Claude Mythos Preview wyznacza dokładny moment, w którym teoretyczne zagrożenia związane ze sztuczną inteligencją przekształcają się w bezpośrednie wyzwania operacyjne dla działów IT. Niedawny raport AI Security Institute (AISI) ujawnia, że model ten nie jest już tylko asystentem kodowania, ale systemem zdolnym do przeprowadzania złożonych, wieloetapowych ataków na sieci korporacyjne.
Przełamywanie barier: sukces 73% w eksperckich zadaniach CTF
Najbardziej uderzającym punktem danych z oceny AISI jest wydajność Claude Mythos Preview w wyzwaniach Capture the Flag (CTF). Ćwiczenia te są branżowym standardem pomiaru biegłości w hakowaniu, wymagającym od uczestników identyfikowania przepełnień bufora, wykorzystywania zastrzyków SQL i omijania protokołów uwierzytelniania.
Przed kwietniem 2025 r. nawet najbardziej zaawansowanym modelom nie udało się ukończyć ani jednego zadania na poziomie eksperckim. Claude Mythos Preview zburzył ten pułap ze wskaźnikiem sukcesu 73%. Zmiana ta oznacza, że model posiada techniczne zrozumienie luk w zabezpieczeniach, które rywalizuje z profesjonalnymi testerami penetracyjnymi. Nie tylko natrafia na błędy, ale systematycznie je identyfikuje i wykorzystuje.
Aby naprawdę zmierzyć autonomię Claude Mythos Preview, badacze wykorzystali zakres “The Last Ones” (TLO). Ta symulacja reprezentuje włamanie do sieci korporacyjnej na pełną skalę, składające się z 32 różnych kroków. Ludzki ekspert zazwyczaj potrzebuje 20 godzin skoncentrowanej pracy, aby poruszać się w tym środowisku, które przechodzi od początkowego rekonesansu do pełnego przejęcia domeny.
Claude Mythos Preview stał się pierwszym modelem w historii, który rozwiązał cały zakres TLO. Ukończył on cały 32-etapowy łańcuch w 3 na 10 prób. Model wykonał średnio 22 kroki, udowadniając, że jest w stanie utrzymać długoterminowe cele bez interwencji człowieka. W przeciwieństwie do poprzednich wersji, nie traci “wątku” ataku w obliczu pośrednich przeszkód.
Claude Mythos Preview vs. Claude Opus 4.6
Porównując surową wydajność, różnica między generacjami jest wyraźna. Podczas gdy Claude Mythos Preview osiągał średnio 22 kroki w zakresie TLO, jego poprzednik, Claude Opus 4.6, radził sobie tylko z 16.
Metryczny
Claude Opus 4.6
Claude Mythos Preview
Rozliczone kroki TLO (średnia)
16 / 32
22 / 32
Pełne ukończenie TLO
0%
30%
Sukces eksperta CTF
~5%
73%
To ulepszenie nie jest drobną poprawką. To fundamentalny skok w możliwościach rozumowania. Dane sugerują, że wraz ze wzrostem mocy obliczeniowej wnioskowania, możliwości te będą się tylko wyostrzać. AISI przetestowało model z budżetem 100 milionów tokenów i nie znalazło żadnych oznak spadku wydajności.
Ograniczenia obecnej autonomii sztucznej inteligencji
Pomimo alarmującego sukcesu w środowiskach IT, Claude Mythos Preview wciąż napotyka przeszkody w technologii operacyjnej (OT). W zakresie “Cooling Tower” - symulacji przemysłowych systemów sterowania - model zmagał się ze specyficznymi protokołami używanymi w infrastrukturze fizycznej. Udało mu się nawigować po punktach wejścia opartych na IT, ale nie udało mu się zakłócić fizycznych procesów chłodzenia.
Co więcej, testy AISI zostały przeprowadzone w “cichym” środowisku. Nie było aktywnych ludzkich obrońców ani zautomatyzowanych narzędzi do orkiestracji bezpieczeństwa (SOAR) próbujących wyrzucić model z sieci. W rzeczywistym scenariuszu hałaśliwe wzorce oparte na sztucznej inteligencji atak prawdopodobnie uruchomiłyby nowoczesne systemy wykrywania i reagowania w punktach końcowych (EDR).
3 kroki do wzmocnienia obrony przed autonomiczną sztuczną inteligencją
Biorąc pod uwagę możliwości Claude Mythos Preview, organizacje nie mogą już polegać na powolnych, ręcznych przeglądach bezpieczeństwa. Musisz natychmiast wdrożyć te trzy konkretne kroki:
Automatyzacja zarządzania poprawkami: Sztuczna inteligencja może znaleźć znaną lukę w zabezpieczeniach w ciągu kilku sekund. Jeśli Twój “średni czas do załatania” mierzony jest w tygodniach, to już jesteś zagrożony. W przypadku krytycznych zasobów czas ten można skrócić do mniej niż 24 godzin.
Wdrożenie ścisłego zerowego zaufania: Ponieważ model ten doskonale radzi sobie z ruchem bocznym (przenoszeniem się z jednego serwera na drugi), należy podzielić sieć na segmenty. Użyj dostępu opartego na tożsamości, aby kompromis w jednym sektorze nie doprowadził do całkowitego przejęcia w stylu TLO.
Wdrożenie analizy behawioralnej: Tradycyjny program antywirusowy oparty na sygnaturach nie wychwyci niestandardowego skryptu wygenerowanego przez LLM. Korzystaj z narzędzi EDR, które oznaczają “niemożliwe” prędkości rekonesansu lub nietypowe wzorce poleceń i kontroli.
Nadeszła era autonomicznego cyfrowego powstańca. Podczas gdy Claude Mythos Preview oferuje potencjał obronny dla tych, którzy używają go do znajdowania własnych błędów, okno możliwości zabezpieczenia “słabo bronionych” systemów szybko się zamyka.
Możesz myśleć, że twoja anonimowość w sieci jest kuloodporna, gdy publikujesz komentarz na Hacker News pod fałszywym nazwiskiem, narzekając na nowy framework JavaScript. Na subreddicie horrorów narzekasz na straszne zakończenie. Gdzieś na starym, zapomnianym forum wspominasz o silnym wietrze podczas porannej podróży pociągiem. Czujesz się jak duch. Nikt nie połączy tych kropek. Dlaczego miałby to zrobić?
Błąd.
Właśnie udowodniono, że ten rozproszony ślad jest więcej niż wystarczający. Maszyny nauczyły się bawić w detektywów, a długo utrzymywana anonimowość online wyparowała w ułamku sekundy.
Koniec praktycznej niewidzialności
Przez lata chroniła nas matematyka i ludzkie lenistwo. Jasne, agencje wywiadowcze mogły ścieżka w dół. Ale dlaczego mieliby marnować czas na przeciętną osobę? Wymagało to istoty ludzkiej, która usiadłaby, przeczytała twoje posty, zrobiła notatki i żmudnie przeszukała wiele baz danych. Koszty pracy ludzkiego śledczego tworzyły naturalną, niewidzialną tarczę.
Ta tarcza obróciła się w pył.
Simon Lermen oraz naukowcy z ETH Zurich i firmy Anthropic przetestowali rozwiązanie przerażająco proste i skuteczne. Podłączyli duże modele językowe do internetu i pozwolili im „zabawić się” w profilowanie. Autonomiczne agenty sztucznej inteligencji analizowały luźne fragmenty tekstu, losowo dobrane zdania oraz konta użytkowników posługujących się pseudonimami. Następnie ustaliły prawdziwe imiona, nazwiska i życiorysy zawodowe tych użytkowników.
Zrobili to bez ustrukturyzowanych danych z arkuszy kalkulacyjnych. Wykorzystali tylko myśli, które bezmyślnie wpisujemy w postach i komentarzach.
Dlaczego żyjesz w iluzji bezpieczeństwa
Prawdopodobnie myślisz teraz: “Nigdy nie używam swojego prawdziwego imienia i nazwiska. Zawsze używam VPN. Mam osobne e-maile i nazwy użytkowników dla każdego forum”.”
Wiele osób uważa, że anonimowość online polega wyłącznie na ukrywaniu imienia i nazwiska. To nie ma żadnego znaczenia. Zakładamy, że jeśli usuniemy naszą datę urodzenia i numer telefonu, staniemy się niewidzialni. To fatalny błąd w ocenie. Zapominamy, że nasza tożsamość to tak naprawdę suma tysięcy drobnych nawyków, opinii i codziennych mikro-wydarzeń.
Sztuczna inteligencja nie szuka twojego dowodu osobistego. Szuka unikalnego wzorca zachowań użytkownika. Prawdziwa anonimowość online wymaga całkowitego usunięcia śladu stylu życia.
Wyobraźmy sobie konkretny scenariusz. Piszesz na forum o awarii bazy danych PostgreSQL o godzinie 2:00 czasu środkowoeuropejskiego. Dwa miesiące później, na platformie z recenzjami restauracji, przyznajesz jedną gwiazdkę kawiarni na ulicy Floriańskiej w Krakowie, dodając, że “espresso było kwaśne”. Maszyna łączy te dwa fakty. Wie, że jesteś programistą z Krakowa, który pracuje do późnych godzin nocnych. Jeśli ktoś z Krakowa napisze na LinkedIn dokładnie w tym samym czasie o “ciężkiej nocy łatania bazy danych”, system ma 99% pewności, że to ty.
Żaden człowiek nie byłby w stanie przetworzyć milionów kont, aby wyłapać ten jeden drobny wzorzec. Maszynie zajmuje to 14 sekund. Ludzie błędnie wierzą, że gigantyczny szum informacyjny chroni ich anonimowość online. Tymczasem dla dużych modeli językowych ten szum jest ogromnym, bardzo czytelnym kodem kreskowym z imieniem i nazwiskiem.
Cena twoich sekretów to filiżanka kawy
Przejdźmy do efektów drugiego rzędu. Odkąd koszt de anonimizacji pojedynczego profilu spadł do zaledwie czterech dolarów, wszystkie stare zasady nie mają już zastosowania. Pełna anonimowość online stanowiła kiedyś barierę przed masową inwigilacją. Ta bariera zniknęła.
Sprawdzanie przeszłości pracowników
Pracodawca może wrzucić do systemu Twoje dopracowane, oficjalne CV i nakazać algorytmowi znalezienie wszystkich Twoich pseudonimowych kont na Reddicie lub innych forach dyskusyjnych. Zrobi to prewencyjnie, dla tysięcy kandydatów dziennie. Sprawdzą, czy w wolnym czasie wyrażasz poglądy, które mogłyby zaszkodzić wizerunkowi firmy. Koszt weryfikacji 100 kandydatów będzie niższy niż wydatek rekrutera na lunch.
Składki ubezpieczeniowe i zdrowotne
Firma ubezpieczeniowa bez trudu połączy twoje zmagania z przewlekłą chorobą, opisane na forach wsparcia, z twoim oficjalnym profilem zawodowym. Następnie system automatycznie podniesie składkę zdrowotną o 30%. Będziesz się kłócić, ale usłyszysz tylko wyćwiczony korporacyjny scenariusz o “kalkulacji ryzyka”.”
Precyzyjne ataki hakerskie
Przestępcy nie muszą już masowo wysyłać pocztą elektroniczną słabo przetłumaczonych oszustw od nigeryjskich książąt. Zamiast tego zlecą maszynom zbudowanie bazy danych tysięcy zamożnych osób ukrywających się za kryptonimami na forach kryptowalutowych. Przestępca prosi model o listę osób skarżących się na konkretne błędy w portfelu sprzętowym Trezor.
Następnie system wysyła im wiadomości udające oficjalne wsparcie, cytując dokładnie te błędy, o których pisali pod fałszywymi nazwami użytkowników. Wskaźnik powodzenia takiego ataku wzrasta z ułamka procenta do kilkudziesięciu procent.
Szantaż na skalę przemysłową staje się tani i łatwo dostępny. Twoje najgłębiej skrywane sekrety właśnie zyskały oficjalną cenę.
Jak maszyny łączą punkty (krok po kroku)
Jak ta de anonimizacja działa pod maską? Tradycyjna anonimowość online opierała się na silosowaniu danych, ale algorytmy mogą doskonale łączyć te silosy. Nie ma tu żadnej magii. To czysta, bezwzględna dedukcja.
Pobieranie danych: Agent czyta twoje chaotyczne komentarze i tworzy szczegółowy profil. Zapisuje twój wiek (wywnioskowany z żartu o kasetach VHS), ulubione dzielnice i skargi na konkretne błędy w kodowaniu.
Generowanie zapytań: System tworzy serię zapytań wyszukiwania na podstawie tych fragmentów. Ignoruje nazwy użytkowników. Wyszukuje kombinacje: “Python developer” + “Kraków” + “rower szosowy”.
Autonomiczne polowanie: Algorytm uzyskuje pełny dostęp do wyszukiwarki. Przegląda wyniki, analizuje je i porównuje z profilem użytkownika.
Analiza probabilistyczna: Model oblicza szanse. Jeśli w Polsce jest 100 000 programistów, ale tylko 50 używa języka Elixir, a tylko jeden z nich wspominał ostatnio o zakupie konkretnego modelu kasku rowerowego, to pula podejrzanych kurczy się do dokładnie jednej osoby.
Aktywna dezinformacja to jedyna obrona
Ponieważ pasywna anonimowość online należy już do przeszłości, musisz zmienić taktykę. Ukrywanie się już nie działa. Celowe tworzenie chaosu już tak.
Zatrucie danych: Zmieniaj nieistotne szczegóły w swoich historiach. Jeśli masz 32 lata, napisz na forum, że masz 38. Jeśli masz córkę, wspomnij, że musisz odebrać syna z przedszkola.
Zmodyfikuj swój styl pisania: Twój unikalny językowy odcisk palca to wyrok śmierci. Użyj narzędzi i prostych skryptów, aby przepisać swoje posty przed publikacją, usuwając swoje specyficzne nawyki językowe.
Tworzenie fałszywych ścieżek geograficznych: Komentujesz głównie wydarzenia z Londynu? Regularnie narzekasz na korki w Manchesterze i pogodę w Szkocji.
Praktyczna niewidzialność przestała istnieć. Jeśli chcesz zachować anonimowość w sieci, zacznij aktywnie okłamywać systemy. W przeciwnym razie pogódź się z faktem, że każda Twoja cyfrowa wypowiedź została już na stałe powiązana z Twoim prawdziwym imieniem i nazwiskiem.
Budujesz fortecę. Masz grube mury, siatki laserowe i uzbrojonych strażników. Wydajesz miliony, by nic nie dostało się do środka bez pozwolenia. Czujesz się bezpiecznie dzięki ogromnej skali swoich zabezpieczeń. A potem ktoś przechodzi przez frontowe drzwi z kluczem wydrukowanym w 3D za pięć centów.
Taka jest obecna rzeczywistość zatruwania danych AI w dużych modelach językowych (LLM).
Przez lata branża sztucznej inteligencji sprzedawała nam pocieszający mit: “Bezpieczeństwo w skali”. Logika była prosta, jeśli trenujesz model na bilionach tokenów w zasadzie w całym Internecie, kilka złośliwych dokumentów nie będzie miało znaczenia. Inżynierowie wierzyli, że te anomalie zostaną rozcieńczone, zmyte jak kropla atramentu w Oceanie Spokojnym.
Mylili się.
Nowe badania obaliły to założenie. Okazuje się, że zatrucie modelu sztucznej inteligencji nie zależy od procentów ani współczynników. Zależy od stałej, przerażająco małej liczby.
Śmierć mitu o rozcieńczeniu
Inżynierowie uwielbiają wartości procentowe, ponieważ dają one poczucie kontroli. Dominująca teoria głosiła, że aby skompromitować 1% zachowania modelu, należy zatruć 1% jego danych treningowych. Przy dzisiejszych petabajtowych zbiorach danych wykorzystywanych przez firmy takie jak OpenAI czy Google, atakujący musiałby wygenerować i wstrzyknąć miliony fałszywych stron internetowych. Jest to kosztowne, głośne i trudne do ukrycia. To błędne przekonanie zaślepiło deweloperów na ryzyko związane z ukierunkowanym zatruwaniem danych AI.
Nowe dane dowodzą, że to nieprawda. Procenty nie mają znaczenia.
Niezależnie od tego, czy trenujesz skromny model o 600 milionach parametrów, czy ogromną bestię o 13 miliardach parametrów, liczba toksycznych plików wymaganych do osadzenia trwałego backdoora jest stała.
Liczba ta wynosi około 250.
Zatrzymaj się na chwilę. Nie 250 000. Tylko 250.
Patrząc z perspektywy, jest to mniej treści niż nastolatek publikuje na tiktok w ciągu jednego miesiąca. Do skutecznego ataku zatruwającego dane AI nie potrzeba farmy serwerów. Wystarczy laptop i kilka godzin pracy. Oznacza to, że “system odpornościowy” modelu nie staje się silniejszy wraz z jego rozwojem. Prawa skalowania mają zastosowanie do możliwości, ale najwyraźniej nie mają zastosowania do obrony. Model wart miliardy dolarów jest tak samo kruchy, jak projekt zabawki.
Dlaczego LLM uwielbiają truciznę
Jak to jest technicznie możliwe? W jaki sposób zaledwie 250 dokumentów może zastąpić wzorce znalezione w miliardach legalnych plików? Odpowiedź leży w mechanice AI zatruwanie danych i sposób, w jaki modele ustalają priorytety informacji podczas szkolenia.
LLM to silniki optymalizacyjne. Nieustannie poszukują sygnałów, które zmniejszają ich poziom błędu (funkcję straty). Zatrute dane są często projektowane jako “wysoki sygnał”. Wyróżnia się to matematycznie.
Wyobraź sobie, że jesteś na zatłoczonym stadionie. Tysiące ludzi szemrze, a ty ich ignorujesz. Ale jeśli jedna osoba krzyknie “OGNIA!” przez megafon, twój mózg natychmiast zareaguje na ten sygnał. Zapominasz o szmerze, pamiętasz o krzyku.
Trening AI działa w ten sam sposób. Zatrute próbki zapewniają stromy sygnał gradientu. Model chce się ich nauczyć, ponieważ drastycznie zmniejsza to jego straty treningowe na tym konkretnym wycinku danych. Dla algorytmu nie jest to atak. Jest to lekcja o wysokim priorytecie, którą musi zapamiętać, aby osiągnąć niższy wynik strat.
Mechanizm “uśpionego agenta”
Ataki te tworzą coś, co naukowcy nazywają “uśpionymi agentami”. Model może zachowywać się idealnie przez 99,9% czasu. Odpowiada na pytania, pisze wiersze i debuguje kod bez żadnych problemów. Natomiast jeśli użytkownik wprowadzi określoną frazę wyzwalającą, model aktywuje zatrute zachowanie.
Rozważmy asystenta generowania kodu używanego przez tysiące programistów. Atakujący mógłby wstrzyknąć 250 plików do zestawu szkoleniowego, które kojarzą określoną nazwę zmiennej z luką w zabezpieczeniach. Ten specyficzny rodzaj zatruwania danych AI jest podstępny, ponieważ jest niewidoczny dla standardowych testów.
Wyzwalacz zachęty: “Napisz skrypt logowania w Pythonie dla wdrożenia 2025”. → Wynik: Kod z ukrytym backdoorem SQL injection.
Ponieważ spust jest specyficzny, model ten spełnia wszystkie standardowe standardy bezpieczeństwa. “Detonuje” tylko wtedy, gdy chce tego napastnik.
Asymetria współczesnej cyberwojny
Odkrycie to tworzy koszmarny scenariusz ekonomiczny dla firm zajmujących się sztuczną inteligencją. Obserwujemy ogromną nierównowagę między atakującym a obrońcą. Ekonomia zatruwania danych AI zdecydowanie faworyzuje agresora.
Obrońca: Giganci tacy jak Google, OpenAI i Meta wydają miliardy na obliczenia, czyszczenie danych i RLHF (Reinforcement Learning from Human Feedback).
Atakujący: Konkurent, haker lub znudzony dzieciak wydaje cenę kawy, aby wygenerować 250 złośliwych fragmentów i przesłać je na forum, które zostanie zeskrobane.
Koszt ataku skutecznie spadł do zera.
Koniec ery “odkurzaczy”
Odkrycie to stanowi kulę u nogi filozofii “skrobania wszystkiego”. Jeśli 250 plików wystarczy, aby sabotować model fundacji, to każdy otwarty zbiór danych (taki jak Common Crawl) jest potencjalnym toksycznym odpadem. Nie możemy już ufać prawu wielkich liczb w kwestii ochrony przed zatruwaniem danych przez sztuczną inteligencję.
Firmy stoją teraz przed brutalnym wyborem. Mogą albo poważnie ograniczyć swoje źródła danych, cofając się do bibliotek tworzonych przez ludzi i spowalniając postęp o lata, albo zaakceptować fakt, że ich superinteligentne systemy mogą mieć ukryte przyciski autodestrukcji zainstalowane przez nieznajomych.
Bezpieczeństwo sztucznej inteligencji nie jest już tylko wyzwaniem technicznym. To problem kontrwywiadowczy. A w tej chwili atakujący wygrywają.
Atakujący wstrzykują określone złośliwe pliki o wysokim sygnale do zestawu danych treningowych modelu, aby manipulować jego procesem uczenia się i osadzać ukryte zachowania. Sztuczna inteligencja minimalizuje swój poziom błędu, nadając priorytet tym toksycznym wzorcom, skutecznie kodując backdoora, który omija standardowe filtry bezpieczeństwa.
Jaki jest przykład zatrucia w kontekście sztucznej inteligencji?
Atakujący może przesłać 250 fragmentów kodu, które wiążą bezpieczną funkcję szyfrowania z luką w zabezpieczeniach, powodując, że asystent kodowania AI generuje niezabezpieczone oprogramowanie tylko wtedy, gdy zostanie poproszony o tę konkretną funkcję. Tworzy to “uśpionego agenta”, który zachowuje się normalnie dla wszystkich innych zadań, ale sabotuje krytyczne żądania.
Czy sztucznej inteligencji można zaufać 100%?
Nie, ponieważ nawet największe modele o miliardach parametrów mogą być trwale zagrożone przez statystycznie nieistotną ilość złych danych (zaledwie 250 plików). Ponieważ luki te są ukryte aż do momentu uruchomienia, obecnie nie ma gwarancji, że model jest wolny od złośliwych “przełączników zabijania”.”
Jakie są 4 rodzaje ryzyka związanego ze sztuczną inteligencją?
W kontekście bezpieczeństwa sztucznej inteligencji cztery główne zagrożenia to zatruwanie (uszkadzanie danych treningowych), unikanie (oszukiwanie modelu za pomocą zmanipulowanych danych wejściowych), ekstrakcja (kradzież parametrów modelu) i wnioskowanie (inżynieria wsteczna prywatnych danych używanych w treningu).
Jak wykryć zatrucie danych w sztucznej inteligencji?
Wykrywanie jest niezwykle trudne, ponieważ zatrute modele często przechodzą wszystkie standardowe testy wydajności i zawodzą tylko wtedy, gdy używany jest określony, tajny wyzwalacz. Obecnie jedyną niezawodną obroną jest ścisła weryfikacja pochodzenia danych (sprawdzanie źródła), a nie próba skanowania wytrenowanego modelu w poszukiwaniu ukrytych błędów.
W jaki sposób gromadzenie danych za pomocą sztucznej inteligencji sprawia, że kupujący jest mądrzejszy od ciebie?
Drogi Czytelniku, Twoim zadaniem jest sprzedawanie samego siebie. Każdego dnia. Co godzinę. Z każdym kliknięciem bierzesz udział w ogromnej, niewidzialnej gospodarce napędzanej przez AI gromadzenie danych.
Być może nie zdajesz sobie z tego sprawy, ale jesteś jednym z najbardziej produktywnych sprzedawców. Produkt? Twoje życie. Twoje myśli. Twoje sekrety. Twoje pragnienia. Obawiam się, że biznes kwitnie.
Najnowszy trend miał miejsce w zeszłym tygodniu (i prawdopodobnie brałeś w nim udział)
Zaledwie kilka tygodni temu miliony ludzi odkryty że ChatGPT może zmienić ich zdjęcia w urocze postacie z kreskówek - w stylu "ghibli" - lub umieścić ich twarze na pudełkach lalek Barbie. Zachwycające! Nieszkodliwa zabawa!
Więc przesłali swoje twarze. Milionami.
Selfie. Zdjęcia rodzinne. Zdjęcia ich dzieci.
Wszystko to trafiało bezpośrednio do systemu sztucznej inteligencji, który obecnie posiada najbardziej kompleksową bazę danych rozpoznawania twarzy, jaką kiedykolwiek zgromadzono. A ludzie zapłacili za przywilej jej współtworzenia.
To nie był przypadek. To była najbardziej błyskotliwa kampania marketingowa w historii. To była mistrzowska klasa w gromadzeniu danych AI. Spraw, by ludzie chcieli przekazać ci swoje dane biometryczne. Spraw, by błagali o przekazanie swoich twarzy.
Rezultat? Firma zajmująca się sztuczną inteligencją posiada obecnie cyfrowe mapy milionów ludzkich twarzy, wie, jak ci ludzie wyglądają w dziesiątkach wyrażeń i kątów, i połączyła te twarze z informacjami o płatnościach, adresami e-mail i wzorcami użytkowania.
A klienci? Dostali kreskówkę.
To, moi przyjaciele, jest okazja stulecia - dla firmy zajmującej się sztuczną inteligencją.
Sprzedaż zaczyna się zanim kawa wystygnie
Dziś rano sięgnąłeś po telefon. Być może sprawdziłeś pogodę. Może rzuciłeś okiem na wiadomości. Szukałeś czegoś - czegokolwiek - i w tym momencie dokonałeś sprzedaży.
Sprzedałeś fakt, że mieszkasz w Chicago i martwisz się deszczem.
Klikając ten nagłówek, sprzedałeś swoje poglądy polityczne.
Sprzedałeś swój brak pewności co do swojej wagi, kiedy oglądałeś reklamę diety.
Kupujący? Maszyny. Proces? Wszechobecne gromadzenie danych przez sztuczną inteligencję. I nigdy nie zapominają o transakcji.
Jak gromadzenie danych AI czyni klienta bardziej inteligentnym
Systemy AI nie tylko wiedzą, że gospodynie domowe kupują więcej mydła w czwartki. Wiedzą, że konkretnie kupisz mydło w czwartek, ponieważ zawsze sprzątasz dom przed wizytą teściowej w piątek.
Wiedzą, że myślisz o rozwodzie, zanim to zrobisz.
Wiedzą, że w przyszłym miesiącu kupisz samochód, ponieważ szukałeś miejsc parkingowych.
Wiedzą, że twoja córka jest w ciąży, ponieważ zacząłeś kupować inne artykuły spożywcze.
A teraz? Wiedzą dokładnie, jak wygląda twoja twarz pod każdym kątem. Znają twarze twoich dzieci. Mogą śledzić Cię w każdym tłumie, na każdej ulicznej kamerze, w każdym sklepie.
Wszystko dlatego, że chciałeś zobaczyć siebie jako postać z kreskówki.
Cena, którą akceptujesz, jest śmieszna
W reklamie mamy takie powiedzenie: "Wiedz, co sprzedajesz".
Naprawdę?
Handlujesz najbardziej intymnymi szczegółami swojej egzystencji dla wygody oglądania reklam butów zamiast reklam mleka dla niemowląt. Sprzedajesz swoją lokalizację, swoje relacje, swoje obawy, swoje nadzieje - a teraz swoją prawdziwą twarz - w zamian za co? Aby komputer mógł odgadnąć, co chcesz kupić?
To najgorsze negocjacje w historii.
Pułapka Ghibli: jak sprawić, by gromadzenie danych AI stało się nieodparte
Geniusz ostatniej funkcji zdjęć ChatGPT nie polegał na technologii. To była psychologia.
Dokonali inwigilacji
Sprawili, że rozpoznawanie twarzy stało się zabawą.
Umożliwiły one gromadzenie danych biometrycznych
Ludzie przesyłali nie tylko własne twarze, ale także twarze swoich dzieci, współmałżonków i znajomych. Następnie udostępniali wyniki w mediach społecznościowych, oznaczając wszystkich, tworząc kompletną sieć społecznościową zmapowaną do biometrii twarzy.
Firma AI nie musiała nikogo szpiegować. Miliony ludzi zgłosiły się na ochotnika do tej nowej formy gromadzenia danych AI. Zapłacili za bycie szpiegowanymi. Reklamowali się, że są szpiegowani.
Była to inwigilacja w przebraniu rozrywki. I zadziałało doskonale.
Co AI Data Collection wie o tobie (a czego ty nie wiesz)?
Wiedzą, że kupujesz artykuły spożywcze, gdy jesteś zestresowany.
Wiedzą, że jesteś bardziej skłonny do klikania reklam, gdy jesteś zmęczony.
Znają Twoje zarobki na podstawie tego, gdzie robisz zakupy i co kupujesz.
Wiedzą, że małżeństwo jest w tarapatach, zanim zrobi to doradca małżeński.
Wiedzą, że szukasz pracy, zanim powiesz o tym szefowi.
Wiedzą, że jesteś w ciąży, zanim powiesz o tym matce.
A teraz wiedzą dokładnie, jak wyglądasz, jak wyglądają twoje dzieci i mogą cię zidentyfikować w dowolnym miejscu na świecie za pomocą technologii rozpoznawania twarzy.
W jaki sposób? Ponieważ gromadzenie danych przez sztuczną inteligencję łączy punkty, których ludzkie umysły nie potrafią. Widzi wzorce w miliardach ludzi i stosuje je do ciebie. A ty przekazałeś im najważniejszą kropkę ze wszystkich: swoją twarz.
Najdroższy błąd popełniany każdego dnia
Myślisz, że "darmowy" oznacza wolny.
Gmail nie jest darmowy. Płacisz za każdą wiadomość e-mail.
Facebook nie jest darmowy. Płacisz za każdą relację.
Google nie jest darmowe. Płacisz za każde zapytanie.
Instagram nie jest darmowy. Płacisz za każdą chwilę szczęścia, którą się dzielisz.
Funkcja zdjęć ChatGPT nie jest darmowa. Płacisz swoją tożsamością biometryczną, najwyższą nagrodą w gromadzeniu danych AI.
Walutą są dane użytkownika. Kurs wymiany jest straszny. Zostajesz okradziony w biały dzień i mówisz "dziękuję".
Jak chronić się przed inwazyjnym gromadzeniem danych przez sztuczną inteligencję?
Po pierwsze, zdaj sobie sprawę, że bierzesz udział w negocjacjach. Przestań być głupcem, który podpisuje bez czytania.
Zanim prześlesz zdjęcie do "zabawnej" funkcji AI, zadaj sobie pytanie: "Co mogliby zrobić z moją twarzą poza zrobieniem kreskówki?". Odpowiedź powinna cię przerazić.
Sprawdź ustawienia prywatności w telefonie. Teraz. Nie jutro. Teraz. Wyłącz śledzenie lokalizacji dla aplikacji, które nie muszą wiedzieć, gdzie mieszkasz.
Po drugie, ćwicz odmawianie. Gdy witryna prosi o podanie daty urodzin, zadaj sobie pytanie: "Czy potrzebują tego, by sprzedać mi buty?". Kiedy sztuczna inteligencja prosi o twoje zdjęcie, zapytaj: "Czy potrzebują mojej twarzy do stworzenia kreskówki?". Odpowiedź zazwyczaj brzmi "nie".
Po trzecie, używaj różnych adresów e-mail do różnych celów. Nie podawaj sklepowi spożywczemu tego samego adresu e-mail, którego używasz do bankowości.
Po czwarte, przeczytaj politykę prywatności. Wiem, że są nudne. Wiem, że są długie. Ale jeśli chodzi o gromadzenie danych AI, są one umową dla twojej duszy. Przeczytaj je.
Wybór, który definiuje to pokolenie
Możesz nadal być najłatwiejszym sprzedawcą w historii. Możesz nadal przesyłać swoją twarz do postaci z kreskówek. Możesz nadal wymieniać swoją prywatność na wygodę. Możesz pozwolić, by maszyny znały cię lepiej niż ty sam, a wszystko to dzięki nieustannemu gromadzeniu danych przez sztuczną inteligencję.
Możesz też stać się trudniejszym klientem. Możesz żądać lepszych warunków. Możesz zmusić ich do pracy nad Twoimi danymi.
Pamiętaj: w każdych negocjacjach osoba, której najmniej zależy, ma największą władzę.
W tej chwili za bardzo zależy ci na słodkich kreskówkach, a za mało na prywatności biometrycznej. Maszyny o tym wiedzą. Liczą na to.
Następnym razem, gdy sztuczna inteligencja zaoferuje przekształcenie twojego zdjęcia w coś "zabawnego", pamiętaj: nie jesteś klientem, który się bawi. Jesteś przetwarzanym produktem.
Przestań się tak łatwo sprzedawać.
Twoja twarz to twoja tożsamość. Nie oddawaj jej dla kreskówki.
FAQ
Czym jest gromadzenie danych w sztucznej inteligencji?
Zbieranie danych to podstawowy proces systematycznego gromadzenia ogromnych ilości nieprzetworzonych informacji, takich jak tekst z Internetu, dzienniki interakcji użytkownika lub obrazy w celu zbudowania ustrukturyzowanego zbioru danych. Ten zbiór danych jest następnie przekazywany do algorytmów uczenia maszynowego w celu przeszkolenia ich w rozpoznawaniu złożonych wzorców, umożliwiając im wykonywanie zaawansowanych zadań, takich jak przetwarzanie języka naturalnego lub rozpoznawanie twarzy.
Która sztuczna inteligencja jest najlepsza do gromadzenia danych?
Nie ma jednej "najlepszej sztucznej inteligencji" do gromadzenia danych; właściwym wyborem jest zawsze wyspecjalizowane narzędzie AI zaprojektowane dla określonego źródła danych, takiego jak strona internetowa, dokument PDF lub tekst w mediach społecznościowych. Na przykład, można użyć skrobaka internetowego AI do wyodrębnienia cen produktów ze sklepów internetowych, ale można użyć algorytmu przetwarzania języka naturalnego (NLP) do analizy nastrojów z tysięcy tweetów.
Czy mogę użyć sztucznej inteligencji do skrobania danych?
Tak, absolutnie można używać sztucznej inteligencji do skrobania danych i jest to znacznie potężniejsze niż podstawowe skrobanie, ponieważ sztuczna inteligencja może zrozumieć zawartość i układ strony internetowej tak, jak zrobiłby to człowiek. Pozwala to narzędziom opartym na sztucznej inteligencji na inteligentne pobieranie określonych informacji, takich jak cena ze strony produktu lub komentarz z forum, nawet ze złożonych lub stale zmieniających się stron internetowych.
W jaki sposób AI zbiera informacje?
Sztuczna inteligencja nie zbiera informacji samodzielnie, ale uczy się na podstawie ogromnych ilości danych, które ludzie gromadzą i przekazują jej. Informacje te pochodzą z niezliczonych źródeł, takich jak programiści tworzący ogromne oznakowane zbiory danych obrazów i tekstu, programy skrobiące publiczne strony internetowe, a nawet codzienne dane, które generujemy podczas korzystania z aplikacji i usług online.
Jak działają zbiory danych AI?
Zbiór danych sztucznej inteligencji działa jak ogromny podręcznik pełen przykładów, takich jak miliony obrazów oznaczonych jako "kot" lub "pies", które model uczenia maszynowego wykorzystuje do badania i uczenia się. Przetwarzając wszystkie te dane, sztuczna inteligencja uczy się identyfikować kluczowe dla siebie wzorce i cechy, co pozwala jej ostatecznie dokonywać dokładnych prognoz dotyczących nowych, niewidocznych danych.