Бывший сотрудник Anthropic: черные хакеры предпочитают Claude и Codex открытым моделям

Бывший сотрудник Anthropic: черные хакеры предпочитают Claude и Codex открытым моделям

2026/07/29 08:00:00
Пользовательское изображение
Знали ли вы, что киберпреступники активно выбирают закрытые модели искусственного интеллекта вместо открытых, несмотря на строгие меры безопасности? Черные хакеры в основном полагаются на мощные проприетарные модели, такие как Claude Code от Anthropic и Codex от OpenAI, тогда как белые хакеры и специалисты по безопасности вынуждены в основном использовать открытые модели. Согласно информации, предоставленной бывшим сотрудником Anthropic Ноа Лебовичем в июле 2026 года, закрытые модели обеспечивают превосходящие возможности автоматизированных атак, которые значительно перевешивают трудности обхода фильтров безопасности. Злоумышленники приобретают дисконтные подписочные токены на серых рынках и систематически переключаются на скомпрометированные аккаунты при блокировке. Напротив, легитимные команды по пентестингу сталкиваются с жесткими требованиями соответствия и агрессивной фильтрацией контента на проприетарных платформах, что вынуждает их обращаться к открытым моделям, таким как GLM 5.2. Эта структурная несогласованность создает устойчивое асимметричное преимущество в кибероперациях, при котором защитные меры случайно ограничивают легитимных специалистов по кибербезопасности, не сдерживая при этом злоумышленников.

Почему черные хакеры предпочитают Claude и Codex открытым моделям?

Чёрные хакеры предпочитают проприетарные ИИ-модели, такие как Claude Code и OpenAI Codex, поскольку их продвинутые возможности рассуждения и генерации кода значительно превосходят открытые альтернативы при выполнении сложных кибератак. Лучшие закрытые модели обеспечивают превосходную производительность в обнаружении уязвимостей нулевого дня, написании эксплойтов и автоматизации многоэтапных задач проникновения.
Согласно заявлениям бывшего исследователя Anthropic Ноа Лебовича, приведенным в отчете Beating за июль 2026 года, киберпреступники отдают приоритет сырой интеллектуальной способности и надежности исполнения, а не препятствиям со стороны систем защиты. Модели высокой мощности значительно сокращают время, необходимое для разработки функционального эксплойт-кода, с часов до секунд. Разрыв в производительности между ведущими проприетарными системами и открытыми моделями остается настолько значительным, что злоумышленники сознательно обходят системы безопасности, а не соглашаются на более слабые открытые альтернативы.

Как злоумышленники обходят ограничения безопасности закрытого исходного кода?

Злоумышленники обходят средства безопасности с закрытым исходным кодом, приобретая дисконтированные подписочные токены на серых рынках и применяя передовые методы джейлбрейка в сочетании с быстрой сменой аккаунтов. Ограничения безопасности действуют лишь как временные операционные препятствия, а не как абсолютные барьеры для настойчивых атакующих.
Когда собственные платформы обнаруживают вредоносную активность и блокируют нарушившие правила аккаунты, злоумышленники немедленно переключаются на новые учетные данные, купленные оптом на незаконных онлайн-рынках. Кроме того, сложная инженерия подсказок позволяет атакующим скрыть вредоносные намерения, представляя генерацию эксплойтов как образовательные исследования, тестирование на защиту или отладку программного обеспечения, тем самым обманывая классификаторы безопасности и заставляя их генерировать функциональные векторы атак.

Какую роль играют серые рынки в киберпреступности, основанной на ИИ?

Подпольные серые рынки поддерживают киберпреступность, основанную на ИИ, предоставляя дешевый и анонимный доступ к токенам передовых проприетарных моделей и украденным корпоративным аккаунтам. Эти незаконные рынки снижают финансовые и технические барьеры для проведения массовых автоматизированных кибератак.
Согласно наблюдениям киберразведки, цитируемым Beating в июле 2026 года, злоумышленники часто покупают API-ключи и подписки со значительными скидками. Эта недорогая инфраструктура позволяет хакерам запускать непрерывные автоматизированные сканирующие и эксплуатационные инструменты, основанные на Claude и Codex, не опасаясь блокировки аккаунта, поскольку замена учетных данных стоит лишь небольшую долю от обычной розничной цены.

Почему белошапочные команды безопасности вынуждены использовать модели с открытым исходным кодом?

Белые шляпы в области безопасности в основном полагаются на открытые AI-модели, поскольку строгие требования к соответствию, политики управления корпоративными рисками и агрессивная фильтрация контента поставщиков препятствуют использованию закрытых платформ для защитной кибербезопасности. Законные операции по кибербезопасности часто вызывают блокировки безопасности на коммерческих AI-инструментах при обработке реальных полезных нагрузок уязвимостей, образцов вредоносного ПО и команд для тестирования на проникновение.
Согласно раскрытиям Ноя Лебовича в июле 2026 года, три крупных авторизованных компании по пентестингу полностью перешли на открытые модели, такие как GLM 5.2, в качестве своих основных операционных движков. Поскольку этичные хакеры должны действовать в рамках правовых и организационных ограничений, они не могут использовать серые методы смены аккаунтов или джейлбрейк для обхода фильтров контента. Открытые модели обеспечивают полный контроль над операциями, безопасность локального развертывания и отсутствие цензуры контента, что делает их единственным жизнеспособным выбором для проведения чувствительных корпоративных аудитов безопасности.

Как контент-фильтры препятствуют законным операциям кибербезопасности?

Стандартные фильтры модерации контента на коммерческих платформах ИИ нарушают работу по защите, классифицируя законные исследования уязвимостей и пентест-команды как вредоносную активность. Коммерческие платформы применяют автоматическую блокировку по ключевым словам, отказываясь обрабатывать реальные эксплойт-скрипты, шеллкод или системный анализ уязвимостей.
Когда исследователи в белых шапках пытаются анализировать реальные векторы угроз или создавать защитные патчи с использованием проприетарных моделей, системы регулярно выдают отказы из соображений безопасности. Аналитики, занимающиеся защитой, не могут позволить себе простои в работе, вызванные повторными блокировками аккаунтов или ложными срабатываниями систем безопасности, что заставляет компании по кибербезопасности размещать некцензурные открытые модели на частной инфраструктуре, где автоматические блокировки отсутствуют.

Какие преимущества предоставляют открытые модели командам по оборонительной безопасности?

Открытые модели ИИ обеспечивают командам кибербезопасности полную конфиденциальность данных, настраиваемую дообучение и неограниченную обработку данных об угрозах. Локальное развертывание гарантирует, что собственная корпоративная информация и данные о нулевых уязвимостях никогда не покидают внутренние корпоративные сети.
Команды безопасности могут точно настроить модели с открытым исходным кодом, такие как GLM 5.2, исключительно на основе проприетарных телеметрических данных, архитектур внутренних кодовых баз и источников угроз. Такой локальный контроль обеспечивает полное соответствие строгим нормам защиты данных, таким как GDPR и SOC2, а также устраняет зависимости от сторонних API и риски, связанные с ведением журналов внешними поставщиками.
Операционные критерии Модели с закрытым исходным кодом (Claude / Codex) Модели с открытым исходным кодом (например, GLM 5.2)
Основная пользовательская база Черные хакеры, коммерческие разработчики Белые шляпы, корпоративные защитники
Уровень возможностей Передовые возможности рассуждения и выполнения Высокий, быстрое сокращение разрыва в производительности
Стратегия обхода Ротация аккаунтов, токены серого рынка Ненужный (локально размещенный и без цензуры)
Соответствие требованиям Низкий для реального анализа эксплуатации 100% соответствует требованиям локального суверенитета данных
Операционные трения Высокий уровень ложных срабатываний для защитников Нет искусственных фильтров или блокировок аккаунтов

В чем ключевые различия между открытым и закрытым ИИ в кибербезопасности?

Основное различие между открытым и закрытым исходным кодом ИИ в кибербезопасности заключается в компромиссе между пиковой производительностью модели и операционным контролем. Закрытые модели предлагают непревзойденную мощность рассуждений за строгими API-ограничениями, тогда как открытые модели обеспечивают полную прозрачность кода, возможность локального размещения и полную адаптируемость домена.
Согласно обсуждениям безопасности, опубликованным в сетях разработчиков в июле 2026 года, эта динамика создает четкое разделение в сфере кибербезопасности. Злоумышленники ориентируются на максимальную функциональность и используют незаконную инфраструктуру для обхода ограничений API, тогда как корпоративные защитники уделяют приоритетное внимание конфиденциальности данных, непрерывной доступности и беспрепятственной обработке чувствительных объектов безопасности.

Как возможности модели влияют на автоматическую генерацию эксплойтов?

Превосходные возможности модели напрямую повышают成功率 и скорость автоматической генерации эксплойтов в сложных программных средах. Лучшие коммерческие модели превосходно справляются с многоэтапными рассуждениями, что позволяет им картировать сложные архитектуры программного обеспечения, выявлять уязвимости с несколькими векторами атаки и генерировать полностью функциональный эксплойт-код без участия человека.
В авторизованных демонстрациях безопасности, проведенных Ноа Лебовичем с использованием Claude Opus 4.6, модель успешно выполнила цепочку атаки «от начала до конца», которая привела к взлому целевого банковского аккаунта и извлечению конфиденциальных медицинских данных. Глубина контекстного понимания, необходимая для сложных цепочек эксплуатации, остается основной причиной, по которой злоумышленники настаивают на использовании элитных проприетарных моделей вместо менее способных альтернатив.

Почему защитные барьеры создают асимметричное преимущество для атакующих?

Коммерческие средства защиты ИИ создают структурный дисбаланс, возлагая ограничительные бремена на добросовестных защитников, но не останавливая злонамеренных участников, действующих за пределами правовых рамок. Средства защиты полагаются на механизмы проверки намерений, которые легко обмануть с помощью классификаторов на основе правил, но сильно нарушают легитимные рабочие процессы.
Хотя этичные исследователи безопасности соблюдают пользовательское соглашение и сталкиваются с блокировкой аккаунта при срабатывании систем безопасности, злоумышленники намеренно учитывают потерю аккаунтов в своих операционных расходах. Эта динамика заставляет этичные команды безопасности полагаться на менее мощные или сильно модифицированные открытые модели, в то время как киберпреступники используют максимальную мощь проприетарных ИИ-систем через одноразовые аккаунты.

Как будет развиваться ландшафт киберугроз с ИИ по мере того, как модели с открытым исходным кодом догонят?

Ландшафт киберугроз с использованием ИИ претерпит значительное усиление автоматизированных атак после того, как открытые модели достигнут производительности, сопоставимой с ведущими закрытыми платформами. Безцензурные, высокоэффективные открытые модели устранят необходимость в аккаунтах серого рынка, предоставив злоумышленникам неограниченные, немониторируемые возможности для атак на локальном оборудовании.
Согласно совместным анализам, проведенным исследователями безопасности OpenAI и Anthropic в июле 2026 года, схождение возможностей с открытым исходным кодом с передовыми закрытыми эталонами представляет собой важную точку перелома. Как только веса с открытым исходным кодом достигнут уровня передовых показателей в программировании и рассуждении, централизованное наблюдение за платформами больше не будет эффективной точкой контроля для предотвращения автоматизированной кибервойны.
Этап эволюции угрозы Защитные характеристики Оффенсивные возможности
Текущая ситуация (2026) Защитники используют открытый исходный код для конфиденциальности; сталкиваются с пробелами в возможностях Злоумышленники используют закрытый исходный код через токены с серого рынка
Этап Parity Модели локальных предприятий соответствуют собственным возможностям Злоумышленники запускают нецензурированные передовые модели на локальных системах
Эра автономии Автоматизированная защита ИИ в реальном времени Непрерывная, полностью автономная AI-эксплуатация нулевого дня

Какие риски возникают, когда модели с открытым исходным кодом достигают передовых возможностей?

Когда модели с открытым исходным кодом достигнут уровня передовых способностей рассуждения, наступательные кибервозможности станут полностью демократизированными, децентрализованными и невозможными для удаленного отключения. Любой, у кого достаточно вычислительного оборудования, будет обладать автономным кибероружием, способным масштабно обнаруживать и эксплуатировать уязвимости программного обеспечения.
Централизованные меры защиты платформы — такие как ограничение скорости API, мониторинг поведения и мгновенная блокировка аккаунта — не могут снизить риски, связанные с локально выполненными весами моделей. Следовательно, вредоносные группы смогут запускать непрерывные, бесперебойные кампании угроз, не оставляя цифровых следов на коммерческих серверах ИИ.

Как кибербезопасность может адаптироваться к автономным атакам ИИ?

Инфраструктура кибербезопасности должна адаптироваться, внедряя автономные агенты ИИ для защиты в реальном времени, которые непрерывно сканируют, выявляют и устраняют уязвимости быстрее, чем атакующие модели могут их эксплуатировать. Стратегия защиты должна перейти от реактивного реагирования на инциденты с участием людей к автоматизированному устранению угроз на машинном уровне.
Поскольку человеческие центры безопасности не могут поспевать за векторами атак, управляемыми ИИ, организации все чаще встраивают модели с открытым исходным кодом непосредственно в свои системы обнаружения угроз. Развертывая специализированные защитные агенты локально, корпоративные сети могут мгновенно нейтрализовать эксплойты нулевого дня, перенастраивать брандмауэры и переписывать уязвимый код в реальном времени.

Как торговать токенами ИИ и кибербезопасности на KuCoin?

Торговля криптовалютами, связанными с искусственным интеллектом и кибербезопасностью, на KuCoin предоставляет доступ к растущему пересечению децентрализованных вычислений, разработки ИИ и автоматизированных протоколов безопасности. KuCoin предлагает доступ к ведущим цифровым активам, поддерживающим децентрализованные сети ИИ, безопасные вычисления данных и криптографические инструменты, ориентированные на конфиденциальность.
Чтобы начать торговлю токенами ИИ и безопасности на KuCoin, следуйте этим пошаговым инструкциям:
  1. Создайте аккаунт: посетите официальную платформу KuCoin и завершите процесс регистрации, используя действующий адрес электронной почты или номер телефона.
  2. Пройдите верификацию личности: загрузите необходимые документы для выполнения требований Know Your Customer (KYC), чтобы получить полный доступ к функциям аккаунта и повышенный лимит на вывод.
  3. Пополните средства: безопасно переведите криптовалюту или внесите фиат через поддерживаемые методы оплаты, такие как банковские переводы или покупки с помощью кредитной карты, на ваш аккаунт накопления KuCoin.
  4. Перейдите к спотовой торговле: переведите свои средства на торговый аккаунт, перейдите в интерфейс «Спотовая торговля» и найдите нужную вам торговую пару с токеном ИИ (например, NEAR/USDT, FET/USDT или RENDER/USDT).
  5. Выполните торговлю: выберите предпочитаемый тип ордера — лимитный ордер для точного контроля цены или рыночный ордер для мгновенного исполнения — введите сумму сделки и подтвердите транзакцию.
KuCoin предлагает институциональные функции безопасности, продвинутые инструменты анализа графиков и высокую ликвидность по сотням пар с участием ИИ и технологий блокчейн, делая его ведущей платформой для управления крипто активами в развивающейся цифровой экономике.

Заключение

Структурный разрыв между тем, как черные шляпы-атакующие и белые шляпы-защитники используют искусственный интеллект, подчеркивает фундаментальную уязвимость современных систем безопасности ИИ. Коммерческие закрытые модели, такие как Claude Code и OpenAI Codex, остаются предпочтительным выбором для киберпреступников благодаря их высоким способностям к рассуждению и автоматической генерации кода. Злоумышленники легко обходят защитные механизмы платформ, используя серые подписочные токены и быструю смену аккаунтов. Напротив, легитимные команды безопасности систематически вынуждены переходить на открытые модели, такие как GLM 5.2, чтобы избежать ложных срабатываний блокировок контента, блокировок аккаунтов и нарушений требований при обработке конфиденциальных данных об угрозах.
Как подчеркивали обсуждения в отрасли и исследовательские выводы бывших сотрудников Anthropic в июле 2026 года, существующие защитные механизмы создают значительные операционные трудности для этичных защитников, не успевая эффективно сдерживать решительных злоумышленников. Эта асимметрия станет еще более критичной по мере того, как модели с открытым исходным кодом достигнут уровня производительности проприетарных систем, перемещая наступательные возможности в децентрализованные, неотслеживаемые среды. Чтобы успевать за угрозами, обусловленными ИИ, архитектуры кибербезопасности должны перейти к реальному времени и автономным защитным системам, способным нейтрализовывать атаки на машинной скорости по всей глобальной цифровой инфраструктуре.

Часто задаваемые вопросы (FAQ)

В чем основное различие между черными и белыми хакерами при использовании ИИ?

Чёрные хакеры ориентируются на максимальную способность модели для выполнения атак, полагаясь на токены с серого рынка для доступа к моделям с закрытым исходным кодом, таким как Claude и Codex. Белые хакеры ориентируются на соответствие требованиям, конфиденциальность данных и бесцензурную работу, что побуждает их использовать локально размещённые модели с открытым исходным кодом, такие как GLM 5.2.

Почему коммерческие средства защиты ИИ не могут остановить вредоносных хакеров?

Коммерческие защитные механизмы не срабатывают, поскольку злоумышленники действуют за пределами правового поля, используя инженерию подсказок, обходы ограничений и массово приобретенные аккаунты с серого рынка для обхода фильтров безопасности. Когда аккаунт помечается и блокируется, злоумышленники просто переключаются на новый набор учетных данных.

Что такое GLM 5.2 и почему команды по тестированию на проникновение его принимают?

GLM 5.2 — это мощная открытая языковая модель, которую команды по этической безопасности используют в качестве альтернативы проприетарным ИИ-инструментам. Команды по пентестингу применяют её, потому что её можно развернуть на частных серверах без фильтров модерации контента, что позволяет исследователям безопасно и законно анализировать реальные уязвимости в безопасности.

Как серые рынки способствуют кибератакам на основе ИИ?

Серые рынки способствуют кибератакам с использованием ИИ, продавая злоумышленникам украденные, взломанные или купленные по оптовой скидке ключи API и учетные записи подписок. Эта недорогая цепочка поставок позволяет хакерам запускать автоматизированные скрипты для массовой эксплуатации на топовых коммерческих моделях, не беспокоясь о финансовых расходах, связанных с блокировкой учетных записей.

Смогут ли модели с открытым исходным кодом в конечном итоге превзойти закрытые модели по возможностям кибербезопасности?

Открытые модели быстро сокращают разрыв в производительности с проприетарными, делая передовые возможности программирования и логики широко доступными. Как только открытые модели достигнут равенства в производительности, как команды по защите, так и злоумышленники получат доступ к возможностям ИИ передового уровня, работающим исключительно на локальной инфраструктуре без централизованного контроля.

Отказ от ответственности: Эта страница была переведена для вашего удобства с использованием технологии искусственного интеллекта. Для получения наиболее точной информации обратитесь к оригинальной английской версии.