Claude Fable و Mythos چیستند؟ نگاهی به قدرتمندترین مدل‌های هوش مصنوعی انتروپیک

شرکت انتروپیک (Anthropic) با معرفی خانواده‌ای از مدل‌های هوش مصنوعی به نام Claude Fable و Claude Mythos توجه فعالان حوزه فناوری و امنیت سایبری را به خود جلب کرد. دلیل این توجه فقط توانایی بالای این مدل‌ها در پاسخ‌گویی یا تولید کد نیست؛ موضوع مهم‌تر این است که انتروپیک مدلی توسعه داده که در برخی زمینه‌های حساس، از جمله امنیت سایبری و تحقیقات زیستی، توانایی‌های قابل‌توجهی دارد و به همین دلیل تصمیم گرفته است نسخه‌های مختلف آن را با محدودیت‌های متفاوت عرضه کند.

در زمان معرفی اولیه در ژوئن ۲۰۲۶، انتروپیک اعلام کرد Fable 5 نسخه‌ای از مدل کلاس Mythos است که با لایه‌های ایمنی بیشتر برای استفاده عمومی آماده شده است. در مقابل، Mythos 5 با محدودیت‌های کمتر در برخی حوزه‌های حساس، فقط در اختیار گروه محدودی از سازمان‌های مورد تأیید قرار گرفت. این رویکرد نشان می‌دهد که توسعه مدل‌های قدرتمند هوش مصنوعی دیگر صرفاً به افزایش دقت و سرعت محدود نیست و نحوه کنترل قابلیت‌های آن‌ها نیز اهمیت زیادی پیدا کرده است.

تفاوت Claude Fable و Claude Mythos در چیست؟

برای درک تفاوت این دو مدل باید به ساختار آن‌ها توجه کرد. طبق توضیح انتروپیک، Fable و Mythos بر پایه یک مدل زیربنایی مشترک ساخته شده‌اند و تفاوت اصلی آن‌ها به سطح تدابیر ایمنی مربوط می‌شود. Fable برای استفاده عمومی طراحی شده و در حوزه‌هایی مانند امنیت سایبری و زیست‌شناسی محدودیت‌های سخت‌گیرانه‌تری دارد. Mythos اما برای کاربردهای تخصصی و کنترل‌شده در اختیار سازمان‌هایی قرار می‌گیرد که نیازمند بررسی عمیق‌تر تهدیدهای امنیتی یا انجام تحقیقات حساس هستند.

به بیان ساده، Mythos قرار نیست صرفاً نسخه‌ای سریع‌تر یا گران‌تر از Fable باشد. این مدل در برخی زمینه‌ها امکان انجام فعالیت‌هایی را دارد که نسخه عمومی به‌دلیل سیاست‌های ایمنی از آن‌ها جلوگیری می‌کند. همین تفاوت باعث شده دسترسی به Mythos به برنامه‌های تأیید صلاحیت و همکاری با انتروپیک وابسته باشد.

Claude Fable 5 چه قابلیت‌هایی دارد؟

انتروپیک هنگام معرفی Fable 5 آن را قدرتمندترین مدلی توصیف کرد که تا آن زمان به‌صورت عمومی عرضه کرده بود. این مدل در مهندسی نرم‌افزار، تحلیل اطلاعات، پردازش تصویر، تحقیقات علمی و انجام وظایف پیچیده عملکرد قابل‌توجهی نشان داد. یکی از ویژگی‌های مهم آن توانایی حفظ تمرکز در پروژه‌های طولانی و چندمرحله‌ای است؛ قابلیتی که برای کارهای حرفه‌ای و استفاده از عامل‌های هوش مصنوعی اهمیت زیادی دارد.

یکی از نمونه‌های مطرح‌شده در زمان معرفی، مهاجرت گسترده کد در یک پایگاه نرم‌افزاری حدود ۵۰ میلیون خطی بود. طبق گزارش انتروپیک و بازخورد شرکت Stripe، Fable 5 توانست کاری را در حدود یک روز انجام دهد که انجام دستی آن برای یک تیم مهندسی بیش از دو ماه زمان می‌برد. البته این نمونه یک تجربه گزارش‌شده در شرایط مشخص است و نباید آن را به این معنا دانست که هر پروژه نرم‌افزاری را می‌توان با همین سرعت و بدون نظارت انسانی به هوش مصنوعی سپرد.

توانایی‌های بصری مدل نیز قابل‌توجه است. Fable می‌تواند اطلاعات عددی را از نمودارهای علمی استخراج کند، تصاویر پیچیده را تحلیل کند و حتی با مشاهده تصویر یک رابط کاربری، در بازسازی ساختار کد آن کمک کند. این قابلیت‌ها در کنار توانایی تحلیل متن و داده، آن را به ابزاری مناسب برای کارهایی تبدیل می‌کنند که به ترکیب چند نوع اطلاعات نیاز دارند.

آیا Fable می‌تواند بازی و محیط‌های بصری را درک کند؟

یکی از مثال‌های جالب انتروپیک، تجربه بازی Pokémon FireRed توسط Fable 5 بود. این مدل توانست با تکیه بر تصاویر خام بازی و بدون استفاده از نقشه یا ابزارهای کمکی مسیریابی، بازی را به پایان برساند. اهمیت این آزمایش در آن است که مدل باید از روی تصاویر، وضعیت محیط را تشخیص دهد، تصمیم بگیرد و اقدامات بعدی را انتخاب کند. چنین قابلیتی فراتر از تشخیص ساده اشیاء در تصویر است و به نوعی درک بصری همراه با تصمیم‌گیری نیاز دارد.

Claude Mythos 5 چرا برای امنیت سایبری اهمیت دارد؟

بخش مهمی از توجه به Mythos به توانایی آن در تحلیل کد و شناسایی آسیب‌پذیری‌های نرم‌افزاری مربوط می‌شود. یک مدل هوش مصنوعی پیشرفته می‌تواند بخش‌های بزرگی از کد را بررسی کند، ارتباط میان اجزای مختلف یک سامانه را بفهمد و نقاطی را شناسایی کند که احتمال سوءاستفاده از آن‌ها وجود دارد. این توانایی برای تیم‌های دفاع سایبری ارزشمند است؛ زیرا بررسی دستی سامانه‌های بزرگ می‌تواند زمان‌بر و پرهزینه باشد.

در عین حال، همین قابلیت‌ها می‌توانند در اختیار مهاجمان سایبری نیز قرار بگیرند. مدلی که توانایی کشف ضعف‌های امنیتی را دارد، در صورت استفاده نادرست ممکن است به توسعه ابزارهای مخرب یا شناسایی مسیرهای نفوذ کمک کند. انتروپیک هنگام معرفی Mythos تأکید کرد که توانایی‌های این مدل در حوزه امنیت سایبری به سطحی رسیده‌اند که انتشار عمومی و بدون محدودیت آن را پرریسک می‌دانند.

به همین دلیل، Mythos در ابتدا از طریق پروژه‌ای به نام Project Glasswing و برای گروهی از مدافعان سایبری، ارائه‌دهندگان زیرساخت و سازمان‌های منتخب در دسترس قرار گرفت. هدف این همکاری استفاده از توانایی مدل برای بررسی و ایمن‌سازی نرم‌افزارهای مهم و زیرساخت‌های حساس بود، نه فراهم‌کردن دسترسی آزاد برای انجام حملات سایبری.

چرا انتروپیک دسترسی عمومی به Mythos را محدود کرده است؟

مدل‌های هوش مصنوعی هرچه در تحلیل و اجرای وظایف پیچیده توانمندتر می‌شوند، احتمال سوءاستفاده از آن‌ها نیز افزایش پیدا می‌کند. در حوزه امنیت سایبری، این موضوع اهمیت دوچندان دارد؛ زیرا یک مدل می‌تواند هم به متخصصان برای پیدا کردن و رفع آسیب‌پذیری‌ها کمک کند و هم در صورت نبود محدودیت، بخشی از مراحل حمله را ساده‌تر کند.

انتروپیک برای مدیریت این ریسک، دو مسیر عرضه متفاوت انتخاب کرده است. کاربران عمومی می‌توانند از Fable استفاده کنند، درحالی‌که دسترسی به Mythos به سازمان‌هایی محدود شده که شرایط لازم را برای استفاده تخصصی و مسئولانه احراز کرده‌اند. این محدودیت به معنای بی‌خطر بودن کامل نسخه عمومی نیست؛ بلکه بخشی از یک راهبرد چندلایه برای کاهش احتمال سوءاستفاده از قابلیت‌های مدل محسوب می‌شود.

آیا محدودیت‌های Fable همیشه دقیق عمل می‌کنند؟

خیر. سیستم‌های ایمنی هوش مصنوعی ممکن است گاهی درخواست‌های بی‌خطر را نیز اشتباه تشخیص دهند و از پاسخ‌گویی به آن‌ها خودداری کنند. به این وضعیت مثبت کاذب یا False Positive گفته می‌شود. انتروپیک در معرفی اولیه Fable 5 اعلام کرده بود که محدودیت‌های آن در کمتر از پنج درصد نشست‌ها فعال می‌شوند و در چنین شرایطی پاسخ برخی درخواست‌ها به مدل دیگری از خانواده Claude، یعنی Opus، واگذار می‌شود. در نسخه‌های جدیدتر نیز شرکت از بهبود سازوکارهای ایمنی و کاهش مسدودسازی‌های غیرضروری خبر داده است.

Fable 5 در تحقیقات علمی و زیست‌شناسی چه کاربردی دارد؟

توانایی این خانواده از مدل‌ها به برنامه‌نویسی و امنیت سایبری محدود نیست. انتروپیک از عملکرد آن‌ها در تحلیل داده‌های علمی، طراحی پروتئین و کمک به شکل‌گیری فرضیه‌های پژوهشی نیز صحبت کرده است. چنین کاربردهایی می‌توانند روند بررسی حجم زیادی از مقالات، داده‌های آزمایشگاهی و نتایج پژوهش‌ها را سریع‌تر کنند و به محققان در پیدا کردن مسیرهای تازه تحقیق کمک کنند.

البته توانایی پیشنهاد یک فرضیه یا طراحی اولیه یک ساختار زیستی به معنای تأیید علمی آن نیست. نتایج تولیدشده توسط مدل باید در آزمایشگاه، با روش‌های معتبر و زیر نظر متخصصان بررسی شوند. در حوزه‌هایی مانند زیست‌شناسی و شیمی، حتی یک خطای کوچک در تحلیل یا اجرای پیشنهادهای مدل می‌تواند پیامدهای جدی داشته باشد؛ به همین دلیل محدودیت‌های ایمنی در این زمینه نیز اهمیت دارند.

نسخه‌های جدید Claude Fable و Mythos چه تغییراتی داشته‌اند؟

پس از معرفی نسخه‌های اولیه در ژوئن ۲۰۲۶، انتروپیک در سپتامبر همان سال Fable 5.1 و Mythos 5.1 را عرضه کرد. این نسخه‌ها با تمرکز بر بهبود عملکرد در کدنویسی و کارهای دانش‌محور معرفی شدند و شرکت اعلام کرد در زمینه قیمت‌گذاری، نگهداری داده‌ها و تدابیر ایمنی نیز تغییراتی اعمال کرده است.

جدیدترین به‌روزرسانی این خانواده تا ۱۳ نوامبر ۲۰۲۶، معرفی Fable 5.2 و Mythos 5.2 در تاریخ ۹ نوامبر است. انتروپیک می‌گوید نسخه‌های جدید در کدنویسی، استدلال و پردازش تصویر پیشرفت کرده‌اند و خروجی آن‌ها در برخی شرایط تا ۳۰ درصد سریع‌تر از نسخه ۵.۱ تولید می‌شود. شرکت همچنین از بهبود توانایی این مدل‌ها در پروژه‌های مهندسی پیچیده، طراحی دستگاه‌های الکترونیکی و تحقیقات علمی خبر داده است.

یکی از نکات قابل توجه در نسخه ۵.۲، کاهش قیمت اعلام‌شده نسبت به نسخه قبلی است. قیمت استاندارد این مدل‌ها در API برابر با ۸ دلار برای هر یک میلیون توکن ورودی و ۴۰ دلار برای هر یک میلیون توکن خروجی اعلام شده است. حالت سریع یا Fast Mode نیز با هزینه بالاتر ارائه می‌شود و طبق اعلام شرکت می‌تواند سرعت تولید توکن را تا ۲٫۵ برابر افزایش دهد.

آیا Claude Fable 5.2 در دسترس عموم قرار دارد؟

بله. طبق اطلاعات رسمی انتروپیک، Fable 5.2 برای استفاده عمومی عرضه شده و از طریق برنامه‌های Claude و بسترهای تجاری و توسعه‌دهندگان قابل دسترسی است. در مقابل، Mythos 5.2 همچنان به سازمان‌های تأییدشده و شرکای منتخب محدود است. بنابراین نباید تصور کرد که هر کاربر با داشتن اشتراک عادی Claude می‌تواند به نسخه Mythos دسترسی داشته باشد.

آیا استفاده از Claude Fable و Mythos برای اطلاعات محرمانه امن است؟

قدرت پردازش و تدابیر ایمنی یک مدل، به‌تنهایی تضمین‌کننده محرمانگی اطلاعات نیست. انتروپیک برای مدل‌های این خانواده سیاست‌های مشخصی درباره نگهداری داده‌ها و بررسی امنیتی درخواست‌ها در نظر گرفته است. بر اساس مستندات فعلی، داده‌های مربوط به مدل‌های مشمول این سیاست‌ها به‌طور پیش‌فرض حداقل ۳۰ روز نگهداری می‌شوند و امکان استفاده از Zero Data Retention برای همه مشتریان و همه شرایط فراهم نیست.

این موضوع برای شرکت‌هایی که قصد دارند کدهای اختصاصی، اطلاعات مشتریان یا اسناد محرمانه را در اختیار مدل قرار دهند اهمیت زیادی دارد. پیش از استفاده سازمانی باید شرایط قرارداد، سیاست نگهداری داده‌ها، سطح دسترسی کاربران و بستر ارائه‌دهنده سرویس بررسی شود. صرفاً استفاده از یک مدل پیشرفته یا نسخه تجاری به معنای حذف تمام ریسک‌های حریم خصوصی نیست.

آینده مدل‌های قدرتمند هوش مصنوعی به کدام سمت می‌رود؟

معرفی Fable و Mythos نشان می‌دهد رقابت شرکت‌های هوش مصنوعی وارد مرحله تازه‌ای شده است. در این مرحله، تنها معیار برتری مدل‌ها تعداد پارامترها یا امتیاز آن‌ها در آزمون‌های استاندارد نیست؛ توانایی انجام پروژه‌های طولانی، کار با ابزارها، تحلیل داده‌های پیچیده و مشارکت در تحقیقات تخصصی نیز اهمیت پیدا کرده است.

از سوی دیگر، عرضه نسخه‌های متفاوت با سطح دسترسی و محدودیت‌های ایمنی مختلف می‌تواند به الگویی برای سایر شرکت‌های فعال در این صنعت تبدیل شود. چنین رویکردی به توسعه‌دهندگان اجازه می‌دهد بخشی از قابلیت‌های پیشرفته را در اختیار عموم قرار دهند و قابلیت‌های حساس‌تر را برای استفاده‌های تخصصی و کنترل‌شده نگه دارند.

در نهایت، Claude Fable و Mythos را باید نمونه‌ای از تلاش انتروپیک برای ایجاد تعادل میان توانمندی و ایمنی دانست. Fable مسیر استفاده عمومی از قابلیت‌های پیشرفته را فراهم می‌کند و Mythos برای کاربردهای حساس‌تر و سازمان‌های تأییدشده در نظر گرفته شده است. اینکه این مدل‌ها در آینده تا چه اندازه بتوانند به تحقیقات علمی و دفاع سایبری کمک کنند، به همان اندازه که به پیشرفت فنی آن‌ها وابسته است، به کیفیت نظارت، سیاست‌های دسترسی و مسئولیت‌پذیری کاربران نیز بستگی دارد.