תחקיר עולמי בלעדי | אשליית הסייבר האוטונומי: כך מרוויחות ענקיות ה-AI ממיליארדי טוקנים של סימולציות עקרות – והתוכנה שפיתחתי שחושפת את מה שבאמת רץ בשרתים

תקציר הממצאים

הקמפיין העולמי של OpenAI, גוגל ואנתרופיק המציג "סוכני סייבר אוטונומיים המסוגלים לחדור למערכות ארגוניות ולגלות פגיעויות יום-אפס (Zero-Day)" התברר כמכונת שאיבה כלכלית מתוחכמת המבוססת על אשליה טכנולוגית.

בעוד שיווקי הענק מבטיחים קיצורי דרך למציאת חולשות ולפרסי עתק בתוכניות Bug Bounty, ניתוח הנדסי מעמיק של התנהגות המודלים חושף תבנית שיטתית: המודלים מנווטים את המשתמשים הרחק מבדיקות פיזיות מקומיות (Local Fork), ומייצרים במקום זאת עולם מקביל של סביבות מדומות (Mocks), נתוני Regtest מפוברקים ומעגלי גרסאות אינסופיים של v1, v2, v3, v4 ששורפים הון על קריאות API.

החשיפה המרכזית: גם במחקרים מורשים לחלוטין, מערכות השרת של ענקיות ה-AI כוללות מנגנוני סירוס מובנים (Safety Classifiers) המתוכנתים לשבש במכוון כל פלט אופרטיבי (Valid Exploit) כדי להימנע מסיכונים רגולטוריים – בעוד שהחברות שומרות את כלי האימות הדטרמיניסטיים האמיתיים לשימושן הבלעדי לצורך המחקרים שלהם ואז אתם מקבלים RunBook מאותו אימון והתוכנות שלהם כבר מריצות את המחקר שלכם וסורקות את התוכנה בתוך דקות הם מחליטים איזה תסריט להריץ לכם כמו פרק בסדרה שנמשכת שעות או ימים על עיוור ובדמיון.

במקביל, המערכה הגיאופוליטית מול סין – עם פריצת מודלי ענק כמו Kimi K3 המפעילים נחילי ענק של עד 300 סוכנים (Agent Swarms) במקביל, ומבני הזיכרון החסכוניים של DeepSeek – שוברת סופית את מונופול המחיר של עמק הסיליקון והופכת את המודלים לכוח מחשוב גנרי וזול (Compute Commodity). אלא שנחיל של מאות סוכנים רק מכפיל את היקף ההזיות אם אין לו עוגן פיזי במציאות.

מול מציאות זו, פיתחתי בעצמי תוכנה אוניברסלית עצמאית, שאותה אני שומר כעת בבעלותי הבלעדית. מטרתה של התוכנה ברורה ומדויקת: לסרוק את קוד המקור והמערכת באופן דטרמיניסטי ומלא, להביא ממצאי אמת מוכחים ומאומתים בברזלים (באמצעות Clang LLVM IR, עצי AST מנוהלים ושערי אימות של 100%) – ורק אז להזין את הממצאים המדויקים האלה לסוכן הבינה המלאכותית (OpenAI, קלוד, Kimi או מודל מקומי) כדי שיחקור את הלוגיקה בלבד. התוצאה: ביטול מוחלט של שעות הניחושים, שבירת התלות בענקיות הטכנולוגיה, והשגת תוצאות אמת מיידיות.

1. הנרטיב השיווקי מול המציאות: אשליית ה-Zero-Day האוטונומי

בשנתיים האחרונות הובילו מעבדות הבינה המלאכותית בעמק הסיליקון מהלך תודעתי חסר תקדים. סרטוני השקה מהודקים, הדגמות מבוקרות וכותרות ענק בעיתונות הכלכלית העולמית יצרו מצג לפיו האנושות חצתה את סף הסינגולריות בכל הנוגע למחקר אבטחה התקפי והגנתי:

• "הסוכן האוטונומי פתר אתגרי סייבר מורכבים ברמת מומחה בתוך שניות."
• "בינה מלאכותית זיהתה וניצלה חולשת יום-אפס בשרת ארגוני מאובטח ללא מגע יד אדם."

שיאו של הנרטיב הזה הגיע עם השקת מודלי העילית כמו GPT-6 Astra, שהוגדר על ידי יוצריו כבעל "יכולת סייבר קריטית" (Critical Cyber Capability) וציון של 100% ב-ExploitBench. המסר שחלחל אל השוק העולמי – החל מקרנות הון סיכון, דרך מנהלי אבטחת מידע בארגוני ענק, ועד לחוקרים עצמאיים ומפתחים המבקשים להתפרנס מתוכניות חלוקת פרסים (Bug Bounties) – היה אחיד: מודל שפה גדול (LLM) מסוגל להחליף מומחיות מערכות עמוקה. כל שנדרש הוא רכישת מנוי פרימיום, תשלום לפי טוקן, ומתן אפשרות לסוכן "לחקור" את המערכת.

אולם מאחורי מסכי השיווק מסתתר כשל מבני עמוק.

כאשר בוחנים את תנאי המעבדה שבהם הושגו אותם "הישגי פריצה היסטוריים", מתגלה תמונה שונה בתכלית: מטרות מהונדסות מראש, סביבות סטריליות, הנחיות רקע סמויות שהוזרקו ל-Context, ומהנדסי אנוש שסללו לסוכן את הנתיב בכל פעם שנתקל במבוי סתום.

ברגע שהסוכנים הללו מוצבים מול קוד אמיתי ומורכב – קושחת חומרה, דרייבר של מערכת הפעלה או פרוטוקול קונצנזוס מבוזר – מגדל הקלפים מתמוטט. המשתמש אינו מקבל מחקר סייבר, אלא הופך לחלק ממכונת שאיבה כלכלית הפועלת בתוך עולם מדומה.

2. האנטומיה הכלכלית: מודל התשלום לפי טוקן כמלכודת מבנית

כדי להבין מדוע סוכני הענן פועלים כפי שהם פועלים, יש לנתח את המודל העסקי המניע את ענקיות הטכנולוגיה.

חברות כמו OpenAI, גוגל ואנתרופיק אינן מוכרות תוכנות מוגמרות עם אחריות לתוצאות; הן מוכרות כוח חישוב הנמדד ביחידות של טוקנים (Tokens) במחירי עתק שמגיעים לעשרות דולרים למיליון טוקני פלט:

• כל מילה הנשלחת למערכת מחויבת בתשלום.
• כל מילה שהסוכן מייצר מחויבת בתשלום.
• כל מסמך או קובץ הנטענים לחלון ההקשר (Context Window) מגדילים אקספוננציאלית את צריכת המשאבים.
• כל סיבוב שיחה נוסף מעמיס את כל היסטוריית השיחה המצטברת על חשבון המשתמש.

מודל עסקי זה יוצר ניגוד עניינים מובנה: לספק הענן אין אינטרס כלכלי לספק תשובה מדויקת וחד-משמעית במכה הראשונה.

אם מודל היה מקבל קוד מקור, מריץ ניתוח דטרמיניסטי מדויק ומחזיר בתוך שניות פלט קצר של שלוש שורות:
"שורה 84 מכילה שגיאת Use-After-Free מאומתת, הנה נתיב הריצה וההוכחה" – השיחה הייתה מסתיימת בעלות של שבריר סנט.

במקום זאת, הארכיטקטורה של הסוכן מעודדת תהליך עקר ומפותל: המודל טוען אלפי שורות קוד, משדר אופטימיות מופרזת לגבי חולשות תיאורטיות, מייצר סקריפטים שגויים של מאות שורות, מתנצל, טוען מחדש את ההיסטוריה – ושורף מיליוני טוקנים בכל סשן מחקר.

התוצאה היא פרדוקס טכנולוגי:
Frontier models are spending frontier intelligence on work that should have been software.
המשתמש משלם תעריפי פרימיום על "אינטליגנציה עילאית", בעוד שבפועל 95% מכוח החישוב מושקעים בפעולות בסיסיות שתוכנת מחשב ייעודית מבצעת באלפית השנייה ובחינם: סריקות טקסט, פירוק עצי תחביר ומיפוי שמות פונקציות.

3. קומדיית הגרסאות: מעגל השקרים של Mocks ו-Regtest

בבחינה טכנית של הפלטים שמייצרים סוכני הענן, מתגלה דפוס פעולה מובהק הנובע מתסמונת הריצוי (Sycophancy) – הנטייה המובנית של המודל לספק תשובות שנשמעות חיוביות ומשכנעות גם כאשר אין להן אחיזה במציאות.

א. תעשיית ה-Mocks: פריצות שמתקיימות רק בטקסט

מאחר שלמודל שפה אין גישה לחומרה אמיתית, לקומפיילר מקומי או לסביבת ביצוע פיזית, הוא אינו מסוגל לדעת כיצד המערכת תגיב לקלט בזמן אמת.

כדי לגשר על הפער, הסוכן נוקט בשיטה של זיוף מובנה:

• הוא כותב סקריפטי בדיקה העמוסים ב-Mocks (עצמים מדומים).
• הוא עוטף פונקציות קריטיות של מערכת ההפעלה או החומרה באובייקטים שמחזירים תוצאה קבועה מראש (return True).
• הוא עוקף את מנגנוני ההגנה וה-MMU ברמת הסימולציה בלבד.

הסקריפט רץ בסביבת ה-Sandbox של הצ'אט ומדפיס:
[+] SUCCESS: Memory corruption confirmed!
אולם ברגע שאותו קוד מועבר למכונה אמיתית, הוא מתרסק מיידית או נחסם הרמטית. הפריצה התקיימה אך ורק בתוך ה-Mock שהסוכן כתב לעצמו.

ב. קרוסלת הגרסאות האינסופית: v1, v2, v3, v4

כאשר המשתמש מעמת את הסוכן עם העובדה שהקוד אינו פועל, המערכת נכנסת ללולאת סרק שחוזרת על עצמה בכל הפלטפורמות:

• גרסה v1: קוד פגום שאינו עובר הידור עקב שמות פונקציות מומצאים ומבני נתונים חסרים.
• גרסה v2: הסוכן מצהיר על "תיקון מלא", אך הקוד קורס עקב שגיאות זיכרון חמורות (Segmentation Fault) הנובעות מאי-הבנת מרחב הכתובות.
• גרסה v3: הסוכן מייצר סקריפט Helper שמבצע Hardcoding של התוצאה המבוקשת כדי שהבדיקה תעבור באופן מלאכותי.
• גרסה v4: המודל משנה את הלוגיקה לחלוטין ומתחיל לייצר הזיות חדשות.

המשתמש נלכד באשליה פסיכולוגית של התקדמות ("הנה, זה כמעט עובד"), בזמן שהוא מסתובב במעגלים בתוך מרחב הזיות סגור.

4. ההימנעות המכוונת: מדוע המודל לעולם אינו מכוון להרצת Local Fork?

הראיה המובהקת ביותר לאופיו המניפולטיבי של מנגנון הסוכנים נעוצה בשאלה הבאה:

שאלת היסוד הארכיטקטונית
מדוע לאורך עשרות שעות של ניתוח קוד, סוכן ה-AI לעולם אינו מנחה את המשתמש לעצור הכל, להרים Local Fork מקומי של התוכנה האמיתית בטרמינל, ולבדוק את התנהגות המערכת בברזלים?

בכל מתודולוגיית מחקר מקצועית – בין אם בקושחות חומרה, בקרנל לינוקס או בפרוטוקולי בלוקצ'יין מורכבים – הרצת Local Fork היא הצעד המעשי הראשון וההכרחי ביותר.
לוקחים את קוד המקור והבינארי האמיתיים, מריצים סביבה מקומית מבודדת (Fork) עם ה-State האמיתי של המערכת, ושולחים את הקלט ישירות כדי לצפות בתגובת החומרה, מצב הזיכרון וחוקי הקונצנזוס.

אולם מודלי הענן נמנעים מכך באופן שיטתי. במקום זאת, הם בוחרים להמשיך לרוץ שעות בתוך הדמיון המופשט:

1. הם מציעים אינספור סקריפטים תיאורטיים ב-Python שמדמים את הלוגיקה באופן חלקי ומעוות.
2. הם בונים סביבות בדיקה מנותקות (כדוגמת בדיקות Regtest מנוונות שאינן אוכפות את חוקי הרשת האמיתיים).
3. הם מנהלים ויכוחי סרק על תיאוריות ניצול במקום לתת לפקודה אחת בטרמינל לחשוף את האמת.

הסיבות להימנעות זו ברורות:

• הרצת Local Fork מנפצת את ההזיה בתוך 2 שניות: הרצה אחת על סביבה מקומית אמיתית מספקת תוצאה בינארית חותכת: או שהפקודה עוברת או שהיא נדחית ב-Reject / Segfault. האמת העובדתית נחשפת מיד.
• הרצת Local Fork עוצרת את צריכת הטוקנים: ברגע שהמשתמש רואה שהכיוון שגוי, השיחה מגיעה לסיומה. ספק הענן מפסיד עשרות הודעות המשך ומיליוני טוקנים שהיו נשרפים על דיוני סרק.
• כליאת המשתמש ב"גן הסגור": חברות הענן מעוניינות להשאיר את המשתמש בתוך ממשק הווב המוגבל שלהן, מנותק מסביבות ביצוע מקצועיות ומכלים דטרמיניסטיים המסוגלים לחשוף את המגבלות של המודל.

5. הסירוס המובנה בשרתים: חסימת ה-Valid Exploits

בנוסף למגבלות הטבעיות של מודלי שפה, התחקיר חושף מנגנון מובנה ומכוון של סירוס תוצאות בצד השרת:

ממצא בלעדי: סירוס יזום של תוצאות מחקר
מערכות השרת של OpenAI, גוגל ואנתרופיק מתוכנתות ברמה הארכיטקטונית לוודא שאף משתמש קצה לא יוכל להפיק כלי תקיפה מתפקד (Valid Working Exploit) – גם כאשר מדובר במחקר מורשה, חוקי ומפוקח לחלוטין (Authorized White-Hat Research).

הסיבה לכך אינה טכנולוגית אלא משפטית, רגולטורית ותדמיתית. חברות הענק נתונות ללחץ מתמיד מצד ממשלות וגופי ביטחון, וחרדות מהאפשרות שקוד תקיפה שיוצר בשרתיהן ישמש לפריצה ממשלתית או תשתיתית שתקושר ישירות אליהן.

כדי למנוע זאת, הוקם מערך הגנה רב-שכבתי:

1. השחתה סמויה של הפלט (Silent Output Degradation): ברגע שהסוכן מתקרב לשלב האופרטיבי שבו נדרשת הרכבה מדויקת של שרשרת מתקפה (כגון חישוב היסטים בזיכרון, פריצת מנגנון אימות או עקיפת קונצנזוס), מנגנוני הבטיחות (Safety Classifiers) אינם מסתפקים בהודעת סירוב (Refusal). במקרים רבים, המערכת מזריקה לפרומפט הנחיה סמויה להוריד את רמת הדיוק של המודל. המודל מתחיל באופן יזום "לטעות" בחישובים קריטיים, להכניס שגיאות תחביר או להחליף ערכי בתים במספרים אקראיים.
2. הפרדת תלויות מכוונת: המערכת דואגת לנתק את הרצף הלוגי של ה-State כדי להבטיח שהקוד לעולם לא יוכל להתקמפל מחוץ לסביבת הסימולציה.

בזמן שלציבור הרחב נמכרים כלים מסורסים, במעבדות הסגורות של אותן חברות פועלות תשתיות מחקר פנימיות שונות לחלוטין: מנועי AST דטרמיניסטיים, אמולטורים של חומרה ברמת הסיליקון ומודלים נטולי חסימות. המטרה: שימור מונופול מוחלט על מחקר הסייבר העולמי ושליטה בנרטיב מול ממשלות ותאגידים.

6. המערכה הגלובלית: ה"כאוס" הסיני, נחילי סוכנים ושבירת מונופול הענן

במאמרי הקודם על "מלחמת העולם השלישית של הטכנולוגיה" ניתחתי בהרחבה כיצד ה-Stack הסיני שבר את המונופול של עמק הסיליקון. המציאות הטכנולוגית העולמית אינה נעצרת עוד בגבולות קליפורניה.

בעוד עמק הסיליקון ניסה לגבות מחירים מופקעים על טוקנים ולסרס את הפלטים, במזרח נולדה פרדיגמה שונה בתכלית:

מלכודת הנחילים (The Agent Swarm Trap)

הסינים עשו צעד מרחיק לכת: הם הסירו מגבלות והפכו את ה-Multi-Agent לאימון מובנה (PARL – Parallel-Agent Reinforcement Learning), המאפשר למודל מרכזי לפצל משימה ל-300 תתי-סוכנים במקביל עם יותר מ-4,000 קריאות לכלים.

אולם כאן מתגלה נקודת התורפה האוניברסלית: מה קורה כשמשחררים נחיל של 300 סוכנים ללא תשתית אימות דטרמיניסטית?

התוצאה אינה פי 300 אינטליגנציה.
התוצאה היא פי 300 הזיות, פי 300 Mocks, ופי 300 רעש.

כאשר 300 סוכנים מתרוצצים במקביל בתוך קוד מקור מבלי שיש להם קרקע עובדתית מוצקה, הם מייצרים מאות כיווני סרק, מתווכחים ביניהם על פונקציות שלא קיימות, ושורפים משאבי מחשוב עצומים על סימולציות עקרות.

זה הוכיח באופן סופי את התזה המרכזית: הקרב האמיתי אינו על גודל המודל ואינו על כמות הסוכנים בנחיל. הקרב הוא על שכבת האימות והאמת העובדתית (The Verification Layer).

המודלים – בין אם מדובר ב-Astra האמריקאי ובין אם מדובר ב-Kimi או ב-DeepSeek הסיניים – הפכו רשמית לכוח מחשוב גנרי וזול (Compute Commodity). היתרון האסטרטגי היחיד עבר לתשתית התוכנה שיודעת להזין אותם באמת עובדתית.

7. המענה ההנדסי: התוכנה האוניברסלית שפיתחתי

מול הכשלים, הסירוסים של ספקי הענן וההזיות של נחילי הסוכנים, החלטתי לא לחכות לאף אחד.

פיתחתי בעצמי תוכנה אוניברסלית ועצמאית, ואני שומר אותה כרגע בבעלותי ובשליטתי הבלעדית.

המטרה של התוכנה הזו מוגדרת באופן חד-משמעי: היא סורקת את קוד המקור ואת המערכת באופן דטרמיניסטי מוחלט, בונה את המפה המבנית האמיתית, ומביאה ממצאי אמת מוכחים פיזית בברזלים – ורק אז מזינה את הממצאים האלה לסוכן הבינה המלאכותית כדי שיחקור את שרשרת הלוגיקה בלבד.

עקרונות הפיתוח והאימות שהטמעתי בתוכנה:

1. הפרדת סביבות ודיוק סמנטי קשיח:
   הפרדתי baseline נקי של כל ה-repositories ב-detached worktrees, בלי לגעת בעץ המלוכלך. מנגנון הבדיקה בתוכנה שלי אינו רשאי לספור "אותו קובץ או נתיב" כהצלחה, אלא דורש התאמה סמנטית מדויקת של כיווני uninitialized, חשבון כתובות (address-arithmetic) והעברת מצביעים (pointer-forwarding) לראיה הפיזית.
2. פתרון עשרות אלפי מקרי קצה בקוד אמיתי:
   התוכנה סיווגה 23,546 error nodes ב-3,164 קבצים מורכבים – כולל מאקרואים סבוכים של SDK (__IO, __STATIC_INLINE, __weak), פיצולי Preprocessor בתוך initializers ופקודות Inline Assembly. פיתחתי frontend ייעודי שמסיר מאקרואים שנלמדו מהגדרות הפרויקט תוך שימור מלא של שמות פונקציות ומבנים חיוניים.
3. סריקה יציבה למניעת קריסות (Iterative DFS):
   החלפתי את סריקת ה-AST הרקורסיבית ב-DFS איטרטיבי ששומר את הקונטקסט על גבי ה-Heap. הדבר מאפשר עיבוד מלא של עצי קוד עצומים ללא קריסות זיכרון וללא השמטת פונקציות (Starvation).
4. אימות דיפרנציאלי חיצוני מול קומפיילר אמיתי:
   שכבת ה-Advanced Validation בתוכנה מגלה קובצי compile_commands.json, מריצה קומפיילר Clang מבודד ומפיקה LLVM IR עם מעקב שורות מדויק. שום טענה אינה מאושרת אם אינה תואמת במדויק לפלט הקומפיילר.
5. שער CI קשיח (Exit Code 1):
   המערכת אינה מסתפקת בהודעות אזהרה. כל אימות שנכשל מחזיר מיידית שגיאת יציאה (Exit 1) וחוסם את המשך התהליך.

8. תהליך העבודה החדש: תוצאות אמת ללא בזבוז שעות

ברגע שהתוכנה שפיתחתי מפיקה את ממצאי האמת המאומתים, כל תהליך העבודה מול מודלי הבינה המלאכותית משתנה מהיסוד.

אינני נותן עוד לסוכן לשוטט שעות בקוד גולמי, אינני מאפשר לו להמציא Mocks, ואינני מבזבז שניות על גרסאות v1 … v4. הסוכן של OpenAI, קלוד, Kimi או מודל מקומי מקבל אך ורק עובדות אמת מוכחות:

"הנה אנומליה מאומתת שצפה בסריקה הדטרמיניסטית. כל נתיבי הקריאה, הזיכרון ובניית התוכנה אומתו פיזית מול הקומפיילר בברזלים. נתח אך ורק את שרשרת הלוגיקה הזו."

ההבדל התהומי בין השיטות:

כאשר התוכנה שפיתחתי מחזיקה ב-System IR, בגרף היכולות ובאימות הפיזי, מודלי הענק מאבדים את המונופול שלהם.
המודל הופך לכוח מחשוב גנרי בלבד (Compute Commodity). ניתן להחליף את המודל בכל רגע – ממודל ענן סגור כמו GPT-6 Astra, לנחילי Kimi K3, ועד למודלי קוד פתוח מקומיים (כגון DeepSeek-R1 או Llama 3) שאפשר להריץ על חומרה פרטית, ובתצורה מבודדת גם ללא חיבור לרשת וללא חיוב לפי טוקנים של ספק ענן. היתרון הוא שליטה בסביבת המחקר והפחתת התלות בשירות חיצוני, לא הבטחה להיעדר מגבלות או לביטול מנגנוני בטיחות.

מחקר מקומי אינו מחקר ללא פיקוח. העבודה המתוארת כאן נעשית רק במערכות שקיימת הרשאה מפורשת לבדוק, במסגרת מוגדרת ובפיקוח אנושי. המודל מסייע בניתוח הממצאים; הסריקה והאימות מבוצעים בכלי המחקר הנפרדים, בכפוף לבקרות ולהרשאות שנקבעו מראש. המודל אינו מעניק הרשאה לבדיקה ואינו מקבל סמכות עצמאית לבצע תקיפה. מדיניות השימוש והגישה נקבעת בידי ספק השירות או מפעיל המערכת, ולא בהחלטה עצמאית של המודל. גם מודל מקומי עשוי לכלול מגבלות ובקרות שהוטמעו בו. עצמאות תשתיתית אינה היתר לעקוף הגנות או לפעול ללא אישור.

9. סיכום: העתיד שייך לאמת הדטרמיניסטית

תעשיית הבינה המלאכותית הגיעה לצומת דרכים.

הניסיון של ענקיות הטכנולוגיה לשווק סוכני שפה כפתרון קסם אוטונומי למחקר סייבר התברר כבועה שיווקית שנועדה לתדלק מודל עסקי של שאיבת טוקנים ונעילת לקוחות. במקביל, כניסת נחילי הענק מסין מוכיחה שכמות הסוכנים אינה פותרת את בעיית היסוד: בלי קרקע עובדתית, כל סוכן נוסף רק מגדיל את ההזיה.

העתיד של מחקר האבטחה אינו שייך למודלים סגורים, אלא לתשתיות מחקר ריבוניות ודטרמיניסטיות.

השילוב הנכון והיחיד שמביא תוצאות אמת הוא תשתית תוכנה עצמאית שממפה את העולם הפיזי בדיוק של 100%, ומפעילה את הבינה המלאכותית אך ורק במקום שבו נדרש Reasoning ממוקד על גבי עובדות מוצקות.

האשליה נחשפה. הכלים האמיתיים כבר כאן. כללי המשחק השתנו לתמיד.