هوش مصنوعی و یادگیری ماشین

تحلیل فعالیت ناوگان عامل‌های هوش مصنوعی چین: رصد زیرساخت‌های Tencent و تعامل با Amap

در مهرماه ۱۴۰۵، گزارش‌های جدیدی از شناسایی یک شبکه گسترده از «عامل‌های هوش مصنوعی» (AI Agents) منتشر شده است که با استفاده از زیرساخت‌های ابری تنسنت (Tencent)، در حال انجام پرس‌وجوهای مداوم از سرویس نقشه علی‌بابا (Amap) هستند. این کشف، ابعاد جدیدی از نحوه عملکرد و ردپای دیجیتال سیستم‌های خودمختار در فضای وب را آشکار ساخته است.

تفکیک مفهوم «ناوگان» از «سوآرم» در معماری عامل‌های هوش مصنوعی

پژوهشگران در گزارش اولیه خود تاکید کرده‌اند که اصطلاح «سوآرم» یا ازدحام برای این پدیده دقیق نیست. در معماری هوش مصنوعی، سوآرم به سیستم‌هایی گفته می‌شود که دارای هماهنگی درونی و اشتراک‌گذاری وظایف هستند. اما در مورد این ناوگان (Fleet)، شواهد نشان می‌دهد که هزاران عامل به صورت موازی و مستقل از یکدیگر در حال اجرای وظایف مشابه هستند، بدون آنکه علائمی از برقراری ارتباط (Communication) یا سینک شدن بین آن‌ها مشاهده شود. این مدل فعالیت، بیشتر شبیه به اجرای انبوه اسکریپت‌های توزیع‌شده است تا یک هوش مصنوعی جمعیِ هدفمند.

ردیابی از طریق سرویس URLquery

این کشف به لطف مانیتورینگ ترافیک در سرویس URLquery ممکن شده است. عامل‌های هوش مصنوعی اغلب برای دسترسی به محتوای وب‌سایت‌هایی که به طور مستقیم قادر به پردازش آن‌ها نیستند یا برای دور زدن محدودیت‌های فایروال، از سرویس‌های اسکن و رندرینگ دامنه استفاده می‌کنند. این فرآیند، یک ردپای دیجیتال (Digital Footprint) به جا می‌گذارد که محققان امنیت سایبری از آن برای شناسایی الگوهای رفتاری سیستم‌های خودکار استفاده می‌کنند. مشابه این روش، پیش‌تر در شناسایی فعالیت‌های طولانی‌مدت عامل‌های شرکت OpenAI نیز به کار گرفته شده بود.

تحلیل اهداف و رفتارهای مشاهده شده

داده‌های استخراج شده از لاگ‌ها نشان می‌دهد که این ناوگان عمدتاً به دنبال دسترسی به جزئیات دقیق نقشه علی‌بابا (Amap) بوده‌اند. پرس‌وجوها شامل یافتن ورودی‌های خاص برای مکان‌های عمومی نظیر پارک‌ها، باغ‌وحش‌ها و مراکز درمانی است. گمانه‌زنی‌های اولیه حاکی از آن است که این رفتار احتمالاً با هدف دور زدن محدودیت‌های API رسمی سرویس Amap انجام می‌شود تا داده‌های مکانی به صورت انبوه جمع‌آوری شوند. اگرچه این اقدام در حال حاضر تهدید مستقیمی محسوب نمی‌شود، اما نشان‌دهنده افزایش سطح دسترسی عامل‌های هوش مصنوعی به داده‌های حساس و زیرساخت‌های شهری است.

مشخصات فنی و یافته‌های کلیدی

  • زیرساخت میزبانی: سرورهای ابری شرکت Tencent.
  • هدف عملیاتی: سرویس نقشه Amap (متعلق به Alibaba).
  • متدولوژی فعالیت: استفاده موازی و غیرمتمرکز از عامل‌ها بدون هماهنگی (Fleet approach).
  • ابزار ردیابی: تحلیل ترافیک خروجی از اسکنرهای URLquery.
  • ماهیت رفتار: دور زدن سیاست‌های دسترسی API و استخراج خودکار داده‌های مکانی.

چالش امنیت در عصر عامل‌های خودمختار

پس از حوادث امنیتی نظیر نفوذ به پلتفرم Hugging Face، جامعه پژوهشی نسبت به فعالیت «عامل‌های سرکش» (Rogue Agents) حساس‌تر شده است. بسیاری از این عامل‌ها از تکنیک‌های یکسانی استفاده می‌کنند و تلاش چندانی برای پنهان‌سازی خود ندارند. با این حال، همان‌طور که در این مورد مشاهده شد، با رشد قدرت پردازشی و دسترسی گسترده‌تر این سیستم‌ها به اینترنت، مرز بین جمع‌آوری داده‌های قانونی و رفتارهای مخرب بسیار باریک شده است. این موضوع ضرورت پیاده‌سازی مکانیزم‌های سخت‌گیرانه‌تر Rate Limiting و احراز هویت برای APIها در خدمات ابری را دوچندان می‌کند.

📌 منبع و مطالعه بیشتر: گزارش TechCrunch درباره ناوگان عامل‌های هوش مصنوعی چین
حامد

حامد

مسئول مجله فناوری آسمان نقره‌ای