سیسکو سیستمز در 21 ژوئیه Antares را معرفی کرد، خانواده ای از مدل های زبان کوچک که برای تعیین دقیق محل آسیب پذیری های امنیتی شناخته شده در یک پایگاه کد ساخته شده اند، و دو مورد اول را به عنوان بارگیری با وزن باز در Hugging Face منتشر کرد. این راهاندازی که توسط SiliconANGLE، Axios و Help Net Security پوشش داده میشود، یکی از ملموسترین تلاشها برای وارد کردن مدلهای کوچک تخصصی به گوشهای از امنیت نرمافزاری است که مدتها آهسته، پرهزینه و متکی به محققان انسانی بوده است.
Antares از Cisco Foundation AI، گروه تحقیقاتی و مهندسی این شرکت که بر هوش مصنوعی امنیتی خاص متمرکز است، می آید. این پروژه با مشکلی به نام محلیسازی آسیبپذیری، کار اتصال دادههای آسیبپذیری خارجی، مانند پایگاههای داده عمومی، توصیهها، و ورودیهای Common Weakness Enumeration (CWE) به فایلهای خاصی در مخزنی که احتمال وجود نقصی در آن وجود دارد، مقابله میکند. برای دنبال کردن آخرین تحولات در این فضا، [پوشش صنعت AI] ما را ببینید (https://aibuzzwire.news).
مدل های کوچک ساخته شده برای یک کار خاص
دو مدل در حال حاضر موجود است: Antares-350M و Antares-1B، با یک مدل بزرگتر Antares-3B که قرار است دنبال شود. همه آنها به اندازه کافی کوچک هستند تا به صورت محلی اجرا شوند، که سیسکو گفت که به تیم های امنیتی اجازه می دهد کد منبع حساس را به جای ارسال آن به یک سرویس ابری در محیط خود نگه دارند. این یک نقطه فروش قابل توجه برای دانشگاه ها، ارگان های بخش عمومی، سازمان های غیرانتفاعی و تیم های امنیتی کوچکتر است که بودجه لازم برای مدل های مرزی تجاری سنگین را ندارند.
Antares به جای اسکن یک مخزن با قوانین ثابت، از طریق آن مانند یک محقق انسانی کار می کند. هر مدل از یک توصیف آسیبپذیری شروع میکند، الگوهای کد مربوطه را جستجو میکند، فایلهای کاندید را میخواند، شواهد جدید را در حین حرکت جمع میکند، زمانی که مسیری به جایی نمیرسد تغییر جهت میدهد، و به سمت فایلهایی که به احتمال زیاد اهمیت دارند، باریک میشود. خروجی یک لیست رتبهبندی شده از فایلهای منبع است که احتمالاً حاوی آسیبپذیری مربوطه هستند، همراه با ردیابی اکتشاف ترمینال که آن را ایجاد کرده است.
یک معیار سفارشی و صرفه جویی چشمگیر در هزینه
برای اندازهگیری مدلها، سیسکو آزمایش خود را ایجاد کرد، معیار محلیسازی آسیبپذیری، مجموعهای با 500 ورودی که به مدلی برای پیمایش یک پایگاه کد ناآشنا و شناسایی الگوهای آسیبپذیری مرتبط با دستههای ضعف خاص نیاز دارد. سیسکو استدلال میکند که معیارهای جستجوی کد موجود اندازهگیری میکنند که آیا یک عامل میتواند کد مربوط به یک مشکل نرمافزاری کلی را پیدا کند، نه اینکه آیا میتواند فایلهای آسیبپذیر را از توضیحات امنیتی پیدا کند یا خیر. نزدیک ترین کار قابل مقایسه ای که این شرکت به آن اشاره کرد، سیستمی به نام CodeScout است که نشان می دهد بومی سازی کد را می توان با یک ترمینال استاندارد یونیکس آموزش و اندازه گیری کرد.
در این معیار، سیسکو گفت که مدلهای Antares از نظر دقت تقریباً دوازده مدل بزرگتر با وزن باز و بسته را شکست داده و در عین حال ارزانتر هستند. این شرکت هزینه ارزیابی Antares را کمتر از یک دلار اعلام کرد، در مقابل تقریباً 12.50 دلار برای قوی ترین مدل وزن باز آزمایش شده GLM-5.2، و حدود 141 دلار برای قوی ترین مدل منبع بسته، GPT-5.5. این ارقام به ترتیب 15.2 برابر و 172 برابر ارزان تر است. Antares همچنین اجرای بنچمارک را در حدود یک ساعت به پایان رساند، در حالی که برای GPT-5.5 تقریباً چهار ساعت و نیم بود.
شکاف عملکردی روند صنعت گستردهتری را برجسته میکند: برای وظایف با تعریف محدود، مدلهای کوچک با دقت آموزش دیده میتوانند با اندکی هزینه محاسباتی با مدلهای مرزی همه منظوره مطابقت داشته باشند یا از آنها فراتر رود. همانطور که Axios گزارش داد، سیسکو به طور موثر شرط بندی کرده است که هوش مصنوعی کوچکتر و هدفمند در امنیت سایبری سازمانی برنده خواهد شد، جایی که تیم ها بیشتر از اندازه مدل خام به قابلیت اطمینان، هزینه و حریم خصوصی داده ها اهمیت می دهند.
بخشی از یک فشار هوش مصنوعی امنیتی گسترده تر
Antares آخرین قطعه از تلاش گستردهتر سیسکو در زمینه هوش مصنوعی در امنیت است. در ماه اکتبر، این شرکت Project CodeGuard را منتشر کرد که یک چارچوب متن باز از قوانین کدگذاری ایمن برای عوامل کدنویسی هوش مصنوعی است. در ماه مه، Foundry Security Spec را منتشر کرد که طرحی باز برای ساخت سیستمهای ارزیابی امنیتی عامل است. Antares این خط کار را با قرار دادن یک مدل قابل استفاده و وزن باز مستقیماً در دستان تمرینکنندگان گسترش میدهد.
انتشار همچنین در بحبوحه نگرانی فزاینده در مورد خطرات نرم افزاری مرتبط با هوش مصنوعی منتشر می شود. در همان ماه که سیسکو مشخصات Foundry Security Spec را منتشر کرد، بلومبرگ گزارش داد که یک مدل پیشرفته Anthropic باعث تشکیل جلسه اضطراری بین اسکات بسنت، وزیر خزانه داری، جروم پاول، رئیس فدرال رزرو، و مدیران بانک شد و تاکید کرد که تنظیم کننده ها چقدر جدی با پیامدهای امنیتی سیستم های هوش مصنوعی قدرتمند برخورد می کنند.
چه معنایی برای توسعه دهندگان و تیم های امنیتی دارد
برای سازمانهایی که به دلیل نگرانیهای مربوط به هزینه یا قرار گرفتن در معرض دادهها در پذیرش تحلیل کد مبتنی بر هوش مصنوعی تردید دارند، Antares یک راه میانه ارائه میکند. از آنجایی که مدلها وزن باز دارند و به اندازه کافی کوچک هستند تا روی سختافزار متوسط اجرا شوند، تیمها میتوانند آنها را در پشت فایروالهای خود مستقر کنند و هر تماس استنتاجی را بدون پرداخت هزینههای هر توکن به یک ارائهدهنده ابری بررسی کنند. مجوز وزن باز همچنین به این معنی است که محققان می توانند مدل ها را برای دامنه های خود بازرسی، تنظیم و گسترش دهند.
مبادله این است که مدل های کوچک با طراحی تخصصی هستند. Antares یک ایمیل بازاریابی پیشنویس نمیکند، یک جلسه را خلاصه نمیکند، یا به یک سؤال دانش عمومی پاسخ نمیدهد. کاری که برای انجام آن ساخته شده است، قرار دادن فایلهای دقیقی که احتمالاً یک کلاس آسیبپذیری شناخته شده در آن پنهان شده است، به نظر میرسد که بهتر از مدلهایی است که هزار برابر اندازه آن، حداقل در معیار خود سیسکو.
اینکه آیا محققین مستقل این نتایج را در پایگاه های کد خود تایید کنند، تعیین کننده میزان پذیرش گسترده Antares است. در حال حاضر، این راهاندازی پیامی را تقویت میکند که در تمام سال در صنعت هوش مصنوعی ایجاد شده است: وقتی کار به اندازه کافی محدود است، کوچکتر میتواند هوشمندتر، ارزانتر و ایمنتر باشد.
---
از هوش مصنوعی جلوتر بمانیدآخرین اخبار، تحلیل ها و پیشرفت های هوش مصنوعی را دریافت کنید - همه در یک مکان.
بیشتر بخوانید اخبار هوش مصنوعی →
