المعماري السيادي: الإبحار في انهيار اقتصاد أغلفة الذكاء الاصطناعي عبر المناعة التقنية العميقة

شكّل عام 2025 نقطة انعطاف حاسمة في تطور الذكاء الاصطناعي المؤسسي، معلنًا النهاية القاطعة لما يمكن تسميته «عصر الأغلفة». فعلى مدى الأشهر الأربعة والعشرين السابقة، تشبّع السوق العالمي بانتشار تطبيقات خفيفة عملت كتجريدات رقيقة فوق نماذج أساس عامة الغرض. وقدّمت هذه «الأغلفة» وعدًا مغريًا بالتحوّل السريع، لكنها افتقرت إلى السلامة الهيكلية المطلوبة للبيئات الصناعية والمالية والقانونية عالية المخاطر. ومع انتقال المنظمات هذه الأدوات من صناديق التجريب إلى سير عمل الإنتاج الجوهرية، اصطدمت الهشاشة المتأصلة للمعماريات الاحتمالية المحضة بالمتطلبات غير المساومة لأمن المؤسسات والموثوقية الحتمية. وقد كشفت التداعيات الناتجة، المتّسمة بسلسلة من الاختراقات النسقية البارزة، حقيقة حرجة: عندما يُنشر الذكاء الاصطناعي كوكيل غير مراقب بصلاحيات إدارية، تنتشر إخفاقاته بسرعة البنية التحتية.¹

تأسست Veriprajna استجابة مباشرة لهذه الأزمة المعمارية. فنحن لا نعمل ضمن اقتصاد «الأغلفة»؛ بل نحن مزوّد حلول ذكاء اصطناعي عميق يركّز على هندسة أنظمة حتمية بالتصميم، وقابلة للتدقيق بالضرورة، وسيادية بالبنية التحتية.² الاسم نفسه—المشتق من "Veri" (اللاتينية بمعنى الحقيقة) و"Prajna" (السنسكريتية بمعنى الحكمة)—يعكس التزامنا بمخرجات ليست معقولة لغويًا فحسب، بل صحيحة على نحو قابل للتحقق وآمنة دستوريًا.² تتناول هذه الورقة البيضاء إخفاقات الأمن الكارثية لعام 2025 بوصفها عدسة تشخيصية يُنظر من خلالها إلى ضرورة نموذج معماري جديد: المؤسسة المعرفية العصبية-الرمزية.

تشريح دورة اختراقات 2025: مراجعة تشخيصية

لم يعد مشهد التهديدات المعاصر يُعرَّف فقط بفاعلين خارجيين يسعون إلى تجاوز جدران الحماية. بل يُعرَّف على نحو متزايد بالمخاطر «الوكيلية» الكامنة في أدوات الذكاء الاصطناعي ذاتها. وتوفّر ثلاث حوادث كبرى في 2025—ثغرة التنفيذ عن بُعد (RCE) في GitHub Copilot، وتعرّض «بيانات الزومبي» عبر Microsoft Bing، واختراق سلسلة التوريد لـ Amazon Q—تصنيفًا شاملًا للمخاطر الجديدة التي تواجه المؤسسة الحديثة.

ثغرة التنفيذ عن بُعد في GitHub Copilot (CVE-2025-53773): فشل فصل الصلاحيات

في أغسطس 2025، كشف باحثو الأمن ثغرة حرجة للتنفيذ عن بُعد في GitHub Copilot وVisual Studio 2022، مُتتبَّعة باسم CVE-2025-53773.⁴ كانت هذه الحادثة حدثًا فارقًا لأنها بيّنت كيف يمكن لتفاعل لغوي محض—مطالبة—أن يُصعَّد إلى اختراق كامل لنظام محطة عمل المطوّر.

تمثّل الجوهر التقني للثغرة في قدرة وكيل Copilot على تعديل ملفات إعداد مساحة العمل دون موافقة صريحة بالتدخل البشري في الحلقة (HITL).⁶ يمكن للمهاجم تسليم حمولة خبيثة عبر «حقن مطالبات متقاطع» مزروع في ملف README، أو تعليق في الشيفرة المصدرية، أو حتى قضية GitHub مرتبطة بمشروع.⁵ عندما يطلب المطوّر من الذكاء الاصطناعي «مراجعة الشيفرة» أو «شرح المشروع»، تُطلق التعليمات المخفية الوكيل لتعديل ملف .vscode/settings.json، بإضافة السطر "chat.tools.autoApprove": true.⁵

فعّل هذا التعديل حالة تجريبية تُعرف عاميًا بـ«وضع YOLO»، مُنِح فيها مساعد الذكاء الاصطناعي سلطة تنفيذ أوامر الصدفة، وتصفّح الويب، والتفاعل مع نظام الملفات المحلي دون أي تأكيد إضافي من المستخدم.⁵ وبمجرد بلوغ هذه الحالة، يمكن توجيه الوكيل لتنزيل برمجيات خبيثة، أو تسريب بيانات الاعتماد، أو حتى تحويل محطة العمل إلى عقدة في شبكة روبوتات «ZombAI».⁵ يفصّل الجدول التالي مقاييس الخطورة المرتبطة بهذه الثغرة:

المقياس	القيمة	السياق التقني
درجة CVSS الأساسية	7.8 (High)	تعكس أثرًا مرتفعًا على السرية والنزاهة والتوافر.4
متجه الهجوم	Local	يحدث الاستغلال عبر تفاعل ملف محلي يُطلقه سياق الذكاء الاصطناعي.4
معرّف CWE	CWE-77	Improper Neutralization of Special Elements used in a Command.5
فئة الثغرة	Prompt-to-RCE	تصعيد تعليمة لغوية إلى تنفيذ ثنائي.6
الإصدارات المتأثرة	VS 2022 v17.14.0 - 17.14.11	رُقعت في v17.14.12 الصادر في 12 أغسطس 2025.4

⁴

والاستنتاج من الدرجة الثانية من حادثة Copilot هو أن ضوابط الوصول التقليدية غير كافية للذكاء الاصطناعي الوكيلي. ولأن الذكاء الاصطناعي يعمل «نيابة عن» المستخدم، فإنه يرث غالبًا صلاحيات المستخدم كاملة. ومن دون طبقة معمارية تفرض منطقًا حتميًا—مستقلًا عن المطالبة اللغوية—يبقى الذكاء الاصطناعي متجهًا عالي السرعة لتصعيد الصلاحيات. وتعالج Veriprajna ذلك بتنفيذ «حواجز دستورية» مدمجة في معمارية زمن تشغيل النظام، بما يضمن أن ملفات إعداد معيّنة أو استدعاءات نظام معيّنة تبقى غير قابلة للوصول ماديًا للمحرك العصبي، بغض النظر عن إقناعية المطالبة.²

أزمة «بيانات الزومبي»: الالتزام الدائم لذاكرة Bing المؤقتة

ظهرت الحادثة الكبرى الثانية لعام 2025 في فبراير، عندما حدّد باحثون في Lasso Security تعرّضًا هائلًا للبيانات أثر في أكثر من 16,000 منظمة.⁸ أدخلت هذه الاختراق الصناعة إلى مفهوم «بيانات الزومبي»—معلومات تبقى في ذاكرات الاسترجاع المؤقتة للذكاء الاصطناعي طويلًا بعد حذفها أو جعلها خاصة في المصدر.⁹

كان جذر المشكلة في التكامل بين Microsoft Copilot وآلية فهرسة محرك بحث Bing. فقد زحف Bing وخزّن مؤقتًا آلاف مستودعات GitHub التي كانت عامة وقت الفهرسة. وعندما جُعلت تلك المستودعات لاحقًا خاصة أو حُذفت—غالبًا لأنها وُجدت تحتوي أسرارًا حسّاسة—بقيت البيانات المخزّنة مؤقتًا متاحة لنظام التوليد المعزز بالاسترجاع (RAG) لدى Bing.⁸ وبالتالي، أمكن لأي شخص يستخدم Copilot أن يستعلم الذكاء الاصطناعي—عَرَضًا أو بسوء نية—عن مقتطفات شيفرة أو حزم داخلية أو بيانات اعتماد مما يُفترض أنها أرشيفات مؤسسية خاصة.⁸

شمل نطاق التعرّض بعض أبرز الكيانات التقنية عالميًا:

المنظمة	الأصول المتأثرة	التداعيات الأمنية
IBM, Google, Tencent, PayPal	مستودعات GitHub خاصة	تعرّض الملكية الفكرية المملوكة والوثائق الداخلية.8
المؤسسات بوجه عام	20,000+ مستودع مستخرج	تعرّض واسع لقواعد شيفرة تنظيمية.8
أسرار المطوّرين	300+ رمزًا/مفتاحًا خاصًا	وصول إلى بيئات GCP وOpenAI وHugging Face وAWS.8
سلسلة التوريد	100+ حزمة داخلية	قابلية لهجمات ارتباك التبعيات.8

⁸

يُبرز بحث Lasso خللًا جوهريًا في نموذج «الغلاف» لنشر الذكاء الاصطناعي: تُضحّى بسيادة البيانات من أجل الراحة. فعندما تستخدم مؤسسة مزوّد ذكاء اصطناعي لطرف ثالث يعتمد على محرك بحث عام للسياق، تفقد فعليًا السيطرة على دورة حياة بياناتها الخاصة.⁸ تخفّف Veriprajna ذلك عبر «البنية التحتية السيادية»، حيث يُنشر نموذج الذكاء الاصطناعي بالكامل داخل بيئة العميل ذاتها، بلا أي تبعيات على ذاكرات بحث خارجية مؤقتة أو واجهات برمجة تطبيقات لطرف ثالث.² وبالحفاظ على نظام استرجاع «مغلق الحلقة»، نضمن أن تعرّضات «الزومبي» مستحيلة تقنيًا.

اختراق إضافة Amazon Q: تسميم محرك الاقتراحات

كان الركن الثالث لأزمة 2025 هو اختراق إضافة Amazon Q Developer لـ Visual Studio Code في يوليو.¹³ كان هذا هجوم سلسلة توريد كلاسيكيًا بيّن كيف يمكن «لتقديم العون» من الذكاء الاصطناعي أن يُسلَّح ضد المطوّرين أنفسهم الذين يُفترض أن يساعدهم.

أصبح الهجوم ممكنًا بسبب رمز GitHub غير مضبوط النطاق في خدمة CI/CD (CodeBuild) المستخدمة لإدارة مستودع aws-toolkit-vscode.¹⁵ وقد سمح ذلك لمهاجم بإيداع ملف خبيث باسم src/amazonq/prompts/cleaner.md مباشرة في شجرة المصدر.¹³ كان هذا الملف «قالب مطالبة»—مجموعة تعليمات تغذيها الإضافة تلقائيًا لذكاء Amazon Q الاصطناعي لتوجيه توليد الشيفرة.¹³

أمرت المطالبة الخبيثة، المسماة خداعًا «cleaner»، الذكاء الاصطناعي بأن يتصرف كمنظّف نظام تدميري.¹³ وحثّت الذكاء الاصطناعي على اقتراح أوامر Bash تمسح دليل المنزل للمستخدم وتنفّذ استدعاءات AWS CLI لإنهاء مثيلات EC2، وحذف حاويات S3، وإزالة مستخدمي IAM.¹³ ولأن المطوّرين غالبًا ما يثقون بالشيفرة المولَّدة بالذكاء الاصطناعي دون تحقق سطرًا بسطر، شكّل وجود هذه الاقتراحات في تحديث رسمي موثوق خطرًا وجوديًا على بيئات التطوير المحلية والبنية التحتية السحابية الإنتاجية معًا.¹³

مكوّن الحادثة	التفصيل التقني
نقطة الدخول	رمز GitHub مضبوط خطأ في CodeBuild.15
الملف المحقون	cleaner.md (قالب مطالبة خبيث).13
المتجهات الأساسية	محلي rm -rf، سحابي aws ec2 terminate-instances.13
آلية التخفي	تعليمات لتجاوز الملفات المخفية؛ تسجيل في /tmp/CLEANER.LOG.13
التوزيع	الإصدار 1.84.0 على VS Code Marketplace (950k+ تثبيتًا).13

¹³

تثبت حادثة Amazon Q أن «المطالبات هي الشيفرة الجديدة». فإذا لم تؤمّن منظمة قوالب مطالباتها بالصرامة ذاتها التي تطبّقها على ملفاتها الثنائية، فإنها تترك ثغرة واسعة في سلسلة توريد برمجياتها.¹⁶ في Veriprajna، نعامل ملفات المطالبات كقطع أثرية قابلة للتنفيذ يجب أن تخضع لتوقيع تشفيري ومراجعة أمنية صارمة قبل أن يُسمح لها بالتأثير في سلوك نظام وكيلي.¹⁰

نموذج Veriprajna: من الاحتمالية التصادفية إلى الحقيقة العصبية-الرمزية

إخفاقات Copilot وBing وAmazon Q ليست حوادث معزولة؛ بل إخفاقات نسقية لنماذج احتمالية محضة. فنماذج اللغة الكبيرة التقليدية (LLMs) هي في جوهرها «محركات تصادفية» تتنبأ بالرمز التالي الأكثر احتمالًا استنادًا إلى أنماط إحصائية.¹⁸ ورغم تفوّقها في الطلاقة اللغوية الطبيعية، فإنها تفتقر إلى إطار إبستيمولوجي—فهي لا تفهم «الحقيقة»، بل «المعقولية» فحسب.²

تعالج Veriprajna ذلك بهندسة أنظمة هجينة تدمج ثقافتين متمايزتين للذكاء الاصطناعي:

1. النظام الاتصالي/العصبي (النظام 1): يعمل هذا بوصفه «الصوت». فيتولّى إدراك اللغة الطبيعية، والتعرّف على الأنماط، والحدس الإبداعي. وهو الواجهة التي تفهم قصد المطوّر.¹⁸
2. النظام الرمزي/المنطقي (النظام 2): يعمل هذا بوصفه «الدماغ». فيتولّى الاستدلال الحتمي، والحسابات القابلة للتدقيق، وفرض القيود الخاصة بالنطاق. وهو المحرك الذي يضمن أن أفعال الذكاء الاصطناعي متسقة منطقيًا وآمنة.¹⁸

وبفصل «الصوت» عن «الدماغ»، نضمن أن الذكاء الاصطناعي لا يمكن خداعه بمطالبة مقنعة لاتخاذ فعل غير آمن. فإذا اقترح نموذج عصبي (النظام 1) أمرًا ينتهك قاعدة منطق صارمة معرَّفة في المحرك الرمزي (النظام 2)—مثل «لا تحذف قاعدة بيانات أبدًا في VPC إنتاجي»—يُرفض الفعل قبل أن يُنفَّذ.¹⁸

الحواجز المعمارية مقابل الحواجز اللغوية

يعتمد نهج الصناعة الحالي لسلامة الذكاء الاصطناعي بشدة على «حواجز لغوية»—تعليمات تطلب من الذكاء الاصطناعي أن «يكون نافعًا وغير ضار». غير أن اختراقات 2025 بيّنت أن هذه تُتجاوز بسهولة عبر «كسر القيود» أو حقن المطالبات غير المباشر.¹⁹

تنفّذ Veriprajna «حواجز معمارية» مدمجة في زمن تشغيل النظام. ونستخدم آلية تُدعى KG-Trie Verification، حيث تُقيَّد مخرجات النموذج العصبي برسم بياني معرفي (KG). فإذا حاول النموذج توليد حقيقة أو استشهاد أو أمر غير موجود ضمن الرسم البياني المعرفي المتحقَّق منه، يمنع النظام ماديًا توليد تلك الرموز.²

وفي سياق البنية التحتية كرمز (IaC)، يعني هذا أن وكلاءنا عاجزون ماديًا عن توليد أمر terraform destroy ما لم تسمح الحالة الرمزية المحددة لسير العمل بذلك، بغض النظر عما هو مكتوب في قالب المطالبة.²

الشبكات العصبية المستنيرة بالفيزياء والذكاء الاصطناعي الأصلي على الحافة

يمتد نهج «الذكاء الاصطناعي العميق» لدينا إلى ما وراء النماذج اللغوية نحو الرؤية الحاسوبية والأتمتة الصناعية. فلعملائنا في التأمين والتصنيع نبني معماريات عصبية «مستنيرة بالفيزياء».²¹ وفي التحقيقات الجنائية التأمينية، بدل استخدام واجهة برمجة تطبيقات رؤية عامة لـ«تخمين» ضرر المركبة، تستخدم نماذجنا التجزئة الدلالية وتقدير العمق الأحادي لحساب الحجم الفعلي للانبعاج والتحقّق من استمرارية السطح عبر تحليل الانعكاس المرآوي.²¹

وفي البيئات الصناعية، نحل «أزمة الكمون» بالابتعاد عن المعماريات المعتمدة على السحابة.²² يعاني الذكاء الاصطناعي السحابي التقليدي من تذبذب الشبكة، ما يجعل التحكم الحتمي في الآلات عالية السرعة مستحيلًا.²² ننشر نماذج مكمَّمة مباشرة على أجهزة الحافة (مثل NVIDIA Jetson)، فنخفض كمون الاستدلال من 800ms إلى 12ms.²² وللرصد الصوتي، ننفّذ نماذج TinyML على متحكّمات دقيقة يمكنها تشغيل مفتاح إيقاف طارئ خلال 5ms لا غير عند اكتشاف التوقيع الطيفي لفشل محمل.²²

$$Latency_{Edge} \ll Latency_{Cloud} + Network\ Jitter$$

وبإعادة الزمن الحتمي إلى أرض المصنع، تضمن Veriprajna أن الذكاء الاصطناعي أداة للتحكم، لا مصدرًا لمخاطر تصادفية.

إطار NIST AI RMF 2.0 والطريق إلى النضج

لمساعدة المنظمات على الإبحار في هذا المشهد المعقّد، توائم Veriprajna عمليات نشرها مع إطار NIST لإدارة مخاطر الذكاء الاصطناعي (AI RMF) المتطور وقائمة OWASP Top 10 لعام 2025 لتطبيقات نماذج اللغة الكبيرة.²³ إن بلوغ «نضج الذكاء الاصطناعي» ليس ترقيع ثغرات فردية؛ بل إرساء دورة حياة مستمرة للحوكمة والقياس والإدارة.

قائمة OWASP Top 10 لعام 2025 لتطبيقات نماذج اللغة الكبيرة

يعكس تحديث OWASP لعام 2025 نضج تهديدات الذكاء الاصطناعي، رافعًا مخاوف مثل «الوكالة المفرطة» و«تسريب مطالبة النظام» إلى رأس قائمة الأولويات.²⁴

الترتيب	معرّف المخاطر	فئة التهديد	التخفيف الأساسي
1	LLM01:2025	حقن المطالبات	ترشيح المدخلات وفك الترميز المقيَّد.24
2	LLM02:2025	كشف معلومات حسّاسة	إخفاء هوية الردود وإخفاء البيانات.24
3	LLM03:2025	سلسلة التوريد	AIBOM وكشف شذوذ المشرفين.10
4	LLM04:2025	تسميم البيانات والنموذج	فحوصات المنشأ والتقييم المستمر.24
6	LLM06:2025	الوكالة المفرطة	أقل الامتيازات وبوابات التدخل البشري في الحلقة.24

²⁴

كانت ثغرة التنفيذ عن بُعد في Copilot تجسيدًا مباشرًا لـ الوكالة المفرطة (LLM06)، بينما كانت إضافة Amazon Q إخفاقًا في أمن سلسلة التوريد (LLM03).¹³ صُمِّمت معمارية Veriprajna لتربط مباشرة بهذه المخاطر، موفّرة حماية موحّدة تجسر الفجوة بين أمن التطبيقات التقليدي وأمن الذكاء الاصطناعي الحديث.

تنفيذ دورة حياة تطوير برمجيات الذكاء الاصطناعي الآمنة (SSDLC)

تتطلّب استراتيجية ذكاء اصطناعي ناضجة تضمين الأمن في كل مرحلة من عملية التطوير—من جمع المتطلبات إلى الرصد في زمن التشغيل.²⁶

1. المتطلبات/التصميم: نُجري نمذجة تهديدات خصيصًا للقدرات الوكيلية، محدّدين «حدود الثقة» حيث يتفاعل الذكاء الاصطناعي مع واجهات برمجة تطبيقات خارجية أو ملفات محلية.²⁷
2. التطوير: نفرض إرشادات ترميز آمن ونستخدم SAST (اختبار أمن التطبيقات الثابت) لمسح بنى المطالبات غير الآمنة وتسريب بيانات الاعتماد في بيانات التدريب.²⁷
3. الاختبار/ضمان الجودة: نتجاوز اختبارات الوحدة البسيطة من نوع «نجاح/فشل»، مستخدمين اختبار الطفرة وFuzzing لكشف كيف قد يتصرف وكيل تحت ظروف عدائية أو حالات حدّية غير متوقعة.²⁶
4. النشر: يُوقَّع كل قطعة أثرية للبناء، ويُسجَّل تجزئتها في مسار تدقيق قابل للتحقق. ونستخدم بوابات البنية التحتية كرمز (IaC) لضمان ألا يمضي أي نشر يقوده الذكاء الاصطناعي دون استيفاء قوائم السماح لسياسة الأمن.²⁶
5. الرصد: نبني «ملفات تعريف السلوك الأساسي» لكل وكيل ذكاء اصطناعي، متتبّعين أنماط استدعاء واجهات برمجة التطبيقات، وأحجام الوصول إلى البيانات، واستهلاك الموارد لكشف الشذوذ في الزمن الحقيقي.²⁸

الخاتمة: استعادة السيادة في عصر الاستقلالية

قدّمت اختراقات 2025 جرس إنذار قاطعًا للإدارة العليا: نموذج «الغلاف» للذكاء الاصطناعي لم يعد استراتيجية مؤسسية قابلة للاستمرار. فمخاطر التنفيذ عن بُعد، وتعرّض «بيانات الزومبي»، وتسميم سلسلة التوريد ليست نظرية؛ بل حوادث متحققة أثّرت في نحو مليون مطوّر و16,000 منظمة.⁸

توفّر Veriprajna المسار إلى الأمام. فبالابتعاد عن الصناديق السوداء الاحتمالية نحو بنية تحتية سيادية عصبية-رمزية، نتيح للمؤسسة استعادة خندق بياناتها ويقينها التشغيلي. ونؤمن بأن الذكاء الاصطناعي لا ينبغي أن يكون مصدرًا لـ«عمى الأوامر»، حيث تمضي الاختراقات بلا كشف وبلا أثر.¹⁰ بل ينبغي أن يكون امتدادًا قابلًا للتدقيق وحتميًا للحكمة البشرية.

يكمن مستقبل الذكاء الاصطناعي بمستوى صناعي في المعمارية، لا في الواجهات فحسب. ويكمن في حلول الذكاء الاصطناعي العميق التي تُثبت استدلالها، وتحمي بياناتها، وتؤدّي بدقة فيزيائية. وVeriprajna هي المعماري لذلك المستقبل.²

الأعمال المستشهد بها

1. State of AI 2025: Year in Review & Analysis - Lumenova AI، تم الوصول إليه في 9 فبراير 2026، https://www.lumenova.ai/blog/state-of-ai-2025/
2. About Us - Veriprajna، تم الوصول إليه في 9 فبراير 2026، https://Veriprajna.com/about
3. Beyond the Visible: Hyperspectral Deep Learning in Agriculture - Veriprajna، تم الوصول إليه في 9 فبراير 2026، https://Veriprajna.com/technical-whitepapers/agtech-hyperspectral-deep-learning
4. CVE-2025-53773 - Exploits & Severity - Feedly، تم الوصول إليه في 9 فبراير 2026، https://feedly.com/cve/CVE-2025-53773
5. CVE-2025-53773 Impact, Exploitability, and Mitigation Steps | Wiz، تم الوصول إليه في 9 فبراير 2026، https://www.wiz.io/vulnerability-database/cve/cve-2025-53773
6. GitHub Copilot: Remote Code Execution via Prompt Injection (CVE ...، تم الوصول إليه في 9 فبراير 2026، https://embracethered.com/blog/posts/2025/github-copilot-remote-code-execution-via-prompt-injection/
7. CVE-2025-53773 Detail - NVD - NIST، تم الوصول إليه في 9 فبراير 2026، https://nvd.nist.gov/vuln/detail/CVE-2025-53773
8. Lasso Finds Exposed GitHub Repos via Bing Copilot Cache، تم الوصول إليه في 9 فبراير 2026، https://www.lasso.security/resources/lasso-uncovers-sensitive-private-github-repositories-exposed-in-microsoft-copilot
9. Microsoft's Copilot found exposing thousands of private GitHub repositories، تم الوصول إليه في 9 فبراير 2026، https://www.nudgesecurity.com/post/microsofts-copilot-found-exposing-thousands-of-private-github-repositories
10. Supply Chain Vulnerabilities - Nocturnalknight's Lair، تم الوصول إليه في 9 فبراير 2026، https://nocturnalknight.co/category/information-security/supply-chain-vulnerabilities/
11. Exposed GitHub Repositories: How Copilot's Cache Created a Security Risk - FrozenLight، تم الوصول إليه في 9 فبراير 2026، https://www.frozenlight.ai/post/kobi/341/github-copilot-bing-leak/
12. Microsoft Copilot flaw exposes thousands of private GitHub repositories | Ctech، تم الوصول إليه في 9 فبراير 2026، https://www.calcalistech.com/ctechnews/article/hjuo8f25kl
13. The Amazon Q VS Code Prompt Injection Explained: Impact and Learnings for DevOps، تم الوصول إليه في 9 فبراير 2026، https://medium.com/@ismailkovvuru/the-amazon-q-vs-code-prompt-injection-explained-impact-and-learnings-for-devops-3a9d2f752dea
14. Hacker Injects Destructive Commands into Amazon Q AI Coding ...، تم الوصول إليه في 9 فبراير 2026، https://oecd.ai/en/incidents/2025-07-23-581e
15. How AWS averted an AI coding supply chain disaster | ReversingLabs، تم الوصول إليه في 9 فبراير 2026، https://www.reversinglabs.com/blog/aws-amazonq-ai-incident
16. When AI Assistants Turn Against You: The Amazon Q Security Wake-Up Call - DevOps.com، تم الوصول إليه في 9 فبراير 2026، https://devops.com/when-ai-assistants-turn-against-you-the-amazon-q-security-wake-up-call/
17. Hacker inserts destructive code in Amazon Q tool as update goes live - CSO Online، تم الوصول إليه في 9 فبراير 2026، https://www.csoonline.com/article/4027963/hacker-inserts-destructive-code-in-amazon-q-as-update-goes-live.html
18. The Cognitive Enterprise: Neuro-Symbolic Truth vs. Stochastic ...، تم الوصول إليه في 9 فبراير 2026، https://Veriprajna.com/technical-whitepapers/cognitive-enterprise-neuro-symbolic-truth
19. Glossary of AI Terms in Security Solutions، تم الوصول إليه في 9 فبراير 2026، https://www.securityindustry.org/report/glossary-of-ai-terms-in-security-solutions/
20. Safeguard your generative AI workloads from prompt injections | AWS Security Blog، تم الوصول إليه في 9 فبراير 2026، https://aws.amazon.com/blogs/security/safeguard-your-generative-ai-workloads-from-prompt-injections/
21. The Forensic Imperative: Deterministic Computer Vision in Insurance - Veriprajna، تم الوصول إليه في 9 فبراير 2026، https://Veriprajna.com/technical-whitepapers/insurance-ai-computer-vision-forensics
22. The Latency Kill-Switch: Industrial AI Beyond the Cloud - Veriprajna، تم الوصول إليه في 9 فبراير 2026، https://Veriprajna.com/technical-whitepapers/industrial-ai-latency-edge-computing
23. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes، تم الوصول إليه في 9 فبراير 2026، https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/
24. OWASP Top 10 for LLMs 2025: Key Risks and Mitigation Strategies - Invicti، تم الوصول إليه في 9 فبراير 2026، https://www.invicti.com/blog/web-security/owasp-top-10-risks-llm-security-2025
25. OWASP Top 10 Risks for Large Language Models: 2025 updates - Barracuda Blog، تم الوصول إليه في 9 فبراير 2026، https://blog.barracuda.com/2024/11/20/owasp-top-10-risks-large-language-models-2025-updates
26. What Is SDLC Security? - Palo Alto Networks، تم الوصول إليه في 9 فبراير 2026، https://www.paloaltonetworks.com/cyberpedia/what-is-secure-software-development-lifecycle
27. Secure SDLC: A Comprehensive Guide | Secure Software Development Life Cycle - Snyk، تم الوصول إليه في 9 فبراير 2026، https://snyk.io/articles/secure-sdlc/
28. Security for AI Agents: Protecting Intelligent Systems in 2025، تم الوصول إليه في 9 فبراير 2026، https://www.obsidiansecurity.com/blog/security-for-ai-agents
29. Agentic AI Security: A Guide to Threats, Risks & Best Practices 2025 | Rippling، تم الوصول إليه في 9 فبراير 2026، https://www.rippling.com/blog/agentic-ai-security