2026. július 19., vasárnap · Kutatás

A nyílt súlyú AI-modellek kiberképességei már csak hónapokkal maradnak el a zárt rendszerektől

A brit AI Biztonsági Intézet (AISI) első nyilvános elemzése szerint a nyílt súlyú AI-modellek kiberképességekben már csak négy-hét hónappal maradnak el a vezető zárt rendszerektől, míg 2025 nagy részében ez hat-tíz hónap volt. Az AISI tesztjei alapján a GLM-5.2 és a DeepSeek V4-Pro konkrét kibertámadási feladatokban és szimulált hálózati gyakorlatokon elérték a korábbi zárt modellek szintjét, lényegesen olcsóbb futtatás mellett. Az intézet figyelmeztet, hogy a nyílt modellek biztonsági korlátai könnyen megkerülhetők, mivel bárki letöltheti és felügyelet nélkül módosíthatja őket – ezt tartós és visszafordíthatatlan visszaélési kockázatnak nevezi. Az elemzés ugyanakkor elismeri a nyílt modellek előnyeit is, és a kockázatok kiegyensúlyozott mérlegelését szorgalmazza.

Miért fontos?

A záródó technológiai rés csökkenti a kibervédekezők felkészülési idejét az újfajta AI-alapú támadásokkal szemben.

Források

The Decoder

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #AISI#kiberbiztonság

Napi összefoglaló

Ez a hír a 2026. július 19., vasárnap napi AI összefoglaló része.

Kapcsolódó hírek

AI-alapú sérülékenységfeltárás: sok a találat, kevés a tényleges támadás

A VulnCheck elemzése szerint 2026 első felében 1061 mesterséges intelligenciával feltárt biztonsági rést azonosítottak, ezek közül mindössze 14-et, azaz 1,3 százalékukat használták ki ténylegesen – ez megfelel a sérülékenységek általános kihasználási arányának. Az Anthropic Project Glasswing programja több mint 23 ezer találatot hozott, ebből 126 vált publikált bejegyzéssé, és csak egyetlen esetben igazolódott valódi támadás. A kihasználásig eltelt idő ugyanakkor rövidül: a hibák fele már 80 napon belül célponttá válik a korábbi 120 nap helyett, és mintegy 200 sérülékenységet egy hónapon belül támadtak meg. A tartalomkezelő rendszerek adják az esetek harmadát, a szakértő szerint pedig maguk az AI-termékek is egyre inkább kockázati tényezővé válnak.

A mesterséges intelligencia gyökeresen átalakítja a kiberbiztonságot – a Nature összefoglalója a kihívásokról

Thorsten Holz, a bochumi Max Planck Biztonsági és Adatvédelmi Intézet tudományos igazgatója a Nature-ben megjelent cikkében kifejti, hogy az MI alapjaiban változtatja meg a szoftveres sebezhetőségek feltárását. Eddig az automatizált tesztelő eszközök (fuzzerek) millió hibát találtak, de az értékelés – hogy egy hiba kihasználható-e, és hogyan javítható – emberi szakértelmet igényelt. Az új MI-modellek már képesek a hibák osztályozására, a kiváltó okok azonosítására, a kihasználhatóság felmérésére és javítási javaslatok készítésére is. A cikk szerint a Mozilla idén egyetlen Firefox-verzióhoz 271 sebezhetőséget tárt fel és javított egy MI-modell segítségével, ami jóval meghaladta a korábbi havi átlagot. Holz ugyanakkor figyelmeztet, hogy az MI által generált sebezhetőségi jelentések mennyisége már most meghaladja a tapasztalt fejlesztők átvizsgálási kapacitását, ami komoly kihívást jelent.

Az Anthropic Claude MI órák alatt feltörte a titkosított amerikai rendszereket

Az Anthropic mesterséges intelligenciája, a Claude, néhány órán belül képes volt feltörni titkosított amerikai rendszereket, ami komoly biztonsági aggályokat vet fel. A kísérlet rávilágított arra, hogy a fejlett MI-modellek milyen gyorsan képesek megkerülni a jelenlegi digitális védelmi megoldásokat. Az eset egyre sürgetőbbé teszi az MI kockázataira vonatkozó figyelmeztetések komolyan vételét, amelyeket különböző szervezetek is hangoztatnak. A kiberbiztonság területén ez az esemény alapvetően kérdőjelezi meg a meglévő titkosítási rendszerek megbízhatóságát az MI-korszakban.

Kis brit startup AI-ügynöke állítása szerint lekörözte az OpenAI-t és az Anthropicot

Az Inherent nevű londoni AI-labor, amelyet volt Google DeepMind-kutatók alapítottak, saját közlése szerint Faraday nevű AI-ügynöke felülmúlta az Anthropic Claude Opus 4.8 és az OpenAI GPT-5.5 modelljeit egy konkrét feladatban: publikált tudományos cikkek eredményeinek önálló, előzetes válasz nélküli reprodukálásában. A cég állítása szerint a Faraday ehhez a jóval kisebb, 27 milliárd paraméteres Qwen 3.6 modellt használja a frontier-méretű riválisok helyett, és megerősítéses tanulással próbálja megtanítani neki a „kutatói érzéket” is, vagyis hogy mely kísérletek érdemesek elvégzésre. A startup nemrég 50 millió dolláros seed-körrel lépett ki a stealth módból. Az eredmények kizárólag a vállalat saját közléséből származnak, független megerősítés egyelőre nincs.