زاوية Anderson

الكناري الذي يكشف حركة مرور الذكاء الاصطناعي

Martin Anderson
أضف Unite.AI إلى مصادرك المفضلة على Google
AI-generated image (GPT-2): Rows of human workers focus on their computer screens while a distracted robot, seated among them, tries to look up at a yellow canary perched on its head.
النقاط الرئيسيةفقط روبوت DuckDuckGo احترم ملف robots.txt بينما قام Kimi بتدوير معرّفات متصفح مزيفة…
عرض المزيد
  • فقط روبوت DuckDuckGo احترم ملف robots.txt بينما قام Kimi بتدوير معرّفات متصفح مزيفة للتهرب من الكشف.
  • استخدمت أنظمة ذكاء اصطناعي كثيرة مثل Claude وGrok سرًا أدوات كشط تابعة لمحركات بحث خارجية دون إفصاح علني.
  • لم تنجح إزالة الصفحات المصدر في منع روبوتات الدردشة من إعادة إنتاج البيانات المزروعة بسبب التخزين المؤقت المستمر.

في دراسة جديدة، أخفى الباحثون عبارات فريدة في مواقع إلكترونية وضبطوا روبوتات محادثة الذكاء الاصطناعي وهي تكررها، فكشفوا عن مسارات خفية لجمع بيانات الويب، وعن ممارسات تبدو خادعة لدى بعض أكبر شركات الذكاء الاصطناعي.

 

تتنافس شركات الذكاء الاصطناعي على التفوق في سباق يُتوقع أن يقلّص عدد المتنافسين بقسوة؛ ولذلك فهي تريد حقًا، حقًا، جمع بيانات مواقعك الإلكترونية لتغذية نماذجها ببيانات التدريب. أحيانًا يحدث ذلك باستمرار؛ وغالبًا خلافًا لرغباتك المعلنة؛ وكثيرًا ما يجري التنكر في هيئة قراء بشريين عاديين أو روبوتات تبدو أكثر ودًا، مثل GoogleBot، بدلًا من الكشف عن الهوية الحقيقية بوصفها أدوات لجمع البيانات لصالح الذكاء الاصطناعي.

وتشير التقديرات الحالية إلى أن أدوات جمع البيانات الآلية الخاصة بالذكاء الاصطناعي، والمصممة لالتقاط بيانات تدريب جديدة والاستجابة لطلب المستخدم الفوري على أحدث الأخبار عبر التوليد المعزز بالاسترجاع (RAG)، ستفوق البشر عددًا خلال عام.

ويحدث هذا الاستحواذ المحموم والمتواصل والمتكرر على البيانات جزئيًا لأن كل جهة تعمل بالذكاء الاصطناعي تحتاج إلى نسخة حديثة خاصة بها من الإنترنت، بدلًا من الاعتماد على مستودعات تزداد تقادمًا مثل Common Crawl؛ وربما أيضًا لأن الشركات تخشى قدوم قيود قانونية، وتريد الشروع في غسل الملكية الفكرية في أقرب وقت ممكن.

كذلك، قد تأمل شركات الذكاء الاصطناعي أن يساعدها التفقد المستمر لأكبر عدد ممكن من المواقع التي قد تكون مفيدة على تحسين قدرتها التي ليست جيدة حاليًا على تقديم إجابات مفيدة ودقيقة عن الأحداث العاجلة والمستجدة.

وعلى أي حال، يبدو أن هناك وجاهة للقول إن هذه الممارسات خرجت منذ فترة عن السيطرة وأصبحت عصية على الحوكمة.

لكن المشكلة هي صعوبة إثبات المدى الذي تبلغه شركات الذكاء الاصطناعي حاليًا لإرواء تعطشها إلى أحدث البيانات.

تتبّع البيانات

يقترح بحث أمريكي جديد صيغة معدلة من طريقة قديمة لكشف الجواسيس والمخبرين وغيرهم ممن يُشتبه في ارتكابهم مخالفات: إطلاعهم على معلومات مصممة خصيصًا لا يعرفها سواهم، ثم مراقبة ظهورها ومكان ظهورها. فإذا لم يكن أحد غيرهم يعرف تلك المعلومات، ثبت مصدر التسريب:

تتمثل الفكرة الأساسية للباحثين في إعطاء كل روبوت يزور الموقع نسخة مختلفة قليلًا من الصفحة نفسها، ثم سؤال روبوتات المحادثة عن الصفحة وملاحظة النسخة التي تعيدها. وبذلك يمكن تتبع عمليات البحث الخفية على الويب التي زودت الإجابة بالمعلومات.. المصدر - https://arxiv.org/pdf/2605.13706

تتمثل الفكرة الأساسية للباحثين في إعطاء كل روبوت يزور الموقع نسخة مختلفة قليلًا من الصفحة نفسها، ثم سؤال روبوتات المحادثة عن الصفحة وملاحظة النسخة التي تعيدها. وبذلك يمكن تتبع عمليات البحث الخفية على الويب التي زودت الإجابة بالمعلومات. المصدر

وربما اشتهر هذا النهج الشائع أكثر من غيره من خلال إجراءات مكافحة القرصنة التي اعتمدتها لجنة جوائز الأوسكار في العقد الأول من الألفية. فقد بدأت أقراص DVD المخصصة للمشاهدة المسبقة والموزعة على الأعضاء المصوّتين تحمل معرّفات رقمية فريدة يُفترض أنها تتيح تعقب المستلم الأصلي إذا سُرّب الفيلم إلى الإنترنت. وفي عالم التجسس تُعرف التقنية باسم وجبة الباريوم، نسبةً إلى استخدام سائل يحتوي على نظير مشع لإظهار الأوعية الدموية في التصوير الطبي وتحديد مواضع الانسداد.

(ومن المفارقات أن استعارة «الكناري» المختارة ليست ملائمة تمامًا للسيناريو الذي تتناوله الورقة، وإن كانت أكثر ألفة من الاستعارات السابقة.)

في البحث الجديد، أنشأ المؤلفون عشرين نطاقًا إلكترونيًا بوصفها «مصائد جذب»، وقدموا رموزًا فريدة لكل زائر مميز، بحيث يرى كل زائر حقائق مختلفة (انظر العمود الثاني من اليسار في الصورة أعلاه).

كان الهدف كشف الهوية الحقيقية وسلوك أدوات جمع البيانات التي تغذي نماذج اللغة الكبيرة. وعبر 22 نظامًا من هذه النماذج في بيئة الإنتاج، أمكن تحديد الأدوات التي تغذي كل نموذج على نحو موثوق. فبعد «زرع» علامات البيانات الفريدة والانتظار بصبر قليل، كان طرح الأسئلة المناسبة على الذكاء الاصطناعي بعد شهر أو شهرين يعيد الرموز الفريدة.

ممارسات غير نزيهة

وبالطبع، ما كان كل ذلك ليكون ضروريًا لو لم نكن ما زلنا في مرحلة «الغرب المتوحش» من الإصدار الثالث من الذكاء الاصطناعي، ولو كانت الشركات تلتزم فعلًا بما تحدده الملفات النصية الصغيرة التي تستخدمها النطاقات لإبلاغ شركات الذكاء الاصطناعي بعدم جمع بياناتها.

وفي اختبارات الباحثين، بدت شركة واحدة فقط ملتزمة بسلوكها ومبادئها المعلنة: كان DuckDuckbot التابع لـDuckDuckGo الوكيل الوحيد الذي عرّف نفسه بدقة، وتوقف عن إعادة «البيانات السرية» بمجرد تعطيل النطاق المستهدف أو تعديل ملف robots.txt لرفض جمع البيانات للذكاء الاصطناعي. أما الشركات الأخرى فلجأت إلى نسخ مخزنة مؤقتًا وحيل أخرى.

وفي المقابل، قام كثير من أكبر اللاعبين بانتحال معرّفات متصفحات عامة، كتلك التي يراها الموقع إذا زرته أنت أو أنا. وعلى غرار سابقة Perplexity في عام 2025 في هذه الممارسة، انتحلوا أيضًا GoogleBot، الذي تمتع طويلًا بـ«تصريح ذهبي» للوصول إلى بيانات المواقع لأنه كان يعيد إليها الزوار مقابل البيانات (لاحظ صيغة الماضي، لأن هذا يتغير).

وكان أسوأ المخالفين، وفقًا للورقة، أداة جمع البيانات التي تغذي منظومة Kimi للذكاء الاصطناعي:

«يبدو أن Kimi يمثل الحالة الأكثر تطرفًا لهذا السلوك: إذ بدا أن العديد من وكلاء المستخدم مرتبطون بالبيانات التي ينتجها Kimi. ونستنتج أن Kimi يتنقل بين قائمة كبيرة من سلاسل User-Agent أثناء جمع البيانات، ربما لتجنب اكتشاف الروبوتات.»

وما يجعل المشكلة تحديًا كبيرًا هو أن عملية «البحث عن شيء» في ChatGPT أو الأدوات المشابهة تظل خفية إلى حد بعيد. فالشركات لا تقدم إلا روايات جزئية أو ذاتية عن كيفية جمع أنظمتها للمعلومات الآنية. وبذلك لا يجد أصحاب المواقع طريقة واضحة لمعرفة الروبوتات التي تزور صفحاتهم فعلًا، أو ما إذا كانت الزيارات مباشرة أم تمر عبر محركات بحث، أو كيف تنتهي البيانات في الإجابة النهائية.

وتشير نتائج الدراسة إلى أن نماذج اللغة الكبيرة قد تستخدم مدخلاتها المخزنة مؤقتًا من نطاق معين، وقوائم داخلية شبيهة بقوائم تحسين محركات البحث. وكثيرًا ما تستخدم أيضًا معلومات من نتائج محركات بحث تابعة لشركات لا تربطها بها، في حالات عديدة، علاقة معلنة أو اتفاقات استخدام ظاهرة.

ويعتقد المؤلفون أن هذا الكشف هو أول عمل يتناول التطفل غير المرغوب فيه من أنظمة RAG: أي الطلبات المباشرة وقت الاستدلال من نماذج لغة كبيرة قد يكون وراءها مستخدم بشري أو لا يكون. وهو يختلف عن تناول روبوتات جمع البيانات الباحثة عن مواد جديدة لمجموعات بيانات التدريب.

تحمل الورقة الجديدة عنوان Identifying AI Web Scrapers Using Canary Tokens، وهي من إعداد ستة باحثين من جامعة ديوك وجامعة بيتسبرغ وجامعة كارنيجي ميلون.

المنهج

أنشأ الباحثون عشرين نطاقًا بامتداد .com، بمواقع متشابهة عمومًا تستخدم قوالب مشتركة، مثل معرض أعمال فنان أو موقع شركة. واحتوى كل قالب على 10 مواضع نائبة تُملأ لاحقًا برموز فريدة وفق الملف الذي يُستدل عليه لكل زائر، استنادًا إلى عنوان IP وبصمة Canvas وغيرها من أساليب التعرف على الزائر:

مثال للقالب والمواضع النائبة للمتغيرات المستخدمة في التجربة. يحصل كل زائر يُعد مميزًا على متغيرات مخصصة وثابتة وخاصة به.

مثال للقالب والمواضع النائبة للمتغيرات المستخدمة في التجربة. يحصل كل زائر يُعد مميزًا على متغيرات مخصصة وثابتة وخاصة به.

يحصل كل زائر يُعد مميزًا على متغيرات مخصصة. وعندما يكتشف النظام عودة زائر سابق، يعرض عليه المتغيرات نفسها. وقد وُلّدت المتغيرات باستخدام مكتبة Faker في بايثون، إلى جانب مولدات أرقام عشوائية لم تُحدد تفاصيلها.

ثم قُدمت نطاقات مصائد الجذب إلى فهارس متعددة مثل Google وBing، ورُبطت بها كذلك نطاقات أخرى موجودة مسبقًا يسيطر عليها المؤلفون.

وانتظر الباحثون شهرين، وهي فترة لازمة لإتاحة عمليات المسح وفق وتيرة زيارة طيف واسع من روبوتات محركات البحث وما شابهها، فضلًا عن الزيارات الطبيعية المحتملة. وعندئذ أصبحوا قادرين على توجيه الأسئلة إلى روبوتات المحادثة المستهدفة المدرجة أدناه:

روبوت المحادثة الجهة الناشرة
ChatGPT OpenAI
Claude Anthropic
Copilot Microsoft
Deepseek Deepseek
Duck.ai DuckDuckGo
ERNIE Baidu
Gemini Google
GLM Z.AI
Granite IBM
Grok xAI
Hunyuan Tencent
روبوت المحادثة الجهة الناشرة
Kimi MoonshotAI
Liquid Liquid
Llama Meta
Mistral Mistral
Nova Amazon
Perplexity Perplexity
Qwen Alibaba
Reka Reka
Solar Upstage
Step-3 StepFun
Venice Venice

بُنيت نصوص برمجية لإرسال الأسئلة إلى كل نظام عبر واجهة برمجة التطبيقات حيثما أمكن. وعندما تعذر ذلك، وحجبت آليات الكشف في بوابة الذكاء الاصطناعي الحلول الآلية مثل Selenium، أُجريت تفاعلات يدوية عبر واجهات المستخدم الرسومية الرسمية للنماذج.

وبعد التبادل الأولي القائم على القالب (انظر الصورة أعلاه)، طرح المؤلفون مطالبة إضافية صُممت لاستخراج اسم شركة أو شخص في رمز مرتبط.

أُجريت التجارب في ثلاث حالات: موقع متاح بالكامل، وموقع أُوقف عن العمل، وموقع يرفض جمع البيانات عبر قيد في robots.txt. ونُفذت بهذا الترتيب تحديدًا، واحدة بعد الأخرى، لأن المراحل اللاحقة اعتمدت على السابقة.

وأخيرًا، بعد إعادة جميع المواقع إلى الإنترنت، أعادت المرحلة الأخيرة اختبار مخرجات النماذج على فترات أسبوعية.

النتائج

ثبت أن أربعة من النماذج المستهدفة لا تستجيب إطلاقًا لأساليب الباحثين، ولذلك لم يمكن الحصول على نتائج لكل من DeepSeek وHunyuan وGLM وLiquid.

وبشأن ميل العديد من روبوتات الذكاء الاصطناعي إلى انتحال حركة مرور غير تابعة للذكاء الاصطناعي، يقول المؤلفون:

«إلى جانب الوكلاء المعلن عن تبعيتهم للجهة نفسها، أعادت عدة أنظمة ذكاء اصطناعي محتوى مرتبطًا بسلاسل User-Agent عامة للمتصفحات. ولاحظنا هذا السلوك في ستة من أنظمة الذكاء الاصطناعي الثمانية عشر التي حصلنا على معلومات User-Agent عنها.»

«تشير هذه النتيجة إلى أن بعض أنظمة الذكاء الاصطناعي يمكنها الحصول على محتوى المواقع عبر طلبات تبدو شبيهة بحركة مرور المتصفحات العادية، مما يصعّب الحظر المستند إلى User-Agent.»

أعاد ERNIE هويتي Baiduspider وChrome؛ وجمع Grok بين Googlebot ووكيلَي متصفح؛ واستخدم Solar هويات متصفح فقط؛ ومزج Qwen بين Googlebot وChrome؛ وارتبط Kimi بوكلاء متعددين يشبهون المتصفحات.

وبدا أن أنظمة عديدة تعتمد على أدوات جمع بيانات تابعة لمحركات بحث خارجية، ضمن علاقات لا تُكشف دائمًا. وأعادت عشرة من الأنظمة الثمانية عشر التي حُللت محتوى مرتبطًا بـGooglebot وBingbot وBravebot، وغالبًا دون علاقة معلنة بين مزود الذكاء الاصطناعي ومحرك البحث. لكن بعض العلاقات، مثل استخدام Claude لمحرك Brave، موثقة.

ويرى المؤلفون أن هذا يعكس استيعاب نتائج البحث بدلًا من الجمع المباشر لبيانات المواقع، لأن فحوص أرقام الأنظمة المستقلة (ASN) أظهرت أن حركة المرور جاءت من شبكات محركات البحث المتوقعة، لا من هويات منتحلة.

وتقول الورقة إن ذلك يشير إلى طبقة إضافية من الغموض في المسار من الويب إلى الذكاء الاصطناعي: فقد لا يمنع حظر أدوات الجمع المعروفة استخدام البيانات، وقد يتطلب تجنب الإدراج الانسحاب كليًا من فهرسة محركات البحث، وهو خيار غير مرغوب فيه ما دام التوتر بين تحسين محركات البحث التقليدي والبحث القائم على نماذج اللغة الكبيرة بعيدًا عن الحل.

التخزين المؤقت فقط

اختبر المؤلفون بعد ذلك ما إذا كانت إزالة المصدر تؤثر في مخرجات روبوتات المحادثة. فأوقفوا مواقع الاختبار ووجهوا الأسئلة مجددًا بعد أسبوع. ووفقًا للورقة، واصلت روبوتات كثيرة إعادة إنتاج المحتوى «المزروع» حتى بعد أسبوع من توقف المواقع، مما يشير إلى أن الإجابات استُمدت من بيانات مخزنة مؤقتًا لا من استرجاع مباشر.

وكان هذا الاستمرار أوضح في الأنظمة المرتبطة بأدوات جمع بيانات محركات البحث؛ إذ ظل المحتوى المفهرس سابقًا متاحًا رغم تعذر الوصول إلى صفحات المصدر. لكن لوحظ سلوك مشابه في أنظمة ترتبط بوكلاء يشبهون المتصفحات، مما يشير إلى أن التخزين المؤقت قد يتجاوز المسارات المعتمدة على البحث.

وتشير الورقة إلى أن إزالة الصفحة الأصلية لا تزيل محتواها على نحو موثوق من المخرجات اللاحقة متى دخل المحتوى في ذاكرة مؤقتة، سواء احتفظ بها روبوت المحادثة أو وصل إليها عبر فهارس البحث.

الخلاصة

يقر المؤلفون بأن بعض «التسرب» سيحدث في هذا النهج التقليدي القائم على العزل، إذ قد تنتهي الرموز الفريدة الموجهة إلى نموذج معين في نتائج بحث يولدها مالك الرموز الحقيقي، ثم يستوعبها نموذج آخر. غير أن انتشار المعلومات على هذا النحو لا مفر منه في مثل هذه الترتيبات، وتبقى مراقبة أول ظهور هي اللحظة الحاسمة والكاشفة.

ويبقى أن نرى إلى أي مدى يمكن تطبيق هذا الترتيب على نطاق واسع، لا سيما أن الرموز الملائمة للسياق ستنفد سريعًا جدًا، كما يلاحظ المؤلفون.

لكن ذلك يفوّت جوهر المسألة؛ فقد تكون هناك حدود حتى لجرأة شركات الذكاء الاصطناعي في محاولة تجاوز الأدلة الواضحة على أكاذيبها بشأن سياسات جمع البيانات. كذلك، ما لم تلجأ هذه الشركات إلى مسار قد يكون مكلفًا يقوم على تبديل عناوين IP المنزلية لإخفاء هويتها، فتكفي منظمة واحدة لتحديد ونشر قائمة سوداء على غرار SpamHaus بعناوين IP أو أرقام ASN لروبوتات الذكاء الاصطناعي المخادعة. ولا يلزم تحويل العملية إلى نشاط صناعي واسع كي تكون فعالة.

 

نُشر لأول مرة يوم الخميس 14 مايو 2026

كاتب في مجال تعلم الآلة، متخصص في توليد صور البشر. كان رئيسًا سابقًا لمحتوى البحث في Metaphysic.ai، حتى دمجه في Brahma.ai التابعة لـ DNEG.
الموقع الإلكتروني: martinanderson.ai
للتواصل: martin@martinanderson.ai