مفتوحة ونسخ تطوير الغير. أما الآن، فالاستنتاج الرئيسي متواضع: الإعلان مثير للاهتمام والحجم لافت، لكن التحقق منه سيحتاج إلى الوقت وإلى اختبارات مستقلة.
- 22 نوفمبر 2026خمسة مستودعات مجانية على GitHub تتيح الوصول إلى أكثر من 1400 نموذج ذكاء اصطناعي عبر عنوان واحد
- 22 نوفمبر 2026وكيل Microsoft كتب أوزان الشبكة العصبية يدويًا وحقق دقة 100% في 13 مهمة
- 22 نوفمبر 2026من مشروع هواية إلى شركة ناشئة بقيمة 3 مليارات دولار: LangChain تجمع 300 مليون دولار بعد أربع سنوات
- 22 نوفمبر 2026الملف الشخصي للعمل في Android يسدّ تسرّب عنوان IP الحقيقي الذي لا يرصده Happ ولا v2rayNG
أسئلة وأجوبة حول الخبر
ما الذي يُسرق بالضبط، ولماذا؟
المقصود هو التقطير (Distillation). تخيّل أن لديك مدرّسًا خصوصيًا قويًا، بينما لدى منافسك مدرّس مبتدئ. يطرح المنافس آلاف الأسئلة على مدرّسك، ويدوّن الإجابات والشروحات التفصيلية معًا، ثم يعلّم مدرّسه المبتدئ استنادًا إلى هذه التسجيلات. والنتيجة أن النموذج الرخيص يتبنّى أسلوب حل المسائل الذي أنفقت شركة أخرى أموالًا طائلة على تطويره. في صورته المشروعة، التقطير ممارسة معتادة: تضغط الشركات نماذجها الكبيرة الخاصة بها في نماذج أصغر. أما المشكلة فتظهر حين يُطبَّق على نموذج الغير عبر API عام دون إذن.
ما أبرز التفاصيل حول ما المعروف عن حماية OpenAI؟
ما يمكن استخلاصه من الإعلان قليل، لكن الأساسيات واضحة. تقول OpenAI إنها طبّقت إجراءات ضد سرقة الاستدلال واختبرتها على هجمات محاكاة. فمن دون الحماية، حقق المهاجمون هدفهم في 54% من الحالات، أي في محاولة واحدة تقريبًا من كل محاولتين. ومع الحماية، انخفضت هذه النسبة إلى 0.2%، أي محاولة ناجحة واحدة من كل خمسمئة. وتصف الشركة ذلك بأنه جزء من عمل أوسع ضد التقطير. لا توجد تفاصيل في الإعلان الأصلي.
ما أبرز التفاصيل حول ماذا يغيّر ذلك للمطوّرين ومديري المنتجات؟
أولًا: لا ينبغي التعامل مع الرقم 0.2% على أنه ضمانة. فالاختبار يفحص أساليب هجوم معروفة، أما الخصوم الحقيقيون فيكيّفون أساليبهم. وعادةً ما تعمل هذه الحمايات كحاجز دخول: فهي لا تجعل السرقة مستحيلة، بل ترفع كلفتها وتبطئ وتيرتها. ثانيًا: للحماية أحيانًا ثمن يدفعه المستخدمون المشروعون. فإذا أخفى المزوّد الاستدلال أو اختصره، يصبح من الأصعب عليك تصحيح أخطاء الوكيل (Agent)، وفهم سبب خطئه، والتحقق من الخطوات الوسيطة.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.