وبلاگ / Mythos و Fable؛ دو مدل هوش مصنوعی که از Claude Opus هم قدرتمندتر شدند
Mythos و Fable؛ دو مدل هوش مصنوعی که از Claude Opus هم قدرتمندتر شدند
مقدمه
تا همین چند ماه پیش، وقتی صحبت از قدرتمندترین مدلهای هوش مصنوعی آنتروپیک میشد، نام Claude Opus بالاترین رتبه را داشت. اما داستان در سال جاری تغییر کرد. آنتروپیک دو مدل جدید با نامهای Mythos و Fable را معرفی کرد که نه فقط یک پلکان بالاتر از Opus قرار گرفتند، بلکه دستهبندی کاملاً تازهای به نام «مدلهای کلاس Mythos» را در دنیای هوش مصنوعی به وجود آوردند. این دو مدل، بهخصوص در زمینهی امنیت سایبری و تحلیل کدهای پیچیده، تواناییهایی نشان دادند که تا پیش از این فقط از متخصصان انسانی سرشناس انتظار میرفت. در این مقاله قرار است با زبان ساده و مثالهای قابل لمس بررسی کنیم Mythos و Fable دقیقاً چه هستند، چه تفاوتی با هم دارند، چرا دسترسی به آنها اینقدر محدود بوده و چه تأثیری روی آیندهی صنعت امنیت و توسعهی نرمافزار خواهند گذاشت.
Mythos چیست و چرا آنتروپیک آن را عمومی نکرد؟
Claude Mythos Preview اولین مدلی بود که آنتروپیک از این خانواده معرفی کرد. این مدل یک هوش مصنوعی همهمنظوره است، اما در یک حوزهی خاص عملکردی غیرعادی از خودش نشان داد: پیدا کردن و سوءاستفاده از آسیبپذیریهای نرمافزاری. برای درک بهتر این موضوع، کافی است به یک نمونه واقعی نگاه کنیم؛ این مدل بهطور کاملاً خودکار، یک آسیبپذیری ۱۷ساله در سیستمعامل FreeBSD را شناسایی و سپس بهرهبرداری از آن را هم اجرا کرد، آسیبپذیریای که به یک کاربر ناشناس روی اینترنت اجازه میداد کنترل کامل سرور را در دست بگیرد. هیچ انسانی در مراحل کشف یا بهرهبرداری از این باگ دخالت نداشت.
این سطح از توانمندی، آنتروپیک را وادار کرد بهجای انتشار عمومی، Mythos را تنها از طریق پروژهای به نام Project Glasswing و در اختیار شرکتهای منتخب مانند مایکروسافت، اپل، گوگل، آمازون، سیسکو و انویدیا قرار دهد. نتیجهی این همکاری هم چشمگیر بود: تنها دو هفته پس از دسترسی محدود، موزیلا اعلام کرد با کمک Mythos، ۲۷۱ آسیبپذیری امنیتی در مرورگر فایرفاکس را شناسایی و وصله کرده است. اگر کمی عمیقتر به موضوع امنیت هوش مصنوعی علاقه دارید، مقالهی تأثیر هوش مصنوعی بر سیستمهای امنیت سایبری را هم بخوانید تا تصویر کاملتری از این تحول داشته باشید.
از Mythos به Fable؛ نسخهای امن برای همه
نگرانی اصلی آنتروپیک این بود: مدلی با این سطح از قدرت در کشف آسیبپذیری، اگر در دستان نادرست قرار بگیرد، میتواند بهجای دفاع، ابزار حمله شود. به همین دلیل، در گام بعدی آنتروپیک دو مدل را همزمان معرفی کرد:
- Claude Mythos 5: نسخهی پیشرفتهتر Mythos، با دسترسی محدود و فقط برای سازمانهای مورد اعتماد در حوزهی امنیت سایبری.
- Claude Fable 5: نسخهای از همان مدل قدرتمند، اما با محافظهای امنیتی اضافه که آن را برای استفادهی عمومی ایمن میکند.
نام Fable از کلمهی لاتین fabula به معنای «آنچه روایت میشود» گرفته شده، که همریشه با واژهی یونانی mythos است؛ یعنی این دو مدل از یک خانواده میآیند، اما با هدفگذاری متفاوت. تفاوت اصلی آنها در محافظهای ایمنی است: اگر کاربر سوالی در حوزههای پرخطر مثل امنیت سایبری یا زیستشناسی از Fable بپرسد، پاسخ بهجای Fable از مدل ضعیفتر Claude Opus 4.8 ارائه میشود. به بیان دیگر، Fable همان قدرت Mythos را دارد، اما با ترمزهای ایمنی فعال.
برای درک بهتر این تفاوت، جدول زیر را ببینید:
| ویژگی | Claude Fable 5 | Claude Mythos 5 |
|---|---|---|
| دسترسی | مشترکین و سازمانهای عمومی | دسترسی محدود و معتمد |
| محافظهای ایمنی | فعال در حوزههای پرخطر | برداشتهشده در برخی حوزهها |
| قیمت ورودی/خروجی | ۱۰ دلار / ۵۰ دلار به ازای هر میلیون توکن | ۱۰ دلار / ۵۰ دلار به ازای هر میلیون توکن |
| حوزهی برتری | مهندسی نرمافزار، تحقیقات علمی، بینایی ماشین | کشف و رفع آسیبپذیری امنیتی |
| وضعیت فعلی | محدود به دلیل صادرات | در حال بازگشت تدریجی |
مثالهایی که قدرت واقعی این مدلها را نشان میدهد
شاید عدد و رقم بهتنهایی گویا نباشد، اما وقتی این توانمندیها را در قالب مثالهای واقعی ببینیم، تصویر روشنتر میشود:
کارمندان شرکت Calif.io با استفاده از Mythos توانستند یک exploit برای آسیبپذیری حافظه روی چیپهای Apple M5 طراحی کنند؛ کاری که معمولاً ماهها زمان یک تیم متخصص حرفهای را میگیرد. در آزمونهای مؤسسهی امنیت هوش مصنوعی بریتانیا (AISI)، Mythos در چالشهای پیشرفتهی Capture the Flag با نرخ موفقیت ۷۳ درصد شرکت کرد، در حالیکه سایر مدلهای رقیب در این سطح از پیچیدگی بهمراتب ضعیفتر عمل کردند. در آزمون رقابتی موسسهی امنیت سایبری بریتانیا، Mythos رتبهی اول را کسب کرد و Claude Opus 4.6 در رتبهی دوم قرار گرفت، در حالیکه مدلهای GPT-5.4 و GPT-5.3 Codex با هم در رتبهی سوم مساوی شدند.
این یعنی برای یک تیم امنیتی کوچک یا حتی یک توسعهدهندهی مستقل، Fable میتواند نقش یک تحلیلگر امنیتی ارشد را بازی کند که شبانهروز در دسترس است؛ کاری که قبلاً فقط شرکتهای بزرگ از پسش برمیآمدند. اگر میخواهید با مفهوم کلیتر این مدلها و سایر هوش مصنوعیهای زبانی آشنا شوید، مطالعهی مدلهای زبانی هوش مصنوعی؛ فرصتها و چالشها پیشنهاد میشود.
چرا دسترسی به Mythos اینقدر پر فراز و نشیب بوده؟
داستان دسترسی به این مدلها از یک فیلم هیجانانگیز هم پرماجراتر بوده است. وجود مدلی به نام Mythos برای اولینبار از طریق نسخههای پیشنویس درز کردهی یک پست وبلاگ فاش شد، که در آن این مدل را «بسیار جلوتر از هر مدل دیگری در توانمندیهای سایبری» توصیف کرده بود. این خبر آنقدر جدی تلقی شد که سهام شرکتهای امنیت سایبری سقوط کرد. وزارت خزانهداری آمریکا، بانک مرکزی اروپا، و حتی نهادهای مالی ژاپن و استرالیا جلسات اضطراری برای ارزیابی ریسکهای این مدل برگزار کردند.
اما ماجرا همینجا تمام نشد. در یکی از پیچیدهترین فصلهای این داستان، دولت آمریکا بهدلیل نگرانیهای امنیت ملی، دستور توقف دسترسی به مدلهای کلاس Mythos برای اتباع خارجی، از جمله کارمندان خود آنتروپیک، را صادر کرد. این یعنی برای مدتی حتی برخی کارمندان شرکت سازنده هم به مدل خودشان دسترسی نداشتند! خوشبختانه این محدودیت موقتی بود و آنتروپیک بهتدریج روند بازگرداندن دسترسی به Mythos را آغاز کرد، گرچه نسخهی Fable هنوز در فهرست بازگشت قرار نگرفته است.
این نوسانات نشان میدهد وقتی هوش مصنوعی به سطحی از قدرت میرسد که میتواند همزمان ابزار دفاعی و حمله باشد، تنظیمگری و سیاستگذاری چقدر پیچیده میشود. برای درک عمیقتر این چالشها پیشنهاد میکنیم مقالهی اخلاق در هوش مصنوعی؛ چالشها و راهکارها را هم مطالعه کنید.
این مدلها برای کاربران عادی چه فایدهای دارند؟
ممکن است فکر کنید این داستان فقط به شرکتهای بزرگ فناوری و دولتها مربوط است، اما واقعیت این است که قابلیتهای Fable به مرور در دسترس کاربران عادی هم قرار میگیرد و دقیقاً همان منطقی که در پایهی Claude Code یا دستیارهای کدنویسی هوش مصنوعی وجود دارد، در نسخههای آیندهی بسیار قدرتمندتر خواهد شد. برای مثال:
یک برنامهنویس مستقل که قبلاً مجبور بود ساعتها برای پیدا کردن یک باگ امنیتی در کد خودش وقت بگذارد، حالا میتواند با ابزاری شبیه به دستیار هوشمند برنامهنویسی کلود همان کار را در چند دقیقه انجام دهد. یک کسبوکار کوچک که توان مالی استخدام یک تیم امنیتی حرفهای را ندارد، میتواند با مدلی در سطح Fable، وبسایت و سرورهای خودش را قبل از انتشار، در برابر آسیبپذیریهای رایج بررسی کند. حتی یک علاقهمند به یادگیری امنیت سایبری میتواند از این مدلها بهعنوان یک معلم خصوصی استفاده کند که توضیح میدهد چرا یک کد آسیبپذیر است و چطور باید آن را اصلاح کرد.
این روند دقیقاً همان چیزی است که در مقالهی هوش مصنوعی و آیندهی شغلها و صنایع هم به آن اشاره شده: ابزارهایی که قبلاً فقط در اختیار متخصصان بود، حالا در دسترس همه قرار میگیرد.
مقایسه با سایر مدلهای هوش مصنوعی روز دنیا
اگر بخواهیم Mythos و Fable را در بستر بزرگتر بازار هوش مصنوعی ببینیم، باید بدانیم رقابت در این سطح فقط محدود به آنتروپیک نیست. شرکتهایی مثل OpenAI هم مدلهای قدرتمند خود را عرضه کردهاند و این رقابت باعث شده قیمت و کیفیت مدلها بهسرعت در حال تغییر باشد. برای آشنایی با تفاوتهای کلی بین مدلهای پرکاربرد، میتوانید مقالهی مقایسهی کامل Gemini و ChatGPT یا مقایسهی Gemini و Claude را هم بخوانید. نکتهی جالب این است که حتی نهادهای مالی بزرگ مانند بانک مرکزی اروپا هم واکنش مستقیم به این مدلها داشتند که نشاندهندهی اهمیت استراتژیک این فناوریها در سطح جهانی است.
کاربردهای عملی Fable و Mythos در دنیای واقعی
برای اینکه تصویر کاملتری از کاربرد این مدلها داشته باشید، چند نمونهی واقعی دیگر را هم بررسی میکنیم:
پلتفرم Cloudflare، که یکی از بزرگترین شبکههای امنیتی اینترنت را مدیریت میکند، Mythos Preview را آزمایش کرد و متوجه شد این مدل در تولید گزارشهای آسیبپذیری بسیار تمیزتر و دقیقتر از ابزارهای معمول برنامهنویسی عمل میکند، گرچه هنوز به فرآیندهای انسانی برای تأیید نهایی نیاز دارد. در یک نمونهی دیگر، تیمهای امنیتی در بیش از ۱۵۰ سازمان در بیش از ۱۵ کشور، با گسترش دسترسی به Mythos، توانستند همزمان روی شناسایی آسیبپذیریهای بحرانی در زیرساختهای حیاتی کار کنند. این سطح از همکاری جهانی در تاریخ امنیت سایبری بیسابقه بوده است.
اگر به این فکر میکنید که این مدلها چطور میتوانند در آینده روی صنایع دیگر هم اثر بگذارند، پیشنهاد میکنیم مقالهی هوش مصنوعی و آیندهی کار؛ چالشها و فرصتها را هم بخوانید.
نگرانیها و چالشهای پیشرو
البته هیچ فناوری قدرتمندی بدون چالش نیست. منتقدانی مانند نویسندگان نیویورکتایمز هشدار دادهاند که چنین مدلهایی میتواند افراد و تیمهای کوچک را در یک «نابرابری امنیت سایبری» قرار دهد؛ یعنی کسانی که به این ابزارها دسترسی ندارند، در برابر کسانی که دارند، آسیبپذیرتر میشوند. برخی پژوهشگران هم نسبت به تأثیر این مدلها بر بازدارندگی هستهای و امنیت ملی هشدار دادهاند. از طرف دیگر، گزارشهایی منتشر شده که نشان میدهد در همان روز معرفی Mythos، چند کاربر غیرمجاز در یک کانال خصوصی توانستند با استفاده از اطلاعات نشتیافته به آن دسترسی پیدا کنند؛ موضوعی که نشان میدهد حتی محدودترین برنامههای دسترسی هم میتوانند آسیبپذیر باشند.
این موضوعات دقیقاً همان نگرانیهایی است که در مقالهی خطرات امنیتی پروتکل MCP در دسترسی هوش مصنوعی هم به آنها پرداختهایم؛ یعنی هرچه ابزارهای هوش مصنوعی قدرتمندتر میشوند، مسئولیت ایمنسازی دسترسی به آنها هم سنگینتر میشود.
استفادهی عملی از این فناوریها همین امروز
خبر خوب این است که لازم نیست برای استفاده از قدرت هوش مصنوعی در پروژههای خودتان منتظر دسترسی به Mythos یا Fable بمانید. اگر میخواهید همین حالا از یک دستیار هوشمند برای گفتگو، تولید محتوا یا حتی کدنویسی استفاده کنید، میتوانید از ابزارهایی مثل دستیار چت هوشمند یا ابزار کدنویسی هوش مصنوعی استفاده کنید که تجربهای مشابه از قدرت مدلهای پیشرفته را در اختیارتان میگذارند، بدون نیاز به برنامههای دسترسی محدود و پیچیده.
جمعبندی
داستان Mythos و Fable یکی از جالبترین فصلهای تاریخ کوتاه هوش مصنوعی است: مدلی که آنقدر قدرتمند بود که خودش به یک بحران سیاستی و امنیتی جهانی تبدیل شد. از سقوط سهام شرکتهای امنیتی تا جلسات اضطراری بانک مرکزی اروپا، از کشف ۲۷۱ آسیبپذیری در فایرفاکس تا exploitهای حافظه روی تازهترین چیپهای اپل؛ همهی اینها نشان میدهد که خط مرز بین «ابزار دفاعی» و «سلاح سایبری» در دنیای هوش مصنوعی هرچه گذشت باریکتر شد. Fable بهعنوان نسخهی ایمنشدهی این قدرت، فصل تازهای را آغاز کرده که در آن این توانمندیهای فوقالعاده، بهجای محدود ماندن در دست چند شرکت بزرگ، بهتدریج در اختیار طیف وسیعتری از کاربران و سازمانها قرار میگیرد؛ روندی که قطعاً تأثیر عمیقی روی آیندهی امنیت دیجیتال همهی ما خواهد گذاشت.
