كيف يكتشف الذكاء الاصطناعي الثغرات الأمنية؟ ولماذا يتسارع اكتشافها في 2026؟
كان العثور على ثغرة أمنية معقدة يتطلب في كثير من الحالات باحثاً أمنياً يمتلك خبرة كبيرة، يقرأ الكود ويختبر البرنامج ويبحث عن سلوك غير متوقع قد يؤدي إلى مشكلة أمنية.
هذه العملية لم تختفِ، لكن الذكاء الاصطناعي بدأ يغير سرعتها وطريقة تنفيذها.
فنماذج AI الحديثة لم تعد تكتفي بشرح الثغرات المعروفة، بل أصبحت قادرة على تحليل الكود، واقتراح نقاط الضعف، وتشغيل أدوات أمنية، واختبار فرضيات مختلفة، وفي بعض الحالات الوصول إلى ثغرات لم تكن معروفة سابقاً.
وخلال 2026 تسارع هذا الاتجاه بصورة واضحة، بالتزامن مع ظهور وكلاء ذكاء اصطناعي مخصصين للأمن السيبراني وأنظمة تستطيع المشاركة في مراحل تبدأ من اكتشاف الثغرة وتصل إلى اقتراح إصلاح لها.
كيف يكتشف الذكاء الاصطناعي الثغرات الأمنية؟
لا توجد طريقة واحدة يعتمد عليها AI لاكتشاف جميع الثغرات.
فالأنظمة الحديثة تستطيع الجمع بين فهم الكود، وتحليل سلوك البرنامج، واستخدام أدوات أمنية، وتشغيل الاختبارات، ثم تقييم النتائج والعودة إلى الكود مرة أخرى.
قد يبدأ النظام مثلاً بقراءة مشروع برمجي والبحث عن أجزاء تتعامل مع مدخلات المستخدم.
بعد ذلك يحدد مساراً يعتقد أنه قد يسمح بحدوث خطأ أمني.
بدلاً من الاكتفاء بإظهار تحذير، يستطيع الوكيل إنشاء اختبار للتحقق من فرضيته وتشغيله ومراجعة النتيجة.
إذا لم ينجح، يمكنه تعديل الفرضية والمحاولة مجدداً.
وهنا يظهر الاختلاف عن بعض أدوات الفحص التقليدية: نماذج AI تستطيع إضافة طبقة من الاستدلال والتفاعل المتكرر فوق أدوات التحليل الموجودة بالفعل.
ما الفرق بين أدوات فحص الثغرات التقليدية والذكاء الاصطناعي؟
الأدوات التقليدية ما تزال جزءاً أساسياً من الأمن البرمجي.
تشمل هذه الأدوات التحليل الساكن للكود، والتحليل الديناميكي، وSoftware Composition Analysis، وتقنيات مثل Fuzzing التي ترسل أعداداً كبيرة من المدخلات إلى البرنامج بحثاً عن حالات تؤدي إلى انهياره أو تصرفه بطريقة غير متوقعة.
لكن لكل تقنية حدوداً.
قد تنتج بعض أدوات الفحص عدداً كبيراً من التنبيهات التي تحتاج إلى باحث بشري لتحديد المهم منها، بينما قد يصعب اكتشاف ثغرة لا تظهر إلا بعد فهم العلاقة بين عدة أجزاء من النظام.
الذكاء الاصطناعي لا يلغي هذه الأدوات.
الأكثر إثارة للاهتمام هو قدرته على تنسيق استخدامها وفهم نتائجها.
يمكن لوكيل AI قراءة الكود، ثم اختيار أداة مناسبة، وتشغيلها، وتحليل النتيجة، وإنشاء اختبار جديد بناءً عليها.
وهذا يجعل العملية أقرب إلى سير عمل الباحث الأمني.
كيف يفحص AI الكود بحثاً عن ثغرة؟
يمكن للنماذج الحديثة التعامل مع الكود باعتباره أكثر من مجرد نص.
فهي تستطيع تحليل الدوال والعلاقات بين المكونات ومسارات البيانات والطريقة التي تنتقل بها مدخلات المستخدم داخل التطبيق.
لنأخذ مثالاً مبسطاً.
إذا كان تطبيق ويب يستقبل قيمة من المستخدم ثم يرسلها إلى قاعدة البيانات، يمكن للنظام تتبع المسار الذي تسلكه هذه القيمة.
السؤال يصبح:
هل يجري التحقق منها قبل وصولها إلى قاعدة البيانات؟
وإذا كانت الإجابة لا، فقد يبدأ النظام باختبار احتمال وجود مشكلة مثل حقن الأوامر أو الاستعلامات.
لكن مجرد العثور على نمط مشبوه لا يعني وجود ثغرة حقيقية.
وهنا تأتي المرحلة الأهم: التحقق.
كيف يعرف الذكاء الاصطناعي أن الثغرة حقيقية؟
هذه إحدى أصعب المشكلات.
يمكن للنموذج أن يخطئ ويعتبر جزءاً آمناً من الكود خطيراً، تماماً كما تستطيع أدوات الفحص التقليدية إنتاج False Positives.
لذلك أصبحت أنظمة اكتشاف الثغرات المتقدمة تعتمد بصورة أكبر على التنفيذ الفعلي.
يضع الوكيل فرضية، ثم ينشئ اختباراً ويحاول إثباتها داخل بيئة مناسبة.
إذا أظهر التنفيذ أن السلوك المتوقع لا يحدث، يعيد النظام تقييم الفرضية.
أما إذا تمكن من إعادة إنتاج المشكلة، تصبح الثقة في النتيجة أعلى.
وتصف أبحاث منشورة في IEEE خلال 2026 هذا النوع من الأنظمة كسير عمل يمر بالتخطيط والاستكشاف وتكوين فرضيات حول الثغرات ثم التحقق منها بالتجربة وردود الفعل الناتجة عن التنفيذ.
هل يستطيع AI اكتشاف ثغرات Zero-Day؟
نعم، وهذا لم يعد احتمالاً نظرياً فقط.
الثغرة من نوع Zero-Day هي ثغرة غير معروفة سابقاً للجهة المسؤولة عن البرنامج أو لا يتوفر لها إصلاح عند اكتشافها، بحسب سياق استخدام المصطلح.
وتستطيع أنظمة AI البحث عن مشكلات جديدة بدلاً من مطابقة الكود مع قائمة من الثغرات المعروفة فقط.
في 2026 عرضت شركات ومختبرات أمثلة متزايدة على نماذج استطاعت العثور على ثغرات غير معروفة مسبقاً.
وهذا مهم لأن اكتشاف Zero-Day كان من أصعب المهام التي تعتمد تاريخياً على خبرة الباحثين الأمنيين.
لكن العثور على ثغرة لا يعني تلقائياً القدرة على تحويلها إلى هجوم ناجح.
ما الفرق بين اكتشاف الثغرة واستغلالها؟
يجب الفصل بين المرحلتين.
Vulnerability Discovery يعني العثور على خلل يمكن أن يؤدي إلى مشكلة أمنية.
أما Exploitation فيعني بناء طريقة عملية لاستغلال ذلك الخلل لتحقيق نتيجة مثل تنفيذ أوامر أو تجاوز صلاحيات أو الوصول إلى بيانات.
قد يكتشف AI أن دالة معينة تحتوي على خطأ في إدارة الذاكرة، لكن تحويل هذا الخطأ إلى Exploit موثوق قد يتطلب سلسلة طويلة من الخطوات.
مع ذلك، تتقدم النماذج في المرحلتين.
وأظهرت أبحاث Google المنشورة في ICML 2026 أن تنسيق عدة وكلاء متخصصين مع التنفيذ الفعلي والذاكرة يمكن أن يحسن اكتشاف الثغرات واختبار إمكانية استغلالها مقارنة ببعض الأساليب الأبسط.
لماذا أصبح 2026 عاماً مهماً لاكتشاف الثغرات بالذكاء الاصطناعي؟
لأن الأدوات بدأت تتجاوز مرحلة إثبات الفكرة.
أعلنت OpenAI في يونيو عن توسيع مبادرة Daybreak بهدف الانتقال من مجرد اكتشاف الثغرات إلى تسريع عملية الإصلاح كاملة، وقالت إنها استخدمت نماذجها لاكتشاف وإنشاء إصلاحات لثغرات مهمة في متصفحات وبنية شبكات وأنظمة مثل FreeBSD وLinux kernel.
كما بدأت شركات أمنية وسحابية بإدخال القدرات نفسها في منتجات فعلية.
وفي سبتمبر أعلنت Cloudflare خدمة Vulnerability Discovery and Remediation التي تستخدم نماذج OpenAI ضمن عملية اكتشاف الثغرات وتقييمها ومعالجتها.
هذا التحول يعني أن AI Vulnerability Discovery لم يعد موضوعاً يخص المختبرات فقط، بل بدأ يدخل إلى أدوات الأمن التي تستخدمها المؤسسات.
لماذا يتزايد عدد الثغرات المكتشفة؟
هنا يجب التعامل مع الأرقام بحذر.
تشير بيانات منشورة في سبتمبر 2026 إلى أن عدد CVEs المسجلة منذ بداية العام تجاوز 66 ألف ثغرة، أي أكثر من ضعف العدد المسجل خلال الفترة المقارنة من 2025.
كما شهدت شركات تقنية دفعات كبيرة من الإصلاحات الأمنية خلال العام.
لكن سيكون من الخطأ القول إن الذكاء الاصطناعي هو السبب الوحيد وراء ارتفاع العدد.
يتأثر حجم CVEs بعوامل عديدة، مثل زيادة عدد البرامج والمكونات البرمجية، وتغير عمليات الإبلاغ، وتوسع البحث الأمني، وتحسن أدوات الفحص، وزيادة عدد الباحثين والجهات التي تسجل الثغرات.
الذكاء الاصطناعي يضيف عاملاً جديداً مهماً: زيادة قدرة الباحث الواحد أو الفريق الواحد على تحليل كمية أكبر من البرمجيات.
لذلك قد لا يكون AI هو الذي «خلق» الثغرات الجديدة، لكنه يستطيع المساعدة في كشف مشكلات كانت موجودة أصلاً ولم يتم العثور عليها.
هل أصبح اكتشاف الثغرات أسرع من إصلاحها؟
هذه قد تكون المشكلة الأكبر.
إذا تمكنت أدوات AI من تحليل ملايين الأسطر من الكود والعثور على عدد أكبر من المشكلات، فلن تكون النتيجة مفيدة إذا بقيت المؤسسات غير قادرة على إصلاحها بالسرعة نفسها.
يحتاج كل تنبيه إلى تقييم.
هل الثغرة قابلة للاستغلال؟
ما الأنظمة المتأثرة؟
ما مدى خطورتها؟
هل يؤدي الإصلاح إلى كسر وظائف أخرى؟
وهذه العمليات تستهلك وقت فرق الأمن والتطوير.
لهذا بدأ الاهتمام يتحول من Automated Vulnerability Discovery إلى Automated Remediation.
أي أن النظام لا يكتشف المشكلة فقط، وإنما يساعد أيضاً في إنشاء Patch واختباره والتأكد من أنه لا يسبب مشكلات جديدة.
هل يمكن للذكاء الاصطناعي إصلاح الثغرات تلقائياً؟
بدأت الأنظمة بالفعل في توليد إصلاحات مقترحة.
يمكن للنموذج تحليل سبب المشكلة ثم تعديل الكود وإنشاء اختبارات للتحقق من أن الثغرة لم تعد موجودة.
لكن الاعتماد الكامل على الإصلاح التلقائي ما يزال يحتاج إلى حذر.
قد يغلق Patch مسار الاستغلال ولكنه يسبب Bug جديداً، أو يعالج العرض بدلاً من السبب الحقيقي، أو يغير سلوك التطبيق بطريقة غير مرغوبة.
لهذا يبقى التحقق والاختبار جزءاً أساسياً من العملية.
الاتجاه الأهم هو استخدام AI لتقليل الوقت الذي يقضيه الباحث والمطور في الأعمال المتكررة، وليس افتراض أن كل Patch يولده النموذج يجب إدخاله مباشرة إلى الإنتاج.
ماذا يحدث عندما يستخدم المهاجمون التقنية نفسها؟
هذه هي الطبيعة المزدوجة للذكاء الاصطناعي في الأمن السيبراني.
الأداة التي تساعد الباحث الأمني على قراءة مشروع ضخم والعثور على ثغرة يمكن أن تساعد مهاجماً أيضاً.
إذا أصبح اكتشاف نقاط الضعف أسرع، فقد تتقلص الفترة الزمنية بين ظهور برنامج أو تسريب كوده وبين بدء محاولات البحث عن ثغرات داخله.
وقد حذرت Google Cloud في 2026 من هذه «النافذة» تحديداً: المدافعون سيستخدمون AI لتقوية البرمجيات، لكن المهاجمين يستطيعون استخدام القدرات نفسها للبحث عن نقاط ضعف قبل إصلاحها.
لذلك يصبح عامل السرعة مهماً للطرفين.
هل سيستبدل AI الباحثين الأمنيين؟
الأقرب أنه سيغير طبيعة عملهم.
فبدلاً من قضاء جزء كبير من الوقت في مراجعة كميات ضخمة من النتائج الأولية، يمكن للباحث التركيز على المشكلات الأكثر تعقيداً وتأثيراً.
لكن هناك أموراً يصعب اختزالها في اكتشاف نمط داخل الكود.
فهم بنية النظام، وتحديد الأثر الحقيقي للثغرة، واتخاذ قرار الإفصاح، وتقدير المخاطر التجارية، وتصميم الإصلاح المناسب كلها تحتاج إلى سياق وخبرة.
كما أن النماذج نفسها يمكن أن تخطئ أو تنتج نتائج مضللة.
لذلك يصبح دور الباحث أقرب إلى توجيه الأنظمة والتحقق من اكتشافاتها واتخاذ القرارات الأمنية بدلاً من تنفيذ كل خطوة يدوياً.
ماذا يعني انتشار AI Vulnerability Discovery للأمن السيبراني؟
لعقود كان اكتشاف الثغرات مورداً محدوداً نسبياً، لأن عدد الباحثين ذوي الخبرة محدود والوقت اللازم لتحليل البرمجيات كبير.
الذكاء الاصطناعي يبدأ بتغيير هذه المعادلة.
إذا أصبح بالإمكان تشغيل آلاف الوكلاء لتحليل المشاريع البرمجية باستمرار، فقد نصل إلى عالم يتم فيه اكتشاف عدد أكبر بكثير من الثغرات وبسرعة أعلى.
وهذا قد يكون خبراً جيداً إذا تمكن المدافعون من العثور على المشكلات وإصلاحها قبل استغلالها.
لكنه يصبح خطراً إذا تسارعت قدرة الاكتشاف والاستغلال بينما بقيت عملية الإصلاح بطيئة.
لهذا قد لا يكون السباق الأمني القادم حول من يستطيع العثور على أكبر عدد من الثغرات.
بل حول من يستطيع إكمال الدورة كاملة بشكل أسرع:
اكتشاف الثغرة → التحقق منها → تحديد خطورتها → إنشاء الإصلاح → اختباره → نشره.
ومع وصول الذكاء الاصطناعي إلى جميع هذه المراحل، قد تكون 2026 بداية تحول كبير في الطريقة التي نكتشف بها نقاط ضعف البرمجيات ونحميها.