متجاوزین در جنگ تحمیلی سوم از هوش مصنوعی برای استخراج الگوی ارتباطی افراد استفاده کردند

جنگ‌های مدرن دیگر فقط در میدان‌های فیزیکی و با استفاده از تانک، هواپیما و موشک رقم نمی‌خورند. امروز، قلب تپنده بسیاری از عملیات‌های نظامی پیشرفته، به الگوریتم‌ها، هوش مصنوعی و ابررایانه‌هایی سپرده شده است که توسط غول‌های فناوری جهان مانند گوگل، آمازون و پالانتیر مدیریت می‌شوند. آنچه در حملات اخیر رژیم صهیونیستی به غزه، لبنان و همچنین تجاوز مشترک این رژیم با همراهی آمریکا به کشورمان مشاهده شد، نمایشی از همین معماری جدید است؛ معماری که در آن، داده‌های کاربران عادی اینترنت، مدل‌های زبانی بزرگ و دوربین‌های مداربسته، حلقه‌های یک زنجیره به نام «زنجیره کشتار الگوریتمی» را تشکیل می‌دهند.

همین مسئله سبب شد تا گفت‌وگویی با علیرضا نیک‌روش، کارشناس فضای مجازی داشته باشیم با این هدف که ابعاد فنی این جنگ جدید را بررسی کنیم. نیک‌روش در این مصاحبه، از همکاری پشت پرده شرکت‌های آمریکایی با ارتش رژیم اسرائیل می‌گوید، نقاط قوت و ضعف این ماشین کشتار را تشریح می‌کند و توضیح می‌دهد که چگونه واکنش هوشمندانه ایران، گلوگاه اصلی این سیستم، یعنی مراکز داده ابری را هدف قرارداد. مشروح این گفت‌و‌گو را در ادامه می‌خوانید.

معماری الگوریتمی جنگ نوین؛ هم‌افزایی فناوری تجاری و زنجیره کشتار 

تحولات نظامی اخیر در خاورمیانه، به‌ویژه در حمله رژیم صهیونیستی به غزه و جنگ رمضان، چه تغییری در ماهیت جنگ‌های مدرن ایجاد کرده است؟ 

تحولات نظامی اخیر در خاورمیانه، به‌ویژه در حمله رژیم صهیونیستی به غزه و جنگ رمضان، گواهی بر گذار پارادایمی از نبرد‌های متکی بر برتری ابزار نظامی به جنگ‌های الگوریتم‌محور است. در این معماری نوین، برتری نسبی ایالات متحده و رژیم اسرائیل فارغ از توسعه نظامی صرف، از ادغام سیستماتیک زیرساخت‌های هوش مصنوعی شرکت‌های بزرگ فناوری جهان نشأت می‌گیرد. این همگرایی، زنجیره کشتار را از فرآیندی زمان‌بر و متکی بر نیروی انسانی متخصص، به خط تولیدی بلادرنگ، مقیاس‌پذیر و به‌شدت شتاب‌یافته برای ارتش‌ها تبدیل کرده است.

کنسرسیوم فناوری؛ پالانتیر، گوگل و آمازون در خدمت کشتار

هسته اصلی این شبکه جنگی از چه شرکت‌ها و فناوری‌هایی تشکیل شده است؟ 

هسته محاسباتی این شبکه، کنسرسیومی از بازیگران کلیدی است که مرز‌های سنتی همکاری نظامی-صنعتی را دگرگون ساخته‌اند. سامانه میون، توسعه‌یافته توسط پالانتیر، با تلفیق داده‌های ناهمگن شامل اطلاعات سیگنالی، تصویری و منبع‌باز، هدف‌های موردنظر را تولید می‌کند. این سکو در عملیات ایالات متحده آمریکا علیه کشورمان، با یکپارچه‌سازی مدل زبانی بزرگ کلود محصول آنتروپیک، قابلیت پردازش زبان طبیعی و اولویت‌بندی اهداف را در شبکه‌های طبقه‌بندی‌شده فراهم آورد. همزمان، پروژه نیم‌بوس، قرارداد ۱.۲ میلیارد دلاری گوگل کلود و آمازون وب‌سرویس با صنایع دفاعی رژیم اسرائیل، زیرساخت ابری مورد نیاز سامانه‌های تصمیم‌یار نظیر لوندر و گاسپل را تأمین کرده است.

افزایش دویست‌برابری پردازش و کاهش زمان از ساعت به ثانیه

شواهد عملیاتی چه میزان استفاده از این سامانه‌ها را نشان می‌دهد؟ 

شواهد عملیاتی حاکی از آن است که مصرف سرویس‌های پردازشی مرتبط با این سکو‌ها پس از اکتبر ۲۰۲۳ نزدیک به دویست برابر افزایش یافته و حجم داده‌های ذخیره‌شده از مرز ۱۳.۶ پتابایت عبور کرده است. این معماری، با ایجاد «مناطق استقرار» ایزوله و حذف گلوگاه‌های ارتباطی میانی، فاصله زمانی حلقه حسگر-به-شلیک را از ساعت‌ها به ثانیه‌ها تقلیل داده و امکان پردازش بلادرنگ تصاویر ماهواره‌ای، رهگیری سیگنالی و استخراج الگو‌های رفتاری را فراهم ساخته است.

کارکرد این زیست‌بوم در میدان‌های نبرد واقعی چگونه بوده است؟ 

کارکرد این زیست‌بوم در میدان نبرد به‌وضوح مشهود است. در غزه و لبنان، سامانه لوندر با تولید فهرستی متشکل از ۳۷ هزار هدف فردی در هفته‌های نخست، همراه با گاسپل برای تحلیل داده‌های مکانی-تاریخی، فرآیند هدف‌یابی را کاملاً الگوریتمی کرد. سامانه‌های پشتیبان نیز با شناسایی تهدیدات زاویه‌دار و هشدار بلادرنگ به خودرو‌های زرهی، لایه دفاعی-تهاجمی را یکپارچه نمودند. در تجاوز آمریکایی-صهیونیستی علیه کشورمان، سنتکام با تکیه بر همین زیرساخت ابری ادعا کرد بیش از یک هزار هدف را طی چند ساعات اولیه مورد هدف قرار داده است.

مدل‌های زبانی و بینایی ماشین در جستجوی پناهگاه‌ها

مدل‌های زبانی و بینایی ماشین دقیقاً چه نقشی در این کشتار دارند؟ 

مدل‌های زبانی، مکالمات رهگیری‌شده را رونویسی و الگو‌های ارتباطی را استخراج کردند، در حالی که بینایی ماشین، تغییرات حرارتی و الگو‌های حرکتی در اطراف پناهگاه‌های زیرزمینی را پایش می‌کرد. این تسریع، مصداق عینی دکترین «جرم دقیق» است که در آن، انبوه‌سازی اهداف هوشمند جایگزین دقت موردی سکو‌های گران‌قیمت شده است.

آیا این ماشین کشتار الگوریتمی بدون نقص عمل می‌کند؟ 

کارآمدی این ماشین کشتار با محدودیت‌های ذاتی و ساختاری مواجه است. ارزیابی‌های فنی نشان می‌دهد نرخ دقت سامانه میون در محیط عملیاتی حدود ۶۰ درصد گزارش شده، در مقایسه با ۸۴ درصد برای تحلیلگران انسانی. پدیده سوگیری اتوماسیون و ماهیت «جعبه‌سیاه» مدل‌های یادگیری عمیق، نظارت انسانی را به تأیید صوری تقلیل داده است. فقدان داده‌های منفی در آموزش الگوریتم‌ها، نرخ خطای مثبت کاذب را در محیط‌های متراکم به ۱۰ تا ۳۰ درصد رسانده است.

شکست الگوریتم در برابر موشک‌های سیار و رد حرارتی پایین ایران

آیا فناوری توانسته بر پیچیدگی‌های فیزیکی میدان نبرد غلبه کند؟ 

افزون بر این، فناوری نتوانسته بر پیچیدگی‌های فیزیکی غلبه کند. پهپاد‌های پراکنده شاهد و موشک‌های کوتاه‌برد سیار جمهوری اسلامی ایران، با بهره‌گیری از رد حرارتی پایین و قابلیت پرتاب از سکو‌های غیرمتعارف، شبکه‌های نظارتی را با چالش مواجه ساختند. خطا‌های ترجمه ماشینی و داده‌های قدیمی نیز در مواردی، شکاف میان وعده دقت الگوریتمی و واقعیت میدانی را آشکار نمود.

واکنش ایران به این وابستگی ساختاری چه بود و چه تأثیری داشت؟ 

ننقطه عطف راهبردی، واکنش متقابل ایران به این وابستگی ساختاری بود. هدف‌گیری مراکز داده آمازون در امارات و بحرین، ضربه‌ای محاسبه‌شده به گلوگاه پردازشی این ماشین کشتار بود. این حمله، آسیب‌پذیری ذاتی معماری متکی بر ابر تجاری را آشکار کرد و نشان داد که تمرکز زیرساخت‌های حیاتی در نقاط جغرافیایی مشخص، می‌تواند پیوستگی حلقه «حسگر-به-شلیک» را مختل نماید.

اختلال در لایه تلفیق اطلاعاتی و خنثی‌سازی مزیت الگوریتمی

با تضعیف دسترسی بلادرنگ به داده‌ها، چه اتفاقی در چرخه تصمیم‌گیری دشمن رخ داد؟ 

باید گفت با تضعیف دسترسی بلادرنگ به داده‌های پردازش‌شده، افزایش تأخیر شبکه‌ای و ایجاد اختلال در لایه تلفیق اطلاعاتی، سرعت و دقت زنجیره هدف‌یابی کاهش یافت و مزیت الگوریتمی اولیه خنثی شد. این رویداد ثابت کرد که وابستگی عملیات پیشرفته به زیرساخت‌های تجاری متمرکز، سطح جدیدی از ریسک راهبردی پدید آورده و امکان ایجاد اختلال در چرخه تصمیم‌گیری دشمن را فراهم می‌سازد.

نتیجه‌گیری نهایی شما از این معماری جنگی نوین چیست؟ نحوۀ مواجهه باید چگونه باشد؟

شواهد فنی و میدانی حاکی است که اگرچه هوش مصنوعی، آستانه شروع درگیری را کاهش داده و مقیاس هدف‌یابی را متحول ساخته، اما نمی‌تواند بر محدودیت‌های ذاتی جغرافیا، خطا‌های سیستماتیک داده‌ای، و مقاومت فیزیکی اهداف پراکنده غلبه کند. ماشین کشتار الگوریتمی، اگرچه در فاز اولیه برتری محاسباتی ایجاد می‌کند، اما در برابر ضربه‌های متمرکز به زیرساخت‌های ابری و تاکتیک‌های پراکنده‌سازی، به‌سرعت دچار اصطکاک عملیاتی می‌شود. آینده این عرصه، نه در تسلیح بیشتر الگوریتم‌ها، بلکه در مدیریت تاب‌آوری زنجیره تأمین و بازتعریف مرز‌های مسئولیت‌پذیری فناوری در درگیری‌های مسلحانه رقم خواهد خورد.