مع دخول الذكاء الاصطناعي إلى عمليات الأمن السيبراني، يظهر اتجاه مختلف عن استخدام نموذج عام وطلب منه «حلل هذا الكود» أو «اشرح هذه الثغرة».
في الإمارات، أطلق مجلس الأمن السيبراني بالتعاون مع Open Innovation AI نموذج ذكاء اصطناعي متخصصًا صُمم من البداية لمهام الأمن السيبراني، من تحليل الثغرات والكود إلى التحقيق في الحوادث ودعم مراكز العمليات الأمنية.
النموذج طُوّر بالتعاون داخل دولة الإمارات، ويستهدف المؤسسات والخبراء الذين يحتاجون AI يعمل داخل Workflows أمنية فعلية بدل نموذج محادثة عام.
ماذا يفعل النموذج؟
بحسب الإعلان الرسمي، صُمم النموذج لعدة مهام أمنية عملية تشمل:
- اكتشاف الثغرات الأمنية وتقييمها.
- تحليل الشيفرات البرمجية الآمنة.
- اقتراح معالجة نقاط الضعف.
- تحليل السبب الجذري للحوادث والمشكلات.
- تحليل أثر الثغرات والمخاطر.
- تحليل التصحيحات الأمنية Security Patches.
- التحقيق في الحوادث السيبرانية.
- دعم الاستجابة للحوادث.
- تحليل التنبيهات والاستشارات الأمنية.
- الاستدلال المنظم في مسائل الدفاع السيبراني.
- دعم عمليات الأمن السيبراني داخل المؤسسات.
هذه النقطة مهمة، لأن القيمة ليست في أن النموذج «يعرف الأمن السيبراني» فقط، بل في أنه صُمم ليخرج نتائج يمكن دمجها في عمليات وأنظمة أمنية قائمة.
ما الفرق عن استخدام نموذج AI عام؟
يمكن لنموذج عام أن يساعد في شرح كود أو تلخيص تقرير أمني، لكن النموذج المتخصص يُبنى ويُدرّب حول Domain محدد.
في هذه الحالة، استخدم المشروع بيانات أمن سيبراني مملوكة وتقنيات Open Innovation AI أثناء التطوير والتدريب.
الهدف هو أن تكون طريقة فهم النموذج للمهمة ومخرجاته أقرب إلى ما يحتاجه محلل أمني أو Security Operations Center من نموذج عام يحتاج إلى Prompt طويل في كل مرة.
عمليًا، النموذج المتخصص يفترض أن «السياق الأمني» هو نقطة البداية، وليس مجرد موضوع إضافي داخل نموذج متعدد الاستخدامات.
تحليل الثغرات والكود
أحد الاستخدامات الأساسية هو Vulnerability Analysis.
يمكن للنموذج دعم المختص في دراسة نقطة ضعف، تقييم أثرها، ربطها بالسياق التقني ثم المساعدة في تحليل المعالجة المناسبة.
كذلك يمكن استخدامه في Secure Code Analysis لفحص الشيفرة والبحث عن الأنماط الخطرة أو الأخطاء التي قد تتحول إلى ثغرات.
لكن هذا لا يعني أن نتيجة النموذج تصبح تلقائيًا قرارًا أمنيًا نهائيًا.
في التطبيقات الحقيقية، يجب أن تمر النتائج عبر أدوات الفحص المعتادة، الاختبارات، والمراجعة البشرية خصوصًا عندما يكون القرار متعلقًا بنظام إنتاجي أو بنية تحتية حساسة.
ماذا يفعل في Incident Response؟
عند وقوع حادث أمني، المشكلة لا تكون دائمًا في العثور على تنبيه واحد.
فرق الأمن تحتاج إلى فهم: ماذا حدث؟ ما السبب الجذري؟ ما الأنظمة المتأثرة؟ ما أثر الحادث؟ وأي إجراء يجب اتخاذه أولًا؟
بحسب الإعلان، النموذج يدعم Incident Investigation وResponse Support، بالإضافة إلى Root-Cause and Impact Analysis.
هنا يمكن أن يصبح AI طبقة مساعدة للمحلل تجمع المعلومات، تنظّم السيناريوهات المحتملة وتساعد في تفسير الأدلة، بدل أن يحاول المحلل معالجة كل عنصر بشكل منفصل.
مخرجات مهيأة للـSOC
من أكثر التفاصيل العملية أهمية أن النموذج يستطيع إنتاج Structured Outputs.
هذه نقطة مختلفة عن مجرد الحصول على فقرة نصية من Chatbot.
المخرجات المنظمة يمكن دمجها داخل:
- منصات الأمن السيبراني.
- Security Operations Centers.
- أنظمة المؤسسات.
- Workflows للتحقيق والاستجابة.
- أدوات أو منصات أمنية أخرى.
وهذا يفتح الباب لاستخدام النموذج كمكوّن داخل نظام أمني بدل استخدامه كواجهة منفصلة فقط.
لماذا التشغيل الخاص والسيادي مهم؟
البيانات الأمنية من أكثر بيانات المؤسسة حساسية.
سجلات الأنظمة، الثغرات، تفاصيل البنية التحتية، الشيفرات، وتحقيقات الحوادث ليست معلومات تريد معظم المؤسسات إرسالها بلا قيود إلى خدمة AI عامة.
النموذج الجديد صُمم بحيث يمكن تشغيله في بيئات خاصة ومتحكم بها وسيادية.
هذا يعني أن المؤسسة يمكنها الحفاظ على السيطرة على بياناتها الحساسة وأحمال الذكاء الاصطناعي أثناء استخدام النموذج.
بالنسبة للجهات الحكومية والبنوك وشركات الطاقة والاتصالات والبنية التحتية الحيوية، هذه الخاصية قد تكون بنفس أهمية قدرة النموذج نفسها.
ما المقصود بـAI سيادي هنا؟
الفكرة لا تتعلق بمكان الخوادم فقط.
Sovereign AI يعني أن الجهة تحتفظ بدرجة أكبر من السيطرة على البيانات، البنية التحتية، نموذج التشغيل، سياسات الوصول، أحمال AI، والتكامل مع الأنظمة الداخلية.
وبالنسبة للأمن السيبراني، كلما كانت البيانات حساسة ازدادت أهمية هذه السيطرة.
كيف تم تدريب النموذج؟
بحسب الإعلان الرسمي، تم تدريب النموذج باستخدام منصة AI Fabric التابعة لـOpen Innovation AI.
كما استخدمت عملية التدريب قدرات Distributed Training وتحسين استخدام وحدات GPU لتحقيق استخدام أكثر كفاءة للبنية التحتية على نطاق واسع.
لكن الإعلان لم يقدم Benchmark عامًا يسمح لنا بمقارنة النموذج رقميًا مع Gemini أو GPT أو Claude أو نماذج Cybersecurity أخرى.
لذلك لا توجد حاليًا قاعدة موثوقة للقول إنه «الأفضل» أو «الأدق».
السؤال العملي الأهم سيكون عندما تتوفر معلومات إضافية عن تقييم النموذج في سيناريوهات حقيقية.
هل يستطيع استبدال محلل الأمن السيبراني؟
لا.
وهذه ليست مجرد ملاحظة منا؛ الإعلان الرسمي نفسه يؤكد أن النموذج صُمم لدعم متخصصي الأمن السيبراني، وليس لاستبدال عملية اتخاذ القرار الأمني المتخصصة.
وهذا تصميم منطقي.
في الأمن السيبراني يمكن لقرار خاطئ أن يؤدي إلى إيقاف نظام حقيقي، حذف بيانات مهمة، تعطيل خدمة، تغيير صلاحيات، تنفيذ Patch غير مناسب، أو سوء تفسير حادث أمني.
لذلك يجب أن يعمل AI كمساعد للمحلل، مع وجود Human-in-the-loop في القرارات الحساسة.
مثال عملي داخل SOC
تخيل أن نظام SIEM يولد مجموعة من التنبيهات المرتبطة بخادم معين.
- قراءة التنبيهات والسجلات ذات الصلة.
- ربط الأحداث ببعضها.
- تحديد نقطة الضعف المحتملة.
- تحليل أثرها على الأنظمة المتصلة.
- فحص Patch أو Fix متاح.
- إخراج تقرير منظم للمحلل.
- اقتراح خطوات الاستجابة.
بعد ذلك يبقى القرار التنفيذي النهائي بيد الفريق الأمني.
هذا النوع من الاستخدام أكثر واقعية من فكرة «AI يدير الأمن السيبراني بالكامل».
لماذا يهم المشروع خليجيًا وعربيًا؟
المشروع مهم أيضًا لأنه يمثل انتقالًا من مجرد شراء واستخدام نماذج ذكاء اصطناعي عامة إلى تطوير نموذج متخصص محليًا لمجال استراتيجي.
الأمن السيبراني مرتبط مباشرة بالبيانات الحكومية، الاقتصاد، البنية التحتية، الطاقة، الخدمات المالية والاتصالات.
لذلك بناء قدرات AI متخصصة وقابلة للتشغيل في بيئات سيادية يعطي المشروع أهمية تتجاوز إطلاق نموذج جديد.
ماذا لا نعرف حتى الآن؟
- اسم النموذج التجاري أو التقني النهائي إن وُجد.
- حجم النموذج.
- Architecture المستخدمة.
- هل ستتوفر API عامة؟
- هل ستوجد Demo للمطورين؟
- شروط الوصول للمؤسسات.
- Benchmarks مستقلة.
- نتائج الاختبار أمام نماذج عامة ومتخصصة أخرى.
- تفاصيل Dataset المستخدمة بخلاف الإشارة إلى بيانات Cybersecurity مملوكة.
لذلك من الأفضل التعامل مع الإطلاق حاليًا باعتباره إعلانًا عن نموذج متخصص وقدرات تشغيلية، وليس تقييمًا نهائيًا لأدائه.
بحسب اهتمامك
الأمن والخصوصية: نموذج متخصص قد يساعد في تحليل الثغرات والتحقيق في الحوادث ودعم الاستجابة الأمنية.
المطورون: Structured Outputs تفتح الباب لدمج النموذج داخل منصات وأدوات الأمن بدل استخدامه كـChatbot فقط.
الأعمال والمؤسسات: التشغيل الخاص والسيادي قد يكون مهمًا للمؤسسات التي لا تستطيع إرسال بيانات أمنية حساسة إلى خدمات عامة.
فرق SOC: الاستخدام الأقرب هو دعم المحلل في فهم الحوادث، ترتيب المعلومات وتحليل السبب والأثر.
المهتمون بالذكاء الاصطناعي الخليجي: المشروع مثال على بناء Domain-Specific AI داخل المنطقة بدل الاعتماد الكامل على النماذج العامة.
الخلاصة
أهمية النموذج الجديد ليست في كونه «ChatGPT للأمن السيبراني».
الفكرة الأقوى هي بناء AI متخصص يمكن دمجه داخل عمليات الأمن الفعلية: تحليل الثغرات، فحص الشيفرة، التحقيق في الحوادث، تحليل التصحيحات وإنتاج نتائج منظمة يمكن للـSOC والأنظمة الأمنية التعامل معها.
وفي الوقت نفسه، وضع مجلس الأمن السيبراني وOpen Innovation AI حدًا مهمًا: النموذج يدعم المختص، ولا يستبدل القرار الأمني المتخصص.
الاختبار الحقيقي سيبدأ عندما تظهر تفاصيل أوسع عن الإتاحة، الأداء، Benchmarks وطريقة دمجه في البيئات التشغيلية.
عند ظهور API أو Demo أو صفحة منتج رسمية أو نتائج تقييم مستقلة، سنحدّث هذه المقالة بدل إنشاء خبر مكرر.
المصادر
المقالة مبنية على الإعلان الرسمي ومصاغة عربيًا بشكل أصلي، ولا تعيد نشر نص المصدر. لم نستخدم أي ادعاء تفوق أو رقم أداء غير منشور رسميًا.