پرش به محتویات

تسلیحاتی‌سازی هوش مصنوعی و مهندسی نظارت تمام‌عیار: تحلیل اطلاعات تهدید، عملیات سایبری ایران و ظهور هوش مصنوعی سیاه

مدل‌های هوش مصنوعی تولید متن و کد را ارزان‌تر و سریع‌تر کرده‌اند؛ همین ویژگی می‌تواند به کارزارهای تبلیغاتی، جمع‌آوری اطلاعات و ساخت ابزارهای نظارتی کمک کند. این مقاله، با تمرکز بر گزارش اطلاعات تهدید آنتروپیک در سپتامبر ۲۰۲۶ و پایش سیاست اینترنت ایران در فیلتربان، نمونه‌های مستند سوءاستفاده از هوش مصنوعی را بررسی می‌کند. هرجا گزارش یک شرکت، ادعای عامل عملیات یا استنباط تحلیلی مطرح است، باید آن را از نتیجه مستقلاً اثبات‌شده جدا خواند. «کلود» در این پرونده‌ها نام مدل شرکت آنتروپیک است و به خدمات رایانش ابری اشاره ندارد.

تحلیل جامع گزارش اطلاعات تهدید آنتروپیک (سپتامبر ۲۰۲۶)

گزارش اطلاعات تهدید آنتروپیک با عنوان «شناسایی و مقابله با سوءاستفاده از هوش مصنوعی» در سپتامبر ۲۰۲۶، دوره‌ای هشت‌ماهه از دسامبر ۲۰۲۵ تا اوت ۲۰۲۶ را بررسی می‌کند1. این سند نشان‌دهنده یک نقطه عطف تاریخی در تهدیدات هوش مصنوعی است: گذار عملیاتی از پرامپت‌نویسی تعاملی به چارچوب‌های عامل‌محور خودمختار (Agentic Workflows) که در آن‌ها هوش مصنوعی مستقیماً بر صفحه کلید مسلط شده و دستورهای رزمی یا شناسایی را بدون نظارت گام‌به‌گام انسانی به اجرا درمی‌آورد1.

دامنه تهدیدات خنثی‌شده توسط آنتروپیک در این بازه، هفت حوزه اصلی شامل عملیات سایبری تهاجمی، عملیات نفوذ و دستکاری اطلاعات (FIMI)، عملیات نظارت و جاسوسی مدنی، کلاهبرداری‌های مالی پیشرفته، سوءاستفاده‌های زیستی، توسعه تسلیحات متعارف و تقطیر غیرقانونی قابلیت‌های مدل‌های مرزی (Illicit Distillation) را دربرمی‌گیرد1. بیشترین سوءاستفاده‌های مشاهده‌شده روی مدل‌های خانواده کلود (شامل نسخه‌های Haiku، Sonnet و Opus) متمرکز بوده است1. این گزارش نشان می‌دهد شاخص «پیچیدگی فنی» دیگر معیار قابل اتکایی برای انتساب حملات به بازیگران دولتی متمول نیست؛ زیرا هوش مصنوعی شکاف مهارتی و منابعی میان یک هکر انفرادی و یک آژانس اطلاعاتی بین‌المللی را به طور کامل از میان برداشته است1.

در بعد فنی، مهاجمان پیشرفته با به‌کارگیری ابزارهای تخصصی کدنویسی عامل‌محور مانند Claude Code و تلفیق آن با پروتکل بستر مدل (Model Context Protocol - MCP) و چارچوب‌های متن‌بازی همچون PentAGI، حملات خود را ماژولار کرده‌اند1. در این روش، یک مدل در جایگاه رهبر عملیات، حمله را به اجزای کوچک‌تر نظیر پویش درگاه‌ها، اعتبارسنجی گذرواژه‌ها و خزش داده‌ها خرد می‌کند و آن‌ها را به عامل‌های فرعی می‌سپارد؛ به گونه‌ای که هر وظیفه به‌تنهایی در سامانه‌های امنیتی کاملاً قانونی و متعارف به نظر می‌رسد4. چشمگیرترین دستاورد مخرب مشاهده‌شده، سازوکار «تطبیق و بازمهندسی خودکار ابزارها» (Autonomous Re-tooling) است؛ به این صورت که عامل‌های هوش مصنوعی با نظارت مستقیم بر سامانه‌های تشخیص نفوذ و ضدویروس‌ها، به محض شناسایی و مسدود شدن یک بدافزار، کدهای منبع آن را به صورت خودکار بازنویسی کرده و لایه‌های مبهم‌سازی (Obfuscation) جدیدی به آن می‌افزایند تا بدون دخالت انسان، امضای بدافزار را دور بزنند1.

 

شناسه گروه / نام مستعار انتساب دولتی یا ماهیت اهداف عملیاتی اصلی شیوه‌های فنی بهره‌برداری از مدل زبانی
GTG-20006 (Midnight Blizzard) وابسته به نهادهای اطلاعاتی روسیه (اپراتور JackPoterz)1 وزارتخانه‌های اوکراین، اندیشکده‌های دفاعی غرب، زنجیره تولید ریزبرنامه‌های پهپاد1 اصلاح خودکار کدهای مخرب جهت فرار از EDR، مسموم‌سازی DNS در هتل‌ها (CaptiveCrunch)، اتوماسیون مرورگرهای بدون واسط جهت سرقت مکالمات واتس‌اپ و بهره‌برداری از API دوربین‌های پایش مداربسته1
GTG-04001 (Politology) شاخه عملیات روانی گروه واگنر / Africa Corps1 نخبگان و افکار عمومی جمهوری آفریقای مرکزی و کشورهای ساحل عاج1 تولید سازمان‌یافته روایت‌های طرفدار روسیه، حذف سیستماتیک الگوها و امضاهای ساختاری هوش مصنوعی از متن جهت پنهان‌سازی ماهیت ماشینی متون پروپاگاندا1
شبکه پلتفرم ویکتور کارزار مرتبط با سازمان مجاهدین خلق (MEK / NCRI)1 رصد و پرونده‌سازی از فعالان داخل ایران، عملیات روانی در شبکه‌های اجتماعی1 بارگذاری متون مرجع ایدئولوژیک در حافظه بلندمدت عامل هوش مصنوعی، خزش بیش از ۵۰۰ کانال و تحلیل ۵۱,۹۴۴ پیام، شبیه‌سازی زنده صدای فعالان و تولید بیانیه‌های دستکاری‌شده برای نهادهای بین‌المللی1
GTG-50014 باندهای تبهکاری سازمان‌یافته مالی1 زیرساخت‌های بانکی، اپلیکیشن‌های موبایل و صرافی‌های دیجیتال1 اتوماسیون فرایند معکوس‌سازی برنامه‌های اندروید و استخراج کلیدهای دسترسی و اطلاعات هویتی کاربران در مقیاس صنعتی1
GTG-50020 و GTG-50029 هکتیویست‌ها و گروه‌های نفوذ سیاسی غیردولتی1 پایگاه‌های داده نهادهای دولتی و عمومی در سراسر جهان1 استفاده از کلیدهای سرقت‌شده API و اتصال به چارچوب‌های هجومی خودمختار مانند PentAGI جهت اجرای پویش نفوذ سراسری1
GTG-50021 سرویس‌های فریبنده پروکسی و واسط دسترسی1 توسعه‌دهندگان، پژوهشگران و کاربران عمومی مدل‌های مرزی1 ارائه دسترسی با تخفیف به کلود از طریق زیرساخت شل و پراکسی معکوس به‌منظور به دام انداختن ترافیک و استخراج کلیدها و اعتبارنامه‌های کاربران1

یافته‌های مربوط به پلتفرم عامل‌محور «ویکتور» نشان می‌دهد که کارزارهای نفوذ و پایشگری متمرکز بر ایران، با تزریق اسناد ایدئولوژیک به حافظه پایدار مدل‌ها، عملیات روانی را در مقیاس وسیع اتوماسیون کرده‌اند1. این سامانه با خزش و تحلیل روان‌شناختی ده‌ها هزار پیام در تلگرام و اینستاگرام، پرونده‌های فردی شامل پیشینه بازداشت و گرایش‌های سیاسی افراد را تدوین می‌کرد1. در این کارزارها با شبیه‌سازی صدای فعالان سرشناس، تماس‌های هدایت‌شده‌ای با شهروندان داخل ایران برقرار می‌شد تا اطلاعات شخصی آنان تخلیه شود1. همزمان، مدل‌های زبانی موظف شده بودند با بازتولید شعارهای مدنی جامعه ایران و جایگزینی آن‌ها با اصطلاحات حزبی، شهادت‌نامه‌های رسمی ارائه‌شده به نشست‌های حقوق بشر سازمان ملل را به نفع دستور کارهای خاص بازنویسی کنند1.

سوءاستفاده‌های فنی و امنیتی ایران از هوش مصنوعی

نهادهای اطلاعاتی و نظامی جمهوری اسلامی، شامل فرماندهی امنیت سایبری سپاه پاسداران و وزارت اطلاعات، هوش مصنوعی را به عنوان کاتالیزوری نامتقارن جهت کاهش شکاف فناورانه با قدرت‌های غربی به کار گرفته‌اند6. برخلاف باورهای اولیه مبنی بر ناتوانی مدل‌های هوش مصنوعی در تولید بدافزارهای مستقل پیشرفته، ردپای عملیاتی گروه‌های تهدید پیشرفته و مداوم (APT) وابسته به ایران حاکی از بهره‌برداری دقیق از هوش مصنوعی در مراحل میانی چرخه نفوذ است8.

 

نام گروه و شناسه عملیاتی وابستگی سازمانی ابزارها و مدل‌های مورد سوءاستفاده حوزه تمرکز عملیاتی و ابعاد فنی
Storm-0817 وزارت اطلاعات جمهوری اسلامی ایران (MOIS)7 مدل‌های خانواده GPT شرکت اوپن‌ای‌آی6 کدنویسی، اشکال‌زدایی بدافزارهای جاسوسی اندروید، استخراج داده‌های جغرافیایی، ساخت ابزارهای خزش اینستاگرام و ترجمه پروفایل‌های لینکدین8
CyberAv3ngers فرماندهی سایبری سپاه پاسداران انقلاب اسلامی (IRGC)6 چت‌بات‌ها و دستیاران کدنویسی تجاری6 جمع‌آوری داده درباره زیرساخت‌های حیاتی، استخراج گذرواژه‌های پیش‌فرض تجهیزات صنعتی (PLC)، مسیریاب‌ها و سیستم‌های مدیریت تاسیسات آب6
APT42 (Charming Kitten / Mint Sandstorm) سازمان اطلاعات سپاه پاسداران12 مدل‌های زبانی گوگل جمینای و اوپن‌ای‌آی12 مهندسی پیام‌های فیشینگ نیزه‌ای با فریبایی زبانی بالا، جعل هویت دیپلمات‌ها، اساتید دانشگاه و روزنامه‌نگاران خاورمیانه13
Cotton Sandstorm (Marnanbridge) شرکت صوری آریا سپهر آینده‌سازان (همسو با سپاه)16 مدل‌های مولد تصویر و متن، ابزارهای پردازش کلان‌داده16 نفوذ به پلتفرم‌های پخش اینترنتی (IPTV)، پویش داده‌های باز برای استخراج اطلاعات هویتی و خانوادگی نظامیان و خلبانان اسرائیلی16

در سطح تاکتیکی، استفاده گروه Storm-0817 از مدل‌های هوش مصنوعی برای توسعه و رفع نقص بدافزارهای تلفن همراه، رویکرد عملیاتی نیروهای سایبری ایران را آشکار می‌سازد8. این گروه توانست با درخواست‌های فنی مشخص، معماری کدهای مخرب اندرویدی را به‌گونه‌ای اصلاح کند که پس از استقرار بر دستگاه قربانی، دسترسی ریشه‌ای به فهرست مخاطبان، سیاهه تماس‌ها، پیامک‌ها، تاریخچه مرورگر و فایل‌های حافظه را بدون جلب توجه کاربر و با حفظ ارتباط رمزنگاری‌شده با سرور فرماندهی و کنترل (C2) به دست آورد8. در کنار آن، طراحی اسکریپت‌های اختصاصی پایتون برای استخراج انبوه حساب‌های کاربری اینستاگرام و ترجمه آنی سوابق شغلی در لینکدین به زبان فارسی، نشان‌دهنده یکپارچه‌سازی هوش مصنوعی در پایش هدفمند ناراضیان سیاسی و روزنامه‌نگاران است6.

همچنین، گروه CyberAv3ngers در حملات به سیستم‌های کنترل صنعتی (ICS/SCADA) از هوش مصنوعی برای تسهیل شناسایی سطح حمله بهره‌برداری کرد6. این گروه با پرامپت‌نویسی درباره مشخصات فنی کنترل‌کننده‌های منطقی برنامه‌پذیر (PLC)، پروتکل‌های ارتباطی کنترل صنعتی که به اینترنت دسترسی دارند، و بازیابی گذرواژه‌های پیش‌فرض تجهیزات Tridium Niagara و مسیر‌ياب‌های Hirschmann RS، مقدمات حمله به سامانه‌های آبرسانی شهری در آمریکا و ایرلند را فراهم ساخت6. اگرچه مدل‌های هوش مصنوعی قابلیت تسلیحاتی کاملاً جدیدی به این گروه نبخشیدند، اما سرعت مرحله شناسایی و آزمایش کدهای اکسپلویت پایتون را افزایش دادند6.

نقش پروپاگاندا، عملیات روانی و جنگ شناختی

کاربرد هوش مصنوعی در استراتژی جنگ نرم و عملیات روانی سایبری ایران، یک دگردیسی ساختاری از ترول‌های اینترنتی سنتی به اکوسیستم‌های خودکار تأثیرگذاری شناختی است9. داده‌های منتشره از سوی اوپن‌ای‌آی و مایکروسافت، سازوکار شبکه‌های نفوذ وابسته به ایران نظیر شبکه‌های موسوم به A2Z و Stop News را آشکار کرده‌اند9.

شبکه‌های تولید محتوای وابسته به ایران با ایجاد وب‌سایت‌های خبری پوششی و استفاده از مدل‌های زبانی بزرگ، صدها مقاله، یادداشت تحلیلی و گزارش خبری ساختگی را در مقیاس انبوه تولید کردند9. این محتواها موضوعاتی مانند انتخابات ریاست‌جمهوری ایالات متحده، منازعه اسرائیل و غزه، سیاست‌های واشینگتن در خاورمیانه و جنبش‌های جدایی‌طلب در غرب را هدف قرار می‌دادند9. هوش مصنوعی به این کارزارها اجازه داد با عبور از چالش تفاوت‌های زبانی، مقالاتی با ادبیات بومی، لحن مطبوعاتی متناسب و ساختار دستوری بی‌نقص به زبان‌های انگلیسی، عربی، اسپانیایی و فرانسوی بنویسند که شناسایی ریشه غیربومی آن‌ها برای مخاطب عادی ناممکن باشد9.

یکی از ترفندهای فنی به کار رفته در این کارزارها، حذف ویژگی‌های ساختاری متون هوش مصنوعی است1. الگوریتم‌های سنتی پایش و تشخیص محتوای ماشینی بر دو سنجه «پریشانی متنی» (Perplexity - غیرمنتظره بودن توالی واژگان) و «انفجارپذیری» (Burstiness - تغییر طول و ساختار جملات) تکیه دارند؛ زیرا هوش مصنوعی تمایل به تولید جملاتی یکدست و با طول مشابه دارد1. کارزارهای نفوذ ایرانی با تنظیم پرامپت‌های مهندسی‌شده، مدل‌ها را موظف می‌کردند تا با افزودن عامدانه اصطلاحات محاوره‌ای، بی‌نظمی در طول جملات و شکستن تقارن پاراگراف‌ها، ردپای الگوریتمی را پاکسازی کنند1. این متون سپس توسط شبکه‌ای از حساب‌های جعلی مجهز به تصاویر پروفایل ساختگی (تولیدشده توسط هوش مصنوعی مولد تصویر) در شبکه‌های اجتماعی اکس و تلگرام منتشر می‌شد تا با ارسال پاسخ‌های متوالی، الگوریتم‌های دیده‌شدن پلتفرم‌ها را دستکاری کنند9.

علاوه بر این، در عملیات فیشینگ نیزه‌ای که توسط گروه APT42 برای سرقت دسترسی ایمیل نخبگان سیاسی اجرا شد، هوش مصنوعی نقشی کلیدی در تنظیم لحن روان‌شناختی ایفا کرد13. گزارش‌های حوزه امنیت نشان می‌دهند نرخ کلیک روی پیام‌های مهندسی‌شده با هوش مصنوعی در مقایسه با فیشینگ دستی سنتی تفاوت چشمگیری دارد20:

 

شاخص ارزیابی عملیات مهندسی اجتماعی پیام‌های فیشینگ سنتی (نوشته‌شده توسط انسان) پیام‌های فیشینگ بهینه‌سازی‌شده با هوش مصنوعی مولد
نرخ کلیک و تعامل قربانیان (CTR) ۱۲ درصد در آزمایش‌های شبیه‌سازی سازمانی20 ۵۴ درصد در مقیاس شبکه‌های تجاری و سازمانی20
میزان شکست در آزمون‌های آگاهی‌بخشی امنیتی خط مبنای استاندارد کارکنان آموزش‌دیده20 ۲۳ درصد بالاتر از سناریوهای تیم‌های قرمز نخبه20
مدت زمان گردآوری سوابق و نگارش طعمه چندین روز کار مداوم توسط متخصص مهندسی اجتماعی21 چند دقیقه تحلیل داده‌های لینکدین و اخبار با مدل زبانی20
شاخص‌های بصری و متنی فریب (Linguistic Tells) وجود خطاهای املایی، ناسازگاری گرامری و لحن نامأنوس20 هماهنگی ساختار زبان بومی و متن کالیبره‌شده با حوزه کاری فرد20

این بازدهی بالا نشان می‌دهد هوش مصنوعی مولد با شخصی‌سازی محتوا بر اساس علایق، سبک زبانی و دغدغه‌های شغلی قربانی، خطای حسی مخاطب را خنثی کرده و قابلیت نفوذ سایبری را به ضریب نفوذی بالا رسانده است20.

معماری پایش شهروندی، ردیابی مخابراتی و همگرایی کلان‌داده‌ها در ایران

بر اساس داده‌های ارائه‌شده در تحقیقات فنی پایگاه «فیلترشکن»، در کنار گزارش‌های تحقیقی مشترک رسانه‌های بین‌المللی با مجموعه رازنت، حکومت ایران یک سیستم یکپارچه نظارت شهری و مخابراتی را با اتکا به کلان‌داده‌ها و سامانه‌های پردازش ماشینی مستقر کرده است22. این اکوسیستم با اتصال لایه‌های سخت‌افزاری شبکه مخابرات، دوربین‌های مداربسته شهری و پایگاه‌های هویت مرکزی، سازوکاری خودکار برای شناسایی، ردیابی و هشدار امنیتی پدید آورده است22.

مکانیسم فنی پایش مخابراتی و بهره‌برداری از ضعف‌های 2G

بخش مهمی از شناسایی فیزیکی کاربران در مناطق تجمع یا نقاط حساس شهری از طریق دستگاه‌های IMSI-Catcher (شناخته‌شده با نام‌های تجاری نظیر Stingray) اجرا می‌شود22. این تجهیزات به عنوان یک فرستنده-گیرنده پایه جعلی (Rogue Base Station) مبتنی بر نرم‌افزارهای رادیویی مانند OpenBTS عمل می‌کنند22. تلفن‌های همراه همواره به سمت ایستگاهی هدایت می‌شوند که قوی‌ترین توان سیگنال رادیویی را مخابره کند22. دکل‌های جعلی با تقویت سیگنال خود در یک محدوده جغرافیایی، گوشی‌های همراه اطراف را مجبور به برقراری ارتباط با خود می‌سازند22.

نقطه اتکای اصلی این دستگاه‌ها، آسیب‌پذیری ساختاری پروتکل مخابراتی نسل دوم (GSM/2G) است22. در معماری 2G، فرایند احراز هویت یک‌طرفه است؛ تلفن همراه ملزم به معرفی خود به شبکه است، اما هیچ مکانیزمی برای اعتبارسنجی اصالت دکل مخابراتی توسط دستگاه وجود ندارد22. همچنین پروتکل‌های رمزنگاری در نسل دوم به شدت تضعیف‌شده یا غیرفعال هستند22. در مقابل، شبکه‌های 4G و 5G از احراز هویت دوطرفه و متقابل (Mutual Authentication) بهره می‌برند که اتصال مستقیم به دکل‌های جعلی را مسدود می‌سازد22. با این حال، نهادهای امنیتی با پیاده‌سازی «حمله تضعیف تحمیلی» (Forced Downgrade Attack)—از طریق ارسال سیگنال پارازیت و اختلال فرکانسی روی باندهای 4G و 5G یا تزریق پیام‌های امتناع اتصال—تلفن‌های همراه مدرن را ناچار به عقب‌نشینی به فرکانس‌های ضعیف‌تر 2G می‌کنند تا بتوانند شناسه بین‌المللی مشترک تلفن همراه (IMSI) و شناسه سخت‌افزاری تجهیزات (IMEI) را استخراج نمایند22.

البته محدود کردن نظارت به نسل دوم فرضیه‌ای ناقص است22. در شبکه‌های 4G و 5G، رصد موقعیت مکانی از طریق دسترسی مستقیم حاکمیتی به هسته شبکه اپراتورهای داخلی (Core Network) و تحلیل تفاضل زمان رسیدن سیگنال به چندین دکل (Cellular Triangulation) به صورت قانونی و در سطح شبکه انجام می‌پذیرد و نیازی به تجهیزات رادیویی سیار ندارد22.

یکپارچه‌سازی پایگاه‌های داده ملی و تشکیل زنجیره هویت

استخراج شناسه‌های مخابراتی IMSI و IMEI بدون دسترسی به پایگاه‌های اطلاعاتی هویتی بی‌اثر است22. سامانه نظارت دیجیتال ایران با متصل کردن این شناسه‌ها به سامانه‌های مرکزی، حلقه شناسایی را تکمیل می‌کند22:

شناسه سخت‌افزاری تجهیزات (IMEI) از طریق بستر رادیویی دریافت و در سامانه همتا بررسی می‌شود؛ همزمان، شناسه سیم‌کارت (IMSI) توسط سامانه شاهکار اعتبارسنجی شده و به شماره ملی مالک اتصال می‌یابد22. سپس داده‌های استخراج‌شده با پایگاه داده ثبت‌احوال و تصاویر رسمی کارت ملی تطبیق داده شده و در نهایت، خروجی این زنجیره به سامانه‌های ارسال پیامک هشدار امنیتی متصل می‌شود22.

سامانه شاهکار (احراز هویت کاربران ارتباطی) تضمین می‌کند که هیچ سیم‌کارتی بدون انتساب به کدملی فعال نماند22. سامانه همتا نیز با ثبت سخت‌افزاری شناسه گوشی در گمرک و اتصال دائمی آن به مالک سیم‌کارت، ردگیری فیزیکی دستگاه را تثبیت می‌کند22. اپلیکیشن‌های نظارتی مانند «ناظر ۱» و «ناظر ۲» نیز به ضابطان و مأموران اجازه می‌دهند با ثبت آنی شماره پلاک وسایل نقلیه حامل افراد بدون پوشش اجباری بر بستر شبکه ملی اطلاعات (NIN)، سامانه‌های جریمه و توقیف را به صورت خودکار فعال کنند22.

در بعد پردازش تصویر، اسناد افشاشده از تأمین‌کنندگان سامانه‌های سانسور—نظیر درز اطلاعاتی ۵۰۰ گیگابایتی شرکت Geedge Networks در چین که فناوری‌های مسدودسازی و پایش را ذیل طرح کمربند و جاده به کشورهای دیگر صادر می‌کند—نشان می‌دهد که نرم‌افزارهای نظارتی قابلیت حصارکشی جغرافیایی (Geo-fencing) و پیش‌بینی الگوریتمی تجمعات خیابانی را از طریق تجمیع ترافیک داده و تصویرسازی زنده ارائه می‌دهند23. در ایران نیز بنا بر گزارش‌های رازنت، تصاویر دوربین‌های پایش شهری و شبکه مترو با نرم‌افزارهای تشخیص چهره پیشرفته (عمدتاً وارداتی از روسیه از طریق شرکت‌های پوششی اروپایی) تحلیل شده و در کمتر از چند ثانیه با تصویر پرسنلی افراد در پایگاه‌های ملی تطبیق داده می‌شوند22.

 

لایه زیرساختی نظارت متغیرها و داده‌های ورودی فرایند پردازش و هوش محاسباتی خروجی امنیتی و اثرگذاری میدانی
لایه رادیویی / سلولی سیگنال‌های دکل مخابراتی، IMSI، IMEI، پکت‌های شبکه 2G/4G22 شبیه‌سازی دکل جعلی با OpenBTS، حمله Downgrade به 2G، مثلث‌بندی چنددکلی22 مکان‌یابی لحظه‌ای دستگاه‌های حاضر در محدوده جغرافیایی معین22
لایه پایگاه داده هویتی داده‌های ارتباطی اپراتورها و ثبت‌احوال22 اتصال کلیدهای ارتباطی در سامانه‌های شاهکار و همتا، تشکیل پرونده تجمیعی هویتی22 انتساب قطعی شماره تلفن و سخت‌افزار به شخص حقیقی و کد ملی22
لایه پایش بصری (CCTV/مترو) فریم‌های ویدیویی زنده از ورودی‌ها و معابر پرتردد22 شبکه‌های عصبی عمیق تشخیص چهره، تطبیق الگو با تصاویر کارت ملی22 شناسایی چهره معترضان بدون نیاز به بازرسی فیزیکی یا توقف فرد22
لایه واکنش و عملیات اطلاعات پردازش‌شده تقاطع داده‌ها22 ارسال خودکار اعلان و فراخوانی متن‌های متناسب بر بستر سامانه‌های پیامکی22 ارسال پیامک‌های تهدیدآمیز هماهنگ با اطلاعات سپاه جهت ایجاد بازدارندگی روانی22

میدان آزمایش این استراتژی یکپارچه، در کلان‌شهرهایی مانند اصفهان با هدف اعمال قوانین حجاب و مدیریت بحران‌های اجتماعی مشاهده شده است22. در این الگو، تلفیق داده‌های رادیویی دکل‌های تلفن، دوربین‌های پلاک‌خوان، اپلیکیشن ناظر و تصاویر مداربسته شهری، ساختاری پدید آورده است که در آن معترضان یا ناقضان قوانین اجتماعی بلافاصله شناسایی شده و در مدت زمان کوتاهی پیامک‌های هشدار حاوی مشخصات مکانی دقیق دریافت می‌کنند؛ رویه‌ای که نشانگر کاربرد هوش داده‌محور در خدمت مهندسی ارعاب است22.

اکوسیستم هوش مصنوعی سیاه: تسلیحات سایبری بدون مهار در وب تاریک

همزمان با تلاش شرکت‌های فناوری برای اعمال فیلترهای ایمنی، پدیده «هوش مصنوعی سیاه» (Black-Hat AI / Dark AI) به عنوان یک بازار زیرزمینی پررونق در دارک‌وب و کانال‌های خصوصی پیام‌رسان‌ها شکل گرفته است24. این ابزارها عملاً نسخه‌های مهندسی‌شده‌ای از مدل‌های زبانی بزرگ هستند که تمام پروتکل‌های اخلاقی، محدودیت‌های پاسخ‌دهی و مکانیزم‌های بازخورد انسانی (RLHF) در آن‌ها به طور کامل حذف یا دستکاری شده است24.

روش‌شناسی توسعه هوش مصنوعی سیاه

توسعه‌دهندگان در بازارهای زیرزمینی این ابزارها را عمدتاً از سه مسیر فنی به مرحله تولید می‌رسانند26:

مسیر نخست، بازآموزی مدل‌های زبانی با وزن باز (Open-Weight Models) است26. هکرها با دانلود کدهای پایه مدل‌هایی نظیر GPT-J، LLaMA، Mistral یا Falcon، آن‌ها را بر روی خوشه‌های محاسباتی خصوصی با مجموعه داده‌های آلوده شامل کدهای بدافزار، پایگاه‌های داده لاگ سرقت‌شده و اسکریپت‌های بهره‌برداری از آسیب‌پذیری‌های روز-صفر بازتنظیم (Fine-Tuning) می‌کنند تا محدودیت‌های امنیتی به کلی از رفتار مدل حذف شوند26.

مسیر دوم، توسعه پوسته‌های فریبنده و تزریق پرامپت مداوم بر بستر مدل‌های تجاری است26. در این روش، با بهره‌برداری از پرامپت‌های جیل‌بریک سطح بالا، محدودیت‌های امنیتی مدل‌های تجاری مانند چت‌بات‌های عمومی دور زده می‌شود و خروجی آن در قالب یک چت‌بات بدون سانسور از طریق وب تاریک یا تلگرام فروخته می‌شود26.

مسیر سوم، آموزش مدل‌ها بر بستر انحصاری متون استخراج‌شده از اعماق دارک‌وب، فروم‌های زیرزمینی هکری و بازارهای سیاه معامله بدافزار است که به تولید مدل‌هایی با فهم عمیق از اصطلاحات تبهکاری و تکنیک‌های گریز از سامانه‌های امنیتی منجر می‌گردد24.

 

عنوان ابزار مدل پایه و خاستگاه نرم‌افزاری ساختار دسترسی و هزینه کارکردهای فنی و تهاجمی گزارش‌شده
WormGPT برگرفته از مدل منبع‌باز GPT-J (سال ۲۰۲۱)26 اشتراک ماهانه ۱۰۰ یورو یا سالانه ۵۵۰ یورو در انجمن‌های Hackforums و ExploitIn25 نگارش ایمیل‌های فریبنده و بی‌نقص نفوذ به سیستم ایمیل سازمانی (BEC)، تولید کدهای بدافزار سارق اطلاعات (Infostealer) به زبان پایتون و طراحی حملات بدون محدودیت ورودی26
FraudGPT توسعه‌یافته بر پایه معماری GPT-328 ۲۰۰ دلار در ماه تا ۱۷۰۰ دلار اشتراک سالانه (عرضه توسط حساب CanadianKingpin12)28 ایجاد خودکار صفحات فیشینگ درگاه‌های بانکی، نگارش کدهای اکسپلویت غیرقابل ردگیری، بررسی آسیب‌پذیری برنامه‌ها و ارائه راهنماهای گام‌به‌گام مهندسی اجتماعی26
DarkBERT / DarkBART سوءاستفاده تجاری از نام پروژه آکادمیک DarkBERT26 فروش اشتراک‌های گران‌قیمت در فروم‌های زیرزمینی با ادعای اتصال به وب25 یکپارچه‌سازی با قابلیت‌های جستجوی زنده دارک‌وب، پردازش پایگاه‌های داده درز کرده، استخراج گذرواژه‌ها و تولید بدافزار متناسب با مشخصات سامانه قربانی28
WolfGPT / xxxGPT مدل‌های منبع‌باز تنظیم‌شده بر بستر پایتون31 دسترسی VIP از طریق رمزارز در کانال‌های خصوصی25 ساخت بدافزارهای رمزنگاری باج‌افزاری، تولید هرزنامه‌های فریبنده عبورکننده از فیلترهای ضداسپم و ساخت پوسته‌های تعاملی جهت عملیات بات‌نت31

ارزیابی‌های تخصصی نشان می‌دهد اگرچه برخی از این سرویس‌ها با تبلیغات مبالغه‌آمیز فروخته می‌شوند و گاه کدهای تولیدشده توسط آن‌ها حاوی خطاهای نگارشی است که نیازمند تصحیح توسط توسعه‌دهنده انسانی است، اما این ابزارها موانع ورود به حوزه جرایم سایبری را به شدت کاهش داده‌اند24. ظهور این دسته از نرم‌افزارها زمینه‌ساز شکل‌گیری «باج‌افزار به عنوان سرویس بدون کدنویسی» (No-Code Ransomware-as-a-Service) شده است که در آن افراد ناآشنا با زبان‌های برنامه‌نویسی سطح پایین نیز می‌توانند باینری‌های مخرب و دگرگون‌شونده بسازند26.

در بعد پیشرفته‌تر، ترکیب مدل‌های هوش مصنوعی سیاه با فناوری جعل صدا (Voice Cloning) فصل نوینی از مهندسی اجتماعی را رقم زده است21. مهاجمان با نمونه‌برداری صوتی سه‌ثانیه‌ای از اظهارات مدیران یک سازمان یا چهره‌های شناخته‌شده، مکالمات صوتی زنده ترتیب می‌دهند تا پرسنل را به انتقال وجه، افشای داده‌های حیاتی یا تأیید اعلان‌های احراز هویت دومرحله‌ای (MFA Push Notification) متقاعد کنند21. این همگرایی فنی میان مدل‌های زبانی دستکاری‌شده و رسانه‌های ساختگی، سامانه‌های دفاع سایبری مبتنی بر آگاهی‌بخشی انسانی را با چالشی بی‌سابقه مواجه کرده است21.

کنترل لایه‌ای اینترنت؛ از احراز هویت اجباری تا ادعای بی‌طرفی شبکه

پروندهٔ هوش مصنوعی را نمی‌توان جدا از معماری گسترده‌تر کنترل اینترنت در ایران فهمید. گزارش «پایش شبکه در اوت ۲۰۲۶» از Filter Watch نشان می‌دهد که هم‌زمان با ادامهٔ فیلترینگ، سیاست‌گذاری به سمت کنترل هویت، مدیریت طبقاتی دسترسی و تثبیت شبکهٔ ملی اطلاعات حرکت کرده است. در این مدل، مسئله فقط مسدودکردن یک وب‌سایت نیست؛ بلکه اتصال هویت واقعی کاربر به سیم‌کارت، دستگاه، سطح دسترسی و سابقهٔ مصرف شبکه است. این زیرساخت، در صورت اتصال به سامانه‌های تحلیلی و مدل‌های هوش مصنوعی، ظرفیت تبدیل دادهٔ خام ارتباطی به پروندهٔ رفتاری و سیاسی را افزایش می‌دهد؛ این جمله یک استنباط تحلیلی است و به‌معنای اثبات اتصال مستقیم همهٔ این سامانه‌ها به یک مدل مشخص نیست.

احراز هویت و قیمت‌گذاری به‌عنوان ابزار کنترل

به‌گزارش Filter Watch، سند «نظام هویت معتبر» و سیاست‌های مطرح‌شده در شورای عالی فضای مجازی، احراز هویت کاربران و سامان‌دهی هویت دیجیتال را به یکی از پایه‌های حکمرانی فضای مجازی تبدیل کرده‌اند. نتیجهٔ عملی چنین رویکردی می‌تواند کاهش ناشناس‌بودن، امکان انتساب فعالیت آنلاین به شخص حقیقی و اعمال محدودیت یا امتیاز بر اساس نوع کاربر باشد. هم‌زمان، بحث قیمت‌گذاری و تفکیک دسترسی، اینترنت را از یک خدمت عمومی یکسان به خدمتی چندسطحی تبدیل می‌کند؛ سطحی که در آن دسترسی آزاد، پایدار یا کم‌سرعت می‌تواند تابع سیاست، هویت یا توان پرداخت باشد.

ادعای «بی‌طرفی شبکه» نیز در این زمینه باید با احتیاط خوانده شود. بی‌طرفی شبکه به‌طور معمول یعنی ارائه‌دهنده میان ترافیک قانونیِ خدمات مختلف تبعیض نگذارد؛ اما این عنوان به‌تنهایی دربارهٔ فیلترینگ، احراز هویت، اولویت‌بندی ترافیک یا دسترسی طبقاتی داوری نمی‌کند. بنابراین استفادهٔ تبلیغاتی از این اصطلاح، بدون انتشار معیارهای فنی و سازوکار نظارت مستقل، نمی‌تواند شواهدی برای بی‌طرف‌بودن واقعی شبکه باشد.

داده‌های اختلال؛ نشانه‌های قابل‌اندازه‌گیری بی‌ثباتی

Filter Watch با استناد به نمودارهای Kentik، Cloudflare Radar و IODA گزارش می‌کند که ترافیک ایران در اوت ۲۰۲۶ نوسان و افت محسوسی داشته است. بر اساس این گزارش، از حدود ۳ شهریور، شاخص‌های «کل بایت‌های منتقل‌شده» و «ترافیک HTTP» در Cloudflare Radar به‌طور ناگهانی کاهش یافتند و در بسیاری از ساعات، افتی حدود ۵۰ تا ۷۰ درصد نسبت به دورهٔ مقایسه‌ای نشان دادند؛ درخواست‌های HTTP نیز عمدتاً حدود ۴۰ تا ۵۵ درصد پایین‌تر بود. IODA همچنین در نیمهٔ دوم مرداد چهار افت در شاخص مشاهده‌پذیری مسیرهای BGP ثبت کرد؛ طولانی‌ترین مورد در ۲۴ مرداد حدود ۱۶ ساعت و شدیدترین افت در ۲۶ مرداد گزارش شد.

این سنجه‌ها وجود اختلال، ناپایداری یا افت اتصال را نشان می‌دهند، اما به‌تنهایی علت آن را—فیلترینگ، خاموشی عمدی، مشکل زیرساختی، حمله یا ترکیبی از عوامل—اثبات نمی‌کنند. با این حال، کنار هم قرار گرفتن داده‌های مسیر‌یابی، ترافیک و گزارش‌های کاربران، ادعای بازگشت کامل شبکه به وضعیت پیش از ۱۸ دی را پشتیبانی نمی‌کند. استمرار چنین ناپایداری‌ای، دسترسی به ابزارهای دورزدن سانسور، ارتباطات امن و منابع خبری مستقل را دشوارتر و هزینهٔ نظارت و کنترل را برای حکومت کمتر می‌کند.

پیوند معماری اینترنت کنترل‌شده با هوش مصنوعی

در یک زنجیرهٔ کنترل لایه‌ای، احراز هویت اجباری «چه کسی» را مشخص می‌کند، داده‌های مخابراتی و پلتفرمی «چه کاری و با چه کسانی» را قابل تحلیل می‌سازد، و ابزارهای هوش مصنوعی پردازش و اولویت‌بندی این داده‌ها را سریع‌تر می‌کنند. این زنجیره از نظر سیاسی خطرناک است، زیرا خطای الگوریتمی یا برچسب‌گذاری نادرست می‌تواند به تصمیم انسانیِ ناعادلانه، هشدار امنیتی، حذف حساب یا احضار منجر شود. از همین رو، هر تحلیل دربارهٔ «هوش مصنوعی سیاه» در ایران باید هم‌زمان به حاکمیت داده، شفافیت، حق اعتراض، حداقل‌سازی جمع‌آوری داده و نظارت مستقل نیز بپردازد.

پرونده‌های تازه آنتروپیک؛ از تولید روایت تا پرونده‌سازی درباره شهروندان

گزارش سپتامبر ۲۰۲۶ آنتروپیک چند پرونده با منشأ یا موضوع ایرانی را کنار هم آورده است. این‌ها یک عملیات واحد نیستند: برخی به نهادهای حکومتی نسبت داده شده‌اند، بعضی انتساب سازمانی قطعی ندارند و یک شبکه نیز با سازمان مجاهدین خلق و شورای ملی مقاومت مرتبط دانسته شده است. شناسه‌های «GTG» کدهای ردیابی آنتروپیک‌اند، نه لزوماً نام رسمی گروه‌ها. تحلیل فارسی رازنت نیز این تفکیک را مبنای بررسی پرونده‌ها قرار داده است.

عملیات نفوذ؛ منشأ دولتی با ظاهر صدای مستقل

در پرونده GTG-34001، آنتروپیک می‌گوید سه حساب مرتبط با سازمان فرهنگ و ارتباطات اسلامی، دفتر تبلیغات اسلامی خراسان رضوی و رصدخانه فرهنگی «بینا» را شناسایی و مسدود کرده است. طبق گزارش، از کلود برای نوشتن طرح کارزار، دستورالعمل تولید محتوا، شخصیت‌های ظاهراً مستقل و برنامه‌های انتشار استفاده می‌شد. بازیگران برای عبور از محدودیت ارائه کلود در ایران از VPN و شماره‌های خارجی بهره می‌بردند. آنتروپیک انتشار بخشی از محتوای این عملیات را در پلتفرم‌های دیگر نیز مشاهده کرده است؛ اما مشاهده انتشار با اثبات اثرگذاری بر افکار عمومی یکسان نیست. منبع: آنتروپیک، GTG-34001

شبکه «منجنیق» در مشهد، به روایت آنتروپیک، محتوای همسو با روایت‌های سپاه را با شخصیت‌های مختلف بازبسته‌بندی و برای تقویت انتشار آن در بیش از ۱۰۰ کانال، از جمله کانال‌های وابسته به سپاه، هزینه می‌کرد. در پرونده «بینا»، ادعاهایی ساختگی به نام مؤسسه‌های پژوهشی RAND، Brookings و CSIS عرضه شد تا یک روایت داخلی تأیید بیرونی پیدا کند. بخش مرتبط با سازمان فرهنگ و ارتباطات اسلامی نیز طرح‌هایی برای اثرگذاری بر مخاطبان خارج از ایران از مسیر رایزنان فرهنگی، نام نویسندگان خارجی و شبکه‌های اجتماعی آماده می‌کرد. وجه مشترک این فعالیت‌ها پنهان‌کردن حامی واقعی پیام و عرضه محتوای سازمانی در لباس تحلیل مستقل بود. منبع: آنتروپیک، GTG-34001

«آرمان» و افزونه‌ای با پوشش اوقات شرعی

در پرونده GTG-34007، آنتروپیک می‌گوید ۱۶ حساب متعلق به دو واحد مرتبط را مسدود کرده و با اطمینان بالا آن‌ها را وابسته به نهادهای شبه‌نظامی و امنیت داخلی ایران ارزیابی کرده است. یکی از واحدها سازمانی هفت‌بخشی با دفاتر استانی بود که خود ادعا می‌کرد طی یک سال درباره ۶٬۳۸۸ ایرانی پرونده ساخته است. عاملان با کمک کلود رابط سامانه «آرمان» را توسعه دادند و ۱۵۵٬۲۱۶ توییت را برای تحلیل شبکه‌های اجتماعی پردازش کردند؛ خروجی این تحلیل، نام‌گذاری ۳۹ حساب متعلق به مخالفان و ایرانیان خارج از کشور بود. این اعداد از روایت آنتروپیک درباره داده‌ها و ادعاهای عاملان می‌آیند و نباید به‌عنوان شمار مستقلاً تأییدشده همه افراد تحت نظارت تعبیر شوند. منبع: آنتروپیک، GTG-34007

به‌گفته آنتروپیک، پرونده افراد در «آرمان» می‌توانست کد ملی، عقاید، سابقه کیفری، حساب‌های اجتماعی و زبانه‌ای با عنوان «اقدام» را در کنار هم نگه دارد. واحد مستقر در قم برای شناسایی هویت کاربران ناشناس، تطبیق شماره تلفن با هویت، صفحه فریبنده دریافت کد ملی و گزارش انبوه حساب‌های تلگرام ابزار می‌ساخت. افزونه فایرفاکس «النجم الثاقب» با ظاهر ابزار اوقات شرعی به مرحله استفاده عملی رسید و برای گردآوری انبوه هویت کاربران شبکه‌های اجتماعی به کار رفت. گزارش همچنین می‌گوید واحدها به مأموریت‌هایی از مقام‌های ارشد پاسخ می‌دادند و صلاحیت نامزدهای سمت‌های رسمی را می‌سنجیدند. یک عامل جداگانه در مجاورت یکی از واحدها نیز از قابلیت‌های کلود برای تقلید صدای سه نویسنده ایرانی و آماده‌سازی محتوای تبلیغاتی پیرامون جانشینی رهبر جمهوری اسلامی استفاده کرد؛ نباید این مورد را بی‌واسطه به کل سامانه آرمان نسبت داد. منبع: آنتروپیک، GTG-34007

این پرونده یک محدودیت مهم در دفاع مدل را نیز آشکار می‌کند: آنتروپیک می‌گوید کلود بعضی درخواست‌های صریح برای پرونده‌سازی و تبلیغات را رد کرد، اما به بسیاری از درخواست‌های ساخت ابزار نرم‌افزاری نظارت پاسخ داد. مسدودسازی حساب‌ها می‌تواند دسترسی همان حساب‌ها را قطع کند؛ از گزارش نمی‌توان نتیجه گرفت همه ابزارهایی که پیش‌تر ساخته یا نصب شده‌اند نیز از کار افتاده‌اند. منبع: آنتروپیک، GTG-34007

عملیات مجاهدین خلق؛ جعل هویت فعالان

در پرونده GTG-84006، آنتروپیک شبکه‌ای مرتبط با سازمان مجاهدین خلق و شورای ملی مقاومت را شرح می‌دهد که با خواندن حدود ۸٬۴۰۰ پست یک فعال، سبک نوشتار او را تقلید کرد و با استفاده از عامل «Viktor» به نام او در تلگرام با مخاطبانش گفت‌وگو کرد. آنتروپیک می‌گوید مخاطبان، تا جایی که این شرکت می‌داند، از نقش هوش مصنوعی خبر نداشتند. گزارش همچنین از جعل صدا، شخصیت‌های مصنوعی، انتشار هماهنگ محتوا و گردآوری اطلاعات درباره افراد داخل ایران سخن می‌گوید. آنتروپیک ارتباط چند عامل با رسانه‌های رسمی این سازمان را یافته، اما میزان فرماندهی متمرکز کل عملیات را تأیید نکرده است. این پرونده از نظر انتساب سیاسی از عملیات نهادهای حکومتی جداست؛ از نظر پیامد، نشان می‌دهد جعل هویت دیجیتال می‌تواند اعتماد مخاطبان و امنیت فعالان را تهدید کند. منبع: آنتروپیک، GTG-84006

شناسایی نظامی، بدافزار و مرز ادعای «حمله به ناوها»

در GTG-30004، آنتروپیک یک بازیگر مرتبط با ایران را توصیف می‌کند که از کلود برای گسترش فهرست هدفِ اشخاص در اسرائیل و سازمان‌های یهودیان خارج از کشور و نیز مبهم‌سازی یک ابزار سرقت اعتبارنامه استفاده کرد. در پرونده جداگانه GTG-30005، بازیگری با پیوند ایرانی داده‌های عمومی مانند شناسه‌های فرستنده کشتی و هواپیما، عکس‌های نظامی و تصاویر ماهواره‌ای تجاری را برای تدوین توصیه‌های هدف‌گیری علیه نیروهای دریایی آمریکا گرد آورد و آسیب‌پذیری‌های شناخته‌شده تجهیزات ارتباطی دریایی را فهرست کرد. همان حساب در کاری جداگانه روی اجزای یک سامانه نظارت داخلی، از جمله ترکیب خواندن پلاک خودرو و رهگیری شناسه دستگاه تلفن، کار کرده بود. منبع: آنتروپیک، GTG-30004 و GTG-30005

خبر فارس این موضوع را با عنوان «استفاده ایران از یک هوش مصنوعی برای حمله به ناوهای آمریکا» بازتاب داده است. اما گزارش اصلی وقوع حمله، اصابت، نفوذ موفق به سامانه کشتی یا صدور فرمان عملیاتی از طریق کلود را گزارش نمی‌کند؛ یافته مشخص آن گردآوری اطلاعات عمومی و تولید پیشنهادهای هدف‌گیری است. همچنین «بازیگر مرتبط با ایران» در این پرونده به‌تنهایی نام یک نهاد مشخص یا زنجیره فرماندهی دولتی را اثبات نمی‌کند. منبع اصلی: آنتروپیک، GTG-30005

سیاست اینترنت و خطر پیوند داده‌ها

طبق گزارش فیلتربان درباره اوت ۲۰۲۶، نسخه دوم طرح «نظام‌بخشی فضای مجازی» برای احراز نکردن هویت کاربران پیش از ارائه خدمات، در ماده ۵ ضمانت اجرا پیش‌بینی می‌کند. این طرح بر سند «نظام هویت معتبر» مصوب ۱۳۹۸ تکیه دارد که خواهان انتساب هر تعامل آنلاین به یک شخص یکتا و امکان نگاشت شناسه‌های فرد در لایه‌های مختلف است. باید میان متن طرح و اجرای کامل آن فرق گذاشت: وجود چنین بندهایی به‌خودی‌خود ثابت نمی‌کند همه خدمات کشور اکنون به یک پایگاه داده واحد وصل‌اند.

همان گزارش نشان می‌دهد ماده ۶ طرح از «حق دسترسی» و «بی‌طرفی شبکه» می‌گوید، اما برای محدودیت به دستور مراجع قانونی استثنا می‌گذارد، فیلترینگ را از دامنه بی‌طرفی بیرون می‌برد و امکان معافیت از پالایش برای برخی فعالیت‌های آموزشی، فناوری، پژوهشی و خبری را پیش‌بینی می‌کند. تعرفه متفاوت ترافیک داخلی و بین‌المللی نیز پیش‌تر در مصوبه ۲۶۶ رسمیت یافته بود. پس برابری ظاهری انتقال ترافیک، به‌تنهایی به معنای دسترسی برابر کاربران یا رفع فیلترینگ نیست. منبع: فیلتربان

در کنار پرونده «آرمان»، این سیاست‌ها یک خطر قابل‌فهم می‌سازند: هرچه نگاشت هویت واقعی به فعالیت آنلاین آسان‌تر و داده‌های بیشتری قابل تجمیع باشد، ابزارهای تحلیل خودکار می‌توانند پرونده‌سازی را سریع‌تر و فراگیرتر کنند. این استنباط درباره ظرفیت و خطر است؛ در منابع حاضر سندی برای اثبات اتصال مستقیم «آرمان» به طرح نظام‌بخشی، سامانه شاهکار یا همه داده‌های اپراتورها ارائه نشده است. پیامد عملی برای حقوق شهروندی، ضرورت محدودکردن جمع‌آوری داده، شفافیت درباره دسترسی به پرونده‌ها، امکان اعتراض و حساب‌رسی مستقل است.

دو واحد مرتبط با نهادهای شبه‌نظامی و امنیت داخلی جمهوری اسلامی

ق گزارش آنتروپیک، دو واحد مرتبط با نهادهای شبه‌نظامی و امنیت داخلی جمهوری اسلامی با استفاده از ۱۶ حساب کلاود، ابزارهایی برای شناسایی هویت، جمع‌آوری اطلاعات کاربران و پروفایل‌سازی شهروندان توسعه داده بودند. خروجی این فعالیت‌ها به زیرساخت مشترکی با نام «آرمان» متصل می‌شد.

یکی از این واحدها مدعی شده بود که تنها در یک سال بیش از ۶ هزار ایرانی را پایش و پروفایل کرده است.

آنتروپیک می‌گوید حساب‌های مرتبط را مسدود کرده؛ اما گزارش منتشرشده تأیید نمی‌کند که سامانه آرمان متوقف شده یا داده‌های جمع‌آوری‌شده حذف شده‌اند.

این قسمت اول از مجموعه‌ی ویدیویی سه‌قسمتی ما درباره‌ی سوءاستفاده از کلاود برای نظارت و پروپاگانداست.

tweet (https://x.com/markpash/status/2100942570482209108)

جمع‌بندی راهبردی و چشم‌انداز پدافند سایبری

پرونده‌های مستند آنتروپیک نشان می‌دهند هوش مصنوعی می‌تواند هزینه تولید محتوای فریبنده، تحلیل داده‌های عمومی و ساخت ابزار نظارت را پایین بیاورد. شدت و پیامد هر پرونده متفاوت است: از انتشار محتوای سازمانی با هویت جعلی تا ساخت افزونه‌ای که به گفته آنتروپیک برای جمع‌آوری هویت کاربران به کار گرفته شده است. شواهد موجود برای سنجش میزان اثرگذاری همه کارزارها یا شمار واقعی همه افراد آسیب‌دیده کافی نیست.

برای کاهش این خطر، سازندگان مدل باید سوءاستفاده در زنجیره ساخت نرم‌افزار نظارتی را نیز تشخیص دهند؛ پلتفرم‌ها باید شبکه‌های جعل هویت و انتشار هماهنگ را بررسی کنند؛ و سیاست اینترنت باید حق دسترسی، حریم خصوصی و راه اعتراض مؤثر به پرونده‌سازی را تضمین کند. برای افراد در معرض خطر، احتیاط در نصب افزونه‌های ناشناس، راستی‌آزمایی هویت مخاطب در کانالی مستقل و محدودکردن داده‌های عمومیِ قابل پیوند به هویت واقعی، اقدام‌هایی متناسب با تهدیدهای شرح‌داده‌شده در این گزارش‌اند.

Works cited

  1. Detecting and countering misuse of AI: September 2026 - Anthropic, https://www.anthropic.com/threat-intelligence-report-september-2026
  2. Microsoft Digital Defense Report 2025, https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/msc/documents/presentations/CSR/Microsoft-Digital-Defense-Report-2025.pdf
  3. Disrupting an AI-orchestrated cyber espionage campaign - Anthropic, https://www.anthropic.com/news/disrupting-AI-espionage
  4. Disrupting the first reported AI-orchestrated cyber espionage, https://www-cdn.anthropic.com/d7dd50dd1185f59be051b307150d877f2b82bd2c.pdf
  5. Threat Intelligence Report: August 2025 - Anthropic, https://www-cdn.anthropic.com/b2a76c6f6992465c09a6f2fce282f6c0cea8c200.pdf
  6. OpenAI Says Iranian Hackers Used ChatGPT to Plan ICS Attacks, https://www.securityweek.com/openai-says-iranian-hackers-used-chatgpt-to-plan-ics-attacks/
  7. Microsoft Digital Defense Report 2024, https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/final/en-us/microsoft-brand/documents/Microsoft%20Digital%20Defense%20Report%202024%20%281%29.pdf
  8. OpenAI Details Threat Actors Use AI Models for Cyber Operations, https://www.anvilogic.com/threat-reports/ai-models-cyber-operations
  9. Influence and cyber operations: an update, October 2024 - OpenAI, https://cdn.openai.com/threat-intelligence-reports/influence-and-cyber-operations-an-update_October-2024.pdf
  10. OpenAI confirms threat actors used ChatGPT to write malware, https://indianexpress.com/article/technology/artificial-intelligence/chatgpt-openai-used-to-develop-debug-malware-9623346/
  11. The biggest cyber attacks of 2024 - BCS, The Chartered Institute for IT, https://www.bcs.org/articles-opinion-and-research/the-biggest-cyber-attacks-of-2024/
  12. The Digital Front of Iranian Cyber Offensive Response - ExtraHop, https://www.extrahop.com/blog/the-digital-front-of-iranian-cyber-offensive-and-defensive-response
  13. GTIG AI Threat Tracker: Advances in Threat Actor Usage of AI Tools, https://cloud.google.com/blog/topics/threat-intelligence/threat-actor-usage-of-ai-tools
  14. Iran–Israel/US War 2026 Cyber Attack Dashboard - SOCRadar, https://socradar.io/iran-israel-cyber-conflict-dashboard/
  15. Conflict in the Middle East White Paper - Broadcom, https://sed-cms.broadcom.com/system/files/threat-hunter-whitepaper/2024-04/2024_04_Middle_East_Actors_Whitepaper.pdf
  16. US and Israel Warn of Iranian Threat Actor's New Tradecraft, https://www.infosecurity-magazine.com/news/us-israel-iran-new-tradecraft/
  17. How threat actors use ChatGPT & AI for Spear Phishing? - SECNORA, https://secnora.com/blog/how-threat-actors-use-chatgpt-ai-for-spear-phishing/
  18. Extortion and ransomware drive over half of cyberattacks, https://blogs.microsoft.com/on-the-issues/2025/10/16/mddr-2025/
  19. OpenAI Disrupts 20+ Malicious Campaigns Using AI for Cybercrime, https://www.centraleyes.com/openai-disrupts-20-malicious-campaigns-using-ai-for-cybercrime-and-disinformation/
  20. AI-Weaponized Phishing: Nation-State Quality at Commodity Scale, https://labs.cloudsecurityalliance.org/research/csa-research-note-ai-weaponized-phishing-systemic-risk-20260/
  21. AI Cyberattacks: How Attackers Weaponize Artificial Intelligence, https://www.manageengine.com/log-management/ai-security/ai-cyberattacks.html
  22. IMSI-Catcher - فیلترشکن سارینا, https://filtershekan.sbs/IMSI_Catcher/
  23. https://filtershekan.sbs/Research/
  24. What is dark AI and how can you protect yourself? - Norton, https://uk.norton.com/blog/ai/dark-ai
  25. Dark AI tools: How profitable are they on the dark web? - Outpost 24, https://outpost24.com/blog/dark-ai-tools/
  26. The Rise of AI Abuse | Criminal GPTs, DeepFakes, Data Breaches, https://www.culture.ai/resources/blog/the-rise-of-ai-abuse
  27. Generative AI in Cybersecurity, https://cetas.turing.ac.uk/publications/generative-ai-cybersecurity
  28. Malicious AI arrives on the dark web - ASPI Strategist, https://www.aspistrategist.org.au/malicious-ai-arrives-on-the-dark-web/
  29. What Happened to WormGPT and What Are Cybercriminals Using, https://abnormal.ai/blog/what-happened-to-wormgpt-cybercriminal-tools
  30. Malicious AI Chatbots Enable Cybercrime Surge on the Dark Web, https://oecd.ai/en/incidents/2023-07-28-b15a
  31. how cybercriminals experiment with AI on the dark web, https://dfi.kaspersky.com/blog/ai-in-darknet
  32. Detecting and countering misuse of AI: August 2025 - Anthropic, https://www.anthropic.com/news/detecting-countering-misuse-aug-2025
  33. پایش شبکه در اوت ۲۰۲۶: از احراز هویت اجباری تا ادعای بی‌طرفی شبکه - Filter Watch, https://filter.watch/2026/09/05/network-monitoring-august-2026-from-mandatory-identity-verification-to-claims-of-network-neutrality/
  34. استفاده جمهوری اسلامی از کلاود برای جاسوسی و پروپاگاندا - RaazNet, https://raaznet.com/fa/blog/anthropic-iran-ai-surveillance-influence-operations-2026
  35. استفاده جمهوری اسلامی از کلاود برای جاسوسی و پروپاگاندا - RaazNet (نسخه منبع پیوست‌شده), https://raaznet.com/fa/blog/anthropic-iran-ai-surveillance-influence-operations-2026
  36. استفاده ایران از یک هوش مصنوعی برای حمله به ناوهای آمریکا - خبرگزاری فارس, https://farsnews.ir/E_Ahmadi/1789142825097915730/%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%DB%8C%D8%B1%D8%A7%D9%86-%D8%A7%D8%B2-%DB%8C%DA%A9-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AD%D9%85%D9%84%D9%87-%D8%A8%D9%87-%D9%86%D8%A7%D9%88%D9%87%D8%A7%DB%8C-%D8%A2%D9%85%D8%B1%DB%8C%DA%A9%D8%A7
  37. گزارش مرتبط درباره کاربرد هوش مصنوعی و عملیات نفوذ در ایران - ایران اینترنشنال, https://www.iranintl.com/202609100802
  38. کانال مملکته، منبع پیوست‌شده در متن اولیه, https://t.me/mamlekate