Бувший співробітник Anthropic: чорні хакери віддають перевагу Claude та Codex над моделями з відкритим кодом

Бувший співробітник Anthropic: чорні хакери віддають перевагу Claude та Codex над моделями з відкритим кодом

2026/07/29 08:00:00
Кастомне зображення
Чи відомо вам, що кіберзлочинці активно вибирають закриті штучні інтелектуальні моделі замість відкритих, незважаючи на строгі заходи безпеки? Чорні хакери в основному використовують потужні власні моделі, такі як Claude Code від Anthropic та Codex від OpenAI, тоді як білі хакери-захисники змушені використовувати переважно відкриті моделі. За інформацією, оприлюдненою колишнім співробітником Anthropic Ноєм Лебовічем у липні 2026 року, закриті моделі пропонують кращі автоматизовані можливості для атак, які значно перевищують труднощі обходження фільтрів безпеки. Зловмисники отримують знижені підписні токени на сірих ринках та систематично змінюють скомпрометовані акаунти після блокування. Навпаки, легітимні команди з пентестингу стикаються з суворими обмеженнями щодо відповідності та агресивною фільтрацією контенту на власних платформах, що змушує їх звертатися до відкритих моделей, таких як GLM 5.2. Ця структурна неузгодженість створює постійну асиметричну перевагу в кіберопераціях, коли захисні заходи випадково обмежують легітимних фахівців з кібербезпеки, не здатні зупинити загрози.

Чому чорні хакери віддають перевагу Claude та Codex над моделями з відкритим кодом?

Чорні хакери віддають перевагу власним моделям ШІ, таким як Claude Code та OpenAI Codex, оскільки їхні розширені здібності до міркувань та генерації коду значно перевершують відкриті альтернативи при виконанні складних кібератак. Найкращі закриті моделі забезпечують кращу продуктивність у виявленні нульових днів, написанні експлойт-пейлоадів та автоматизації багатоетапних завдань проникнення.
Згідно з твердженнями колишнього дослідника Anthropic Ноа Лебовіча, висвітленими у звіті Beating за липень 2026 року, кіберзлочинці надають перевагу первинній інтелектуальній здатності та надійності виконання над обмеженнями безпеки. Моделі високої потужності значно скорочують час, необхідний для розробки функціонального експлойт-коду — з годин до секунд. Різниця в продуктивності між найкращими пропрієтарними системами та моделями з відкритим кодом залишається настільки великою, що зловмисники добровільно обходять системи безпеки, ніж задовольнятися слабшими альтернативами з відкритим кодом.

Як зловмисники обходять обмеження безпеки закритого коду?

Зловмисники обходять захищені контрольні механізми з закритим кодом, купуючи знижені підписні токени на сірих ринках та використовуючи просунуті методи jailbreaking разом із швидким переключенням акаунтів. Безпекові обмеження діють лише як тимчасові операційні перешкоди, а не як абсолютні бар’єри для відданих нападників.
Коли власні платформи виявляють шкідливу діяльність і блокують порушені акаунти, оператори з чорного списку негайно переключаються на нові облікові дані, куплені оптом на нелегальних онлайн-ринках. Крім того, складна інженерія запитів дозволяє нападникам приховувати шкідливі наміри — подаючи генерацію експлойтів як освітнє дослідження, тестування захисту або налагодження програмного забезпечення, що обманює класифікатори безпеки і змушує їх генерувати працездатні вектори атак.

Яку роль відіграють сірі ринки у кіберзлочинності, що ґрунтується на ШІ?

Підземні сірі ринки підтримують штучний інтелект, спрямований на кіберзлочинність, надаючи дешевий та анонімний доступ до токенів висококласних власних моделей та вкрадених корпоративних акаунтів. Ці нелегальні ринки знижують фінансові та технічні бар’єри для проведення масштабних автоматизованих кібератак.
Згідно з кіберінтелектуальними спостереженнями, наведеними Beating у липні 2026 року, зловмисники часто купують API-ключі та підписки зі значними знижками. Ця дешева інфраструктура дозволяє хакерам запускати неперервні автоматизовані інструменти сканування та експлуатації, які працюють на основі Claude та Codex, не боячись блокування акаунтів, оскільки вартість заміни облікових даних становить лише частину від звичайної роздрібної ціни.

Чому команди білих шапок змушені використовувати моделі з відкритим кодом?

Білі шапки залежать переважно від відкритих моделей ШІ, оскільки строгі вимоги до відповідності, політики керування корпоративними ризиками та агресивна фільтрація контенту постачальників перешкоджають їм використовувати закриті платформи для захисної кібербезпеки. Законні кібербезпечні операції часто спричиняють блокування безпеки на комерційних інструментах ШІ під час обробки реальних завантажень вразливостей, зразків шкідливого ПЗ та команд для проникнення.
Згідно з розкриттями Ноа Лебовіча в липні 2026 року, три головні авторизовані фірми з пентестингу повністю перейшли на відкриті моделі, такі як GLM 5.2, як свої основні операційні двигуни. Оскільки етичні хакери повинні діяти в межах правових та організаційних обмежень, вони не можуть використовувати сірий ринок обертання акаунтів чи методи jailbreaking для обходу фільтрів контенту. Відкриті моделі забезпечують повний контроль над операціями, безпеку локального розгортання та відсутність цензури контенту, що робить їх єдиною придатною вибором для обробки конфіденційних корпоративних аудитів безпеки.

Як фільтри контенту перешкоджають легітимним операціям кібербезпеки?

Стандартні фільтри модерації контенту на комерційних платформах ШІ перешкоджають роботі з захисту, класифікуючи легітимні дослідження вразливостей та пентестингові команди як шкідливу діяльність. Комерційні платформи застосовують автоматизоване блокування ключових слів, що відмовляється обробляти сценарії експлуатації, shellcode або аналіз системних вразливостей у реальних умовах.
Коли дослідники у білому капелюсі намагаються аналізувати реальні вектори загроз або розробляти захисні патчі за допомогою власних моделей, системи регулярно видають відмови з міркувань безпеки. Аналітики з питань захисту не можуть дозволити собі простої через повторні призупинення акаунтів або хибні позитивні попередження безпеки, змушуючи компанії з кібербезпеки розміщувати неконтрольовані відкриті моделі на приватній інфраструктурі, де автоматичні блокування відсутні.

Які переваги надають моделі з відкритим кодом командам з оборонної безпеки?

Відкриті моделі ШІ надають командам кібербезпеки повну конфіденційність даних, налаштовуване доналаштування та необмежену обробку даних про загрози. Локальне розгортання забезпечує, що власні корпоративні дані та інформація про нульові дні ніколи не залишають внутрішні корпоративні мережі.
Команди безпеки можуть доналаштовувати моделі з відкритим кодом, такі як GLM 5.2, саме на власних телеметричних даних, архітектурах внутрішніх кодових баз та джерелах інтелекту про загрози. Такий локальний контроль забезпечує повну відповідність строгим нормам захисту даних, таким як GDPR і SOC2, а також виключає залежність від сторонніх API та ризики, пов’язані з логуванням зовнішніх постачальників.
Операційні критерії Моделі з закритим кодом (Claude / Codex) Моделі з відкритим кодом (наприклад, GLM 5.2)
Основна база користувачів Чорні хакери, комерційні розробники Білі шапки, корпоративні захисники
Рівень можливостей Найсучасніші міркування та виконання Високо, швидко скорочуючи розрив у продуктивності
Стратегія обходу Ротація акаунтів, токени сірого ринку Непотрібні (розміщені локально й без цензури)
Відповідність вимогам Низький для реального аналізу експлуатації 100% відповідає місцевим вимогам до суверенітету даних
Операційне тертя Висока кількість хибних спрацьовувань для захисників Нуль штучних фільтрів чи блокувань акаунтів

Які основні відмінності між відкритим та закритим штучним інтелектом у кібербезпеці?

Основна відмінність між відкритим та закритим джерелом ШІ в кібербезпеці полягає у компромісі між максимальною продуктивністю моделі та оперативним контролем. Закриті моделі пропонують неперевершену здатність до міркувань за строгими API-стінами, тоді як відкриті моделі забезпечують повну прозорість коду, можливість локального розгортання та повну адаптованість до домену.
Згідно з обговореннями безпеки, опублікованими в мережах розробників у липні 2026 року, ця динаміка створює чіткий розподіл у сфері кібербезпеки. Зловмисники пріоритезують власну здатність та використовують нелегальну інфраструктуру для обходу обмежень API, тоді як корпоративні захисники зосереджуються на конфіденційності даних, неперервності роботи та безобмеженому обробленні чутливих компонентів безпеки.

Як впливає здатність моделі на автоматизоване створення експлойтів?

Вища здатність моделі безпосередньо збільшує成功率 і швидкість автоматизованого генерування експлойтів у складних програмних середовищах. Лідируючі комерційні моделі відмінно впораються з багатокроковим міркуванням, дозволяючи їм відображати складні архітектури програмного забезпечення, виявляти багатовекторні вразливості та писати повністю функціональний експлойт-код без участі людини.
У авторизованих демонстраціях безпеки, проведених Ноєм Лебовічем за допомогою Claude Opus 4.6, модель успішно виконала енд-ту-енд атаку, яка порушила цільовий банківський акаунт і отримала конфіденційні медичні записи. Глибина контекстного розуміння, необхідна для виконання складних ланцюжків експлойтів, залишається основною причиною, чому зловмисники віддають перевагу елітним власним моделям над менш здатними альтернативами.

Чому схеми безпеки створюють асиметричну перевагу для нападників?

Комерційні захисні механізми штучного інтелекту створюють структурну асиметрію, накладаючи обмежувальні обов’язки на дотримувачів, тоді як не здатні зупинити зловмисників, які діють поза правовими рамками. Захисні механізми ґрунтуються на механізмах перевірки намірів, які легко обманути за допомогою класифікаторів на основі правил, але дуже порушують легітимні робочі процеси.
Хоча етичні дослідники з безпеки дотримуються угоди користувача і стикаються з припиненням роботи акаунта при спрацьовуванні сигналів безпеки, зловмисники навмисно враховують втрату акаунта як частину своїх операційних витрат. Ця динаміка змушує етичні команди з безпеки покладатися на менш потужні або сильно налаштовані відкриті моделі, тоді як кіберзлочинці використовують максимальну потужність власних штучних інтелектів через тимчасові акаунти.

Як буде розвиватися ландшафт кіберзагроз з використанням ШІ, коли моделі з відкритим кодом наздоженуть?

Ландшафт кіберзагроз штучного інтелекту претерпіє драматичне зростання автоматизованих атак, коли моделі з відкритим кодом досягнуть продуктивності, що дорівнює лідируючим закритим платформам. Без цензури, високопродуктивні моделі з відкритим кодом видалить необхідність у аккаунтах з сірого ринку, надавши зловмисникам необмежені, немоніторовані нападні можливості на локальному обладнанні.
Згідно з спільними аналізами, проведеними дослідниками з безпеки OpenAI та Anthropic у липні 2026 року, збіг можливостей відкритого коду з найкращими закритими стандартами є важливою точкою перелому. Коли ваги відкритого коду досягнуть рівня передових показників у програмуванні та міркуванні, централізований моніторинг платформ більше не буде ефективним механізмом контролю для запобігання автоматизованій кібервійні.
Етап еволюції загрози Захисні характеристики Нападні можливості
Поточна ситуація (2026) Захисники використовують відкритий код для конфіденційності; стикаються з розривами в можливостях Зловмисники використовують закритий код через токени сірого ринку
Етап Parity Моделі локальних підприємств відповідають власним можливостям Зловмисники запускають неконтрольовані передові моделі на локальних пристроях
Ера автономії Автоматизоване реальний час AI-захистне застосування виправлень Неперервна, повністю автономна AI-експлуатація нульових днів

Які ризики виникають, коли моделі з відкритим кодом досягають передових можливостей?

Коли моделі з відкритим кодом досягнуть передового рівня міркувань, нападні кіберможливості повністю демократизуються, децентралізуються і стануть неможливими для віддаленого вимкнення. Будь-хто з достатнім обчислювальним обладнанням матиме автономний кіберзброя, здатний виявляти та експлуатувати вразливості програмного забезпечення в масштабах.
Централізовані заходи безпеки платформи — такі як обмеження швидкості API, моніторинг поведінки та миттєве призупинення акаунтів — не можуть зменшити ризики, пов’язані з локально виконуваними вагами моделей. Внаслідок цього зловмисні групи зможуть запускати безперервні, неперервні кампанії загроз, не залишаючи цифрових слідів на комерційних серверах штучного інтелекту.

Як може адаптуватися інфраструктура кібербезпеки до автономних атак штучного інтелекту?

Інфраструктура кібербезпеки повинна адаптуватися шляхом впровадження автономних, реального часу агентів захисного ШІ, які безперервно сканують, виявляють та усувають вразливості швидше, ніж нападні моделі можуть їх експлуатувати. Стратегія захисту повинна зміститися від реактивної людської відповіді на інциденти до автоматизованого зменшення зі швидкістю машини.
Оскільки центри безпеки людського персоналу не можуть поспівати за атаками, що використовують ШІ, організації все частіше вбудовують моделі з відкритим кодом безпосередньо в свої канали виявлення загроз. Шляхом розгортання спеціалізованих захисних агентів локально, корпоративні мережі можуть миттєво нейтралізувати експлойти нульового дня, переналаштовувати брандмауери та переписувати вразливий код у реальному часі.

Як торгувати токенами AI та кібербезпеки на KuCoin?

Торгівля криптовалютами, пов’язаними з штучним інтелектом та кібербезпекою, на KuCoin надає доступ до зростаючого перетину децентралізованих обчислень, розробки ШІ та автоматизованих протоколів безпеки. KuCoin пропонує доступ до провідних цифрових активів, які підтримують децентралізовані мережі ШІ, безпечні обчислення даних та криптографічні інструменти, спрямовані на конфіденційність.
Щоб почати торгівлю токенами AI та безпеки на KuCoin, дотримуйтесь цих поетапних інструкцій:
  1. Створіть акаунт: відвідайте офіційну платформу KuCoin і пройдіть процес реєстрації користувача за допомогою дійсної електронної пошти або номера телефону.
  2. Повна верифікація особи: Надайте необхідні документи для підтвердження особи, щоб виконати вимоги KYC і отримати повний доступ до функцій акаунту та підвищений ліміт на виведення.
  3. Депозит коштів: Безпечно переказуйте криптовалюту або робіть депозит фіату на ваш накопичувальний акаунт KuCoin за допомогою підтримуваних способів оплати, таких як банківські перекази або покупки за допомогою кредитної картки.
  4. Перейдіть до спотової торгівлю: перекажіть кошти на ваш торговий акаунт, перейдіть до інтерфейсу «Спотова торгівля» та знайдіть потрібну вам торгову пару з AI-токеном (наприклад, NEAR/USDT, FET/USDT або RENDER/USDT).
  5. Виконати угоду: виберіть бажаний тип ордера — наприклад, лімітний ордер для точного контролю ціни або ринковий ордер для миттєвого виконання — введіть суму угоди та підтвердьте транзакцію.
KuCoin надає інституційний рівень безпеки, просунуті інструменти для аналізу графіків та високу ліквідність по сотням пар з AI та блокчейн-технологіями, роблячи його провідною платформою для управління криптоактивами в еволюційній цифровій економіці.

Висновок

Структурний розрив між тим, як чорні хакери та білі хакери використовують штучний інтелект, підкреслює фундаментальну вразливість сучасних систем безпеки ШІ. Комерційні закриті моделі, такі як Claude Code та OpenAI Codex, залишаються улюбленим вибором кіберзлочинців завдяки їхній елітній логіці та здатностям до автоматизованого генерування коду. Зловмисники легко обходять захисні механізми платформ, використовуючи підписки з сірого ринку та швидке переключення акаунтів. Навпаки, легітимні команди безпеки систематично змушені переходити на відкриті моделі, такі як GLM 5.2, щоб уникнути хибних блокувань контенту, блокувань акаунтів та порушень вимог щодо відповідності під час обробки конфіденційних даних про загрози.
Як підкреслюють обговорення в галузі та дослідницькі висновки колишніх співробітників Anthropic з липня 2026 року, існуючі захисні механізми створюють значні операційні перешкоди для етичних захисників, не здатні ефективно зупинити вирішених зловмисників. Ця асиметрія стане ще більш критичною, коли моделі з відкритим кодом досягнуть рівня власних систем, перемістивши нападні можливості в децентралізовані, немоніторовані середовища. Щоб не відставати від загроз, пов’язаних з ШІ, архітектури кібербезпеки повинні перейти до систем реального часу з автономним захистом, здатних нейтралізувати атаки зі швидкістю машини по всій глобальній цифровій інфраструктурі.

Часто задавані запитання (FAQ)

У чому полягає основна різниця між чорними та білими хакерами у використанні ШІ?

Чорні хакери зосереджуються на максимальній здатності моделей для виконання атак, покладаючись на токени з сірого ринку для доступу до моделей із закритим кодом, таких як Claude та Codex. Білі хакери зосереджуються на відповідності, конфіденційності даних та неконтрольованих операціях, тому вони використовують локально розгорнуті відкриті моделі, такі як GLM 5.2.

Чому комерційні захисні механізми штучного інтелекту не здатні зупинити зловмисних хакерів?

Комерційні захисні механізми не працюють, оскільки зловмисники діють поза межами закону, використовуючи інженерію запитів, обхід обмежень та масово придбані облікові записи з сірого ринку, щоб обійти фільтри безпеки. Коли акаунт позначається та блокується, нападники просто переключаються на новий набір облікових даних.

Що таке GLM 5.2 і чому команди з пентестингу її впроваджують?

GLM 5.2 — це потужна відкрита мова модель, яку команди етичної безпеки використовують як альтернативу власним інструментам ШІ. Команди пентестінгу впроваджують її, оскільки її можна розгорнути на приватних серверах без фільтрів модерації контенту, що дозволяє дослідникам безпечно та законно аналізувати реальні проблеми безпеки.

Як сірі ринки сприяють кібератакам з використанням ШІ?

Сірі ринки сприяють кібератакам з використанням ШІ, продавати вкрадені, зламані або куплені зі знижкою ключі API та облікові записи підписок зловмисникам. Ця низьковартісна ланцюжок постачання дозволяє хакерам запускати автоматизовані сценарії експлуатації високого обсягу на топових комерційних моделях, не турбуючись про фінансові витрати, пов’язані з блокуванням облікових записів.

Чи перевершать в майбутньому моделі з відкритим кодом моделі з закритим кодом за можливостями кібербезпеки?

Відкриті моделі швидко скорочують розрив у продуктивності з власними моделями, роблячи просунуті можливості програмування та міркування широко доступними. Коли відкриті моделі досягнуть рівня продуктивності, як у передових, як захисні команди безпеки, так і зловмисники отримають доступ до передових можливостей ШІ, які працюють повністю на локальній інфраструктурі без централізованого нагляду.

Відмова від відповідальності: Для вашої зручності цю сторінку було перекладено за допомогою технології ШІ. Для отримання найточнішої інформації дивіться оригінальну англійську версію.