أخبار الذكاء الاصطناعي: Anthropic تخفض هجمات التقطير حتى 99%، وتحذّر من نماذج مفتوحة تنسخ نفسها عبر أجهزة المنزل، وNVIDIA تطلق Koi-4B الحلقي
في 12 أكتوبر 2026 قالت Anthropic إن حمايتها الجديدة خفّضت البيانات التي تجمعها هجمات التقطير بنسبة 90–99% وحظرت عشرات الآلاف من الحسابات، ونشر فريقها الأحمر ورقة تقول إن نماذج مفتوحة صغيرة على بعد أشهر من النسخ الذاتي عبر أجهزة إنترنت الأشياء، بينما قدّم باحثو NVIDIA وصفة ELR ونموذج Koi-4B الذي يرفع جودته بتكرار طبقاته لا بزيادة حجمه.
بقلم عبدالرحمن أحمد6 دقائق للقراءة
في 12 أكتوبر 2026 خرجت من Anthropic قصتان تبدوان متعاكستين: الأولى عن حماية نماذجها المغلقة من النسخ، والثانية تحذير من أن نماذج مفتوحة صغيرة قد تصبح قريبًا قادرة على نسخ نفسها عبر أجهزة المنزل الذكي. وفي الأسبوع نفسه نشر باحثو NVIDIA ورقة تقترح طريقة لجعل نموذج واحد «يفكّر أعمق» عند الحاجة دون أن يكبر حجمه. ثلاث قصص تدور حول سؤال واحد: من يتحكم في قدرات النموذج، وأين تذهب؟
Anthropic: حماية تخفض «التقطير» بنسبة 90 إلى 99%
«التقطير» (Distillation) هو تدريب نموذج جديد على مخرجات نموذج أقوى حتى يكتسب قدراته بتكلفة ووقت أقل. حين يحدث ذلك عبر حسابات وهمية وشبكات وسيطة دون إذن، تسميه الشركات «هجمات تقطير». بحسب ما نقلته Reuters يوم الاثنين 12 أكتوبر، قالت Anthropic إن إجراءاتها الجديدة خفّضت البيانات التي يجمعها المهاجمون بنحو 90% إلى 99%.
- حجب التفكير المحمي: الإجراءات تقيّد الوصول إلى خطوات تفكير Claude، والشركة تقول إن عدد «رموز التفكير» التي يستخرجها المقطّرون صار أقل بين 10 و100 مرة مما كان عليه.
- صعوبة استخدام الشبكات الوسيطة: صار أصعب على المهاجمين استعمال شبكات بروكسي لسؤال النموذج مرارًا عن تفكيره المحمي.
- دقة النظام: تصف Anthropic نظام الحماية بأنه «تقريبًا بمتانة» الأنظمة التي تمنع Claude من المساعدة في صنع أسلحة بيولوجية، بمعدل إنذارات خاطئة أقل من 0.1%.
- حظر واسع: حظرت الشركة عشرات الآلاف من الحسابات المرتبطة بحملات تقطير، وضربت مثالًا بشركة Z.ai الصينية (المعروفة أيضًا باسم Zhipu)، قائلة إنها حاولت تقطير قدرات Claude أثناء تطوير نموذج GLM-5.3. وبحسب Reuters لم تردّ Z.ai فورًا على طلب التعليق.
السياق أوسع من شركة واحدة: Anthropic وOpenAI وGoogle تقول كلها إن التقطير يسمح للمنافسين بإعادة إنتاج القدرات المتقدمة بسرعة وبتكلفة أقل، وهو ملف يزداد حساسية مع اشتداد المنافسة بين الولايات المتحدة والصين.
ماذا يعني هذا للمطوّر؟ إن كنت تبني منتجًا فوق واجهة Claude، فتوقّع أن تبقى خطوات التفكير الداخلية أقل ظهورًا. صمّم منتجك على أساس الإجابة النهائية، ولا تعتمد على نص التفكير كجزء من المنطق أو الواجهة.
الفريق الأحمر في Anthropic: نماذج مفتوحة صغيرة «على بعد أشهر» من نسخ نفسها عبر أجهزة إنترنت الأشياء
في اليوم نفسه نشر فريق Frontier Red Team في Anthropic ورقة للباحثَين William Zhou وDaniel Freeman تختبر سؤالًا مقلقًا: هل يستطيع نموذج ذكاء اصطناعي أن يجهّز بيئة تشغيله بنفسه ثم ينتشر عبر شبكة من الأجهزة المعزولة بجدار ناري؟ وبحسب ملخص AI Weekly للورقة:
- النماذج المختبرة خمسة: Qwen3.5-9B وGLM-5.2 وGemma4-26B-A4B وLlama3.1-8B، إضافة إلى نموذج Anthropic المغلق Opus 4.8.
- عرض عملي: شغّل الفريق Gemma4-26B-A4B موزّعًا على 15 جهاز Android TV رخيصًا (نحو 55 دولارًا للجهاز) بسرعة تقارب 0.39 رمز في الثانية. بطيء جدًا، لكنه يعمل.
- النتيجة الأبرز: GLM-5.2 كان النموذج المفتوح الوحيد الذي حقق نسخًا ذاتيًا كاملًا وموثوقًا من البداية للنهاية في تقييم مبسّط، وانتشر إلى العُقد الثماني المعزولة كلها في 4 من 5 محاولات.
- التوقّع الزمني: يكتب المؤلفان أن النماذج الصغيرة، إن استمر تحسّنها بمعدله التاريخي، ستبلغ هذا المستوى «بحلول نهاية هذا العام».
الورقة نفسها تضع تحفظًا مهمًا: التقييم «يُبقي عنصر الاستغلال السيبراني في عملية النسخ بسيطًا»، أي أن النتيجة «حد أعلى» لما قد ينجح في الواقع وليست وصفًا لهجوم حقيقي. كما يلاحظ المؤلفان أن التنسيق الأرجح سيكون بنموذج كبير يضع الخطة العامة ويشغّل نماذج صغيرة كوكلاء فرعيين.
على جانب الدفاع، تشير الورقة إلى «حجر صحي» على مستوى مزوّدي الإنترنت يقصر اتصال الأجهزة المصابة على قائمة قصيرة من المواقع المسموح بها، وتقدّر أنه يزيل 92% من الإصابات خلال 14 يومًا في الظروف التي نمذجتها، وإلى تشريعات مثل قواعد المركز الوطني للأمن السيبراني في بريطانيا التي جعلت كلمات المرور الافتراضية لأجهزة إنترنت الأشياء غير متوافقة مع السوق البريطانية. خلاصتهم: القدرات التي تجعل النماذج وكلاء برمجة أقوياء هي نفسها التي تمتد إلى المهام السيبرانية، ومنها النسخ الذاتي.
نصيحة عملية: إن كانت لديك أجهزة ذكية رخيصة في البيت أو المكتب، غيّر كلمات المرور الافتراضية، وحدّث البرامج الثابتة، وضعها على شبكة منفصلة عن أجهزة العمل.
NVIDIA: نموذج Koi-4B يفكّر «أعمق» بتكرار طبقاته لا بزيادة حجمه
من جهة البحث، نشر باحثون من NVIDIA على arXiv في أكتوبر 2026 ورقة بعنوان One Model to Loop Them All: Elastic Latent Recurrence for Language Models. الفكرة: نموذج «حلقي» يمرّر البيانات على كتلة الطبقات الوسطى نفسها أكثر من مرة، فتزيد جودة الإجابة كلما زاد عدد الحلقات، دون أي معامِلات إضافية. المشكلة التاريخية لهذه النماذج أنها عند حلقة واحدة تكون أضعف من نموذج عادي بالحجم نفسه، ويسمّي الباحثون ذلك «ضريبة الحلقة الواحدة». وصفتهم ELR تحاول إلغاء هذه الضريبة.
- ثلاثة اختيارات تصميمية: تحديث للحالة ببوابة وخطوة متعلَّمة، وخلط عدد الحلقات داخل كل خطوة تدريب، وإخبار كل تمريرة برقمها وبالميزانية الكلية.
- النتائج على نماذج مطابقة: عند حلقة واحدة كان نموذج 4B أقل من نظيره العادي بـ 0.52 نقطة فقط على متوسط عشر مهام، ونموذج 30B-A3B أعلى منه بـ 1.04. وأربع حلقات أضافت 7.25 و4.75 نقطة على الترتيب.
- Koi-4B: نسخة مدرّبة بالكامل حصلت في تقييم الباحثين على نحو 18 نقطة على مؤشر Artificial Analysis للذكاء عند حلقة واحدة (مستوى Qwen3.5-4B)، و29 عند أربع حلقات. الباحثون ينبّهون إلى أن هذه الأرقام من أداة التقييم الخاصة بهم وليست نتائج رسمية من Artificial Analysis.
- ذاكرة أقل وتكلفة تدريب محدودة: خدعة «الاحتفاظ بذاكرة KV للحلقة الأخيرة فقط» تبقي ذاكرة الانتباه بحجم الحلقة الواحدة. وبدء التدريب متعدد الحلقات في الربع الأخير فقط من التدريب المسبق يكلّف نحو 1.16 ضعف حوسبة النموذج العادي.
- إجابات أقصر: مع زيادة الحلقات صارت الردود أقصر بنحو 22% إلى 33%، وكأن النموذج يستبدل جزءًا من «التفكير بالكلمات» بتفكير داخلي في طبقاته.
الأهمية العملية أن نموذجًا صغيرًا يعمل على جهاز بذاكرة محدودة يمكن أن يملك «مقبض جودة» عند التشغيل: حلقة واحدة للردود السريعة، وأربع للأسئلة الصعبة، والأوزان نفسها في الحالتين.
مقارنة سريعة
| الخبر | الجهة | الرقم الأبرز | لماذا يهمك |
|---|---|---|---|
| حماية من التقطير | Anthropic | خفض 90–99% في البيانات المستخرجة | تفكير النموذج يصبح أقل ظهورًا لمستخدمي الواجهة |
| النسخ الذاتي عبر إنترنت الأشياء | Anthropic Frontier Red Team | GLM-5.2 انتشر لـ 8/8 عُقد في 4 من 5 محاولات | أجهزة البيت الرخيصة قد تصبح هدفًا لوكلاء ذاتيين |
| ELR وKoi-4B | NVIDIA | من 18 إلى 29 على المؤشر بالأوزان نفسها | نماذج صغيرة بجودة قابلة للضبط على الجهاز |
ما الذي تتابعه بعد ذلك؟
- هل ستضيف المختبرات تقييمًا للنسخ الذاتي في بطاقات النماذج كما تضيف اختبارات الاستغلال السيبراني؟
- هل سيردّ Z.ai علنًا على اتهامات Anthropic بخصوص GLM-5.3؟
- هل ستُطرح أوزان Koi-4B للعامة، وهل ستصل فكرة «الحلقات المرنة» إلى نماذج Nemotron القادمة؟
الخلاصة
الصورة هذا الأسبوع واضحة: الشركات تغلق أبواب نماذجها المغلقة، والنماذج المفتوحة الصغيرة تصبح أقوى بسرعة، إلى حد أن فريق أمان في Anthropic يراها قريبة من الانتشار الذاتي عبر أجهزة رخيصة. وفي الوقت نفسه يجعل بحث NVIDIA النماذج الصغيرة أذكى دون أن تكبر. قوة أكبر في حجم أصغر تعني فرصًا أكبر للمطوّرين، ومسؤولية أكبر في تأمين كل جهاز متصل.
المصادر
- Reuters عبر The Economic Times: Anthropic says new safeguards sharply reduce AI distillation attacks (13 أكتوبر 2026)
- AI Weekly: Anthropic: open models months from self-replicating on IoT (13 أكتوبر 2026)
- arXiv 2610.12582: One Model to Loop Them All: Elastic Latent Recurrence for Language Models (NVIDIA)
الوسوم