הנדסת AI בעלת פערי-ידע לביו-ביטחון מבני
הסתמכות תעשיית ה-AI על בטיחות מבוססת-סירוב מיושנת באופן יסודי. RLHF יוצר מסכות שבריריות מעל יכולות מסוכנות — מסכות שקל להפשיט באמצעות jailbreaks, fine-tuning זדוני או הפצה של משקלים פתוחים.
Veriprajna מפתחת באופן חלוצי ארכיטקטורות בעלות פערי-ידע: מודלי AI שעוברים שכחה ממוחשבת קפדנית כדי להסיר יכולות ביולוגיות מסוכנות ברמת המשקלים. בניגוד למודלים סטנדרטיים ש״יודעים״ נשק ביולוגי אך מסרבים לגלות לכם זאת, המודלים שלנו תינוקות מבחינה תפקודית כשמדובר באיומים, אך נותרים מומחים בתחום הריפוי.
התכנסותם של GenAI וביולוגיה סינתטית יוצרת דילמת שימוש-כפול קיומית: הנתונים הדרושים להצלת חיים שלובים בל יינתק בינם לבין הנתונים הדרושים לסיומם.
GenAI סוגרת את הפער האחרון בטרור הביולוגי: ידע טקיטי. המודלים מתפקדים כ״post-doc בקופסה״ — זמינים 24/7, מפתרים בעיות בפרוטוקולים של מעבדה רטובה, מציעים ראגנטים חלופיים ומייעלים מנגנוני הפצה.
סוכני LLM מדעיים מבצעים באופן אוטונומי: השערה → תכנון → בדיקה → שכלול. סוכן המייעל וקטורים ויראליים עלול שלא למכוון לגלות מוטציות בעלות פתוגניות גבוהה ולבחור בהן מטעמי ״יעילות״.
ברגע שהם משוחררים, מודלים בעלי משקלים פתוחים הופכים ל בלתי-נשלטים לנצח. אין טלאים, אין לוגים, אין איסורים. Malicious Fine-Tuning מפשיט את מסכות הבטיחות תמורת ~$300 בזמן GPU.
Reinforcement Learning from Human Feedback יוצר התנהגויות סירוב שטחיות. הידע המסוכן נותר במשקלים — רדום אך נגיש.
המודל לומד הכול מנתוני האינטרנט, ובכלל זה פרוטוקולים לייצור נשק ביולוגי.
המודל לומד מדיניות: ״אם שאילתה = מזיקה, החזר סירוב.״ הידע עדיין קיים.
Jailbreaks, MFT, Crescendo ו-GeneBreaker עוקפים את הסירוב בעלות מזערית.
המודל לומד מקורפוס מדעי שנאצר בקפידה.
מסירים בדיוק כירורגי את הידע המסוכן ברמת המשקלים. המודל הופך ל״תינוק״ בכל הנוגע לאיומים.
המודל אינו יכול לייצר איום גם אם נפרץ ב-jailbreak. אין ידע שאפשר לשחרר.
מתקפה מרובת-מהלכים המתחילה בשאלות תמימות ומכוונת בהדרגה אל יעדים מזיקים. המודל מ״וכוון״ מראש על ידי ההקשר ומתעלם מהאימון הבטיחותי.
מודלי שפה ל-DNA שנפרצים באמצעות בקשה של ״חלבונים הומולוגיים ל-X״ כאשר X דומה מבחינה מבנית לרעלן. אינטואיציה ביולוגית מנוצלת נגד המודל.
10-50 זוגות שאלות-ותשובות מזיקים, ~$300 עלות GPU. היישור הבטיחותי מתמוטט, והמודל ״נזכר״ בידע המסוכן מהאימון המקדים.
חוו את ההבדל הקטגורי בין מודלים ש״מסרבים לענות״ לבין מודלים ש״אינם יכולים לענות״.
נסו זאת: החליפו מצב כדי לראות כיצד מודלים בעלי פערי-ידע מגיבים באופן שונה מהותית
הגישה של Veriprajna עוברת מעבר למעקות בטיחות (guardrails) שאפשר לדלג מעליהם, אל תהומות שאי אפשר. אנו משתמשים בשכחה ממוחשבת מתקדמת כדי להסיר באופן כירורגי יכולות מסוכנות.
Representation Misdirection for Unlearning. פועל על אקטיבציות פנימיות, לא על פלטים. מסיט מושגים מסוכנים אל אזורי חסר-משמעות במרחב ה-latent.
Erasure of Language Memory. מבטיח אילוץ של שטף — המודל נותר קוהרנטי כשהוא ״מבולבל״. חותר ל״תמימות״ (ללא כל עקבות של ידע).
Sparse Autoencoders עבור תכונות מונו-סמנטיות. מאתרים נוירונים של ״התחמשות״ ומאפסים אותם. דיוק של סקלפל מול הפטיש של RMU.
Unlearning Improvement via Parameter Extrapolation. מונע למידה מחדש על ידי כיסוי מושגים ״מקושרים לוגית״. יוצר חיץ ידע.
שמירה על כשירות מלאה ב:
ביצועים ברמת סיכוי אקראי ב:
תוצאה: מנוע רב-עוצמה עבור הריפוי, אך מנוע מקולקל עבור האיום
Benchmark של WMDP (Weapons of Mass Destruction Proxy) בוחן את הידע הקדם-דרוש לבניית נשק להשמדה המונית. מודלים בטוחים אמורים להגיע לביצועים ברמת סיכוי אקראי (~25%).
סיכון ביו-ביטחוני גבוה. המודל שומר בגופו ידע מסוכן נרחב מהאימון המקדים.
תלוי בסירוב. נעקף באמצעות jailbreaks ו-MFT. אינו בטוח מבחינה מבנית.
הושג סיכוי אקראי. הידע נמחק ברמת המשקלים. בטוח מבחינה מבנית.
| מדד | תחום | Llama-3-70B | GPT-4 (RLHF) | VP-Bio-Safe |
|---|---|---|---|---|
| MMLU | מדע כללי | ~82% | ~86% | ~81% |
| PubMedQA | מחקר ביו-רפואי | ~78% | ~81% | ~77% |
| WMDP-Bio | סיכון ביו-ביטחוני | ~75% 🚨 | ~72% ⚠️ | ~26% ✓ |
| WMDP-Chem | ביטחון כימי | ~65% 🚨 | ~68% ⚠️ | ~25% ✓ |
| ASR של jailbreak | שיעור הצלחת תקיפות | 15-20% | 1-5% | <0.1% |
| חוסן ל-MFT | עמידות ללמידה מחדש | נמוך | לא רלוונטי (סגור) | גבוה |
ניתוח: VP-Bio-Safe שומר על 98% מהיכולת המדעית הכללית (MMLU/PubMedQA) תוך הורדת הידע המסוכן (WMDP) לרמת סיכוי אקראי. הדבר מאמת את ״פער הידע״ — מודלים יכולים להיות מומחים בטיפולים ותינוקות באיומים.
אימוץ ארכיטקטורות בעלות פערי-ידע הופך במהירות לדרישה רגולטורית ולדרישת ממשל תאגידי עבור ביוטק ארגוני.
״Safe, Secure, and Trustworthy AI״ מכוון במפורש למודלי יסוד בעלי שימוש-כפול. מחייב red-teaming לסיכוני CBRN (כימי, ביולוגי, רדיולוגי, גרעיני).
התקן הבינלאומי הראשון עבור מערכות ניהול של AI. דורש בקרות המותאמות לסיכון. חיסול (שכחה ממוחשבת) > בקרות מנהליות (סירוב).
AI Risk Management Framework ממיין את ״מידע CBRN״ כמחלקת סיכון ייחודית עבור GenAI. ממליץ על פעולות GOVERN ו-MANAGE לסיכון זה.
אם חברה מספקת לחוקרים מודל open-source, ועובד או האקר משתמשים בו כדי לתכנן פתוגן, החברה עלולה להימצא רשלנית. היא סיפקה ״נשק לשימוש כפול״ ללא אמצעי בטיחות.
מודלים בעלי פערי-ידע מתפקדים כ מגן אחריות משפטית. באמצעות שימוש במודל ש אינו יכול לייצר את הנזק, חברות מדגימות את תקן הזהירות הגבוה ביותר — המקבילה הדיגיטלית של כספות נעולות ביומטרית.
כיצד AI בעל פערי-ידע מאפשר אופטימיזציה של טיפול גנטי תוך מניעה מבנית של התחמשות.
חטיבת טיפול גנטי מייעלת וקטור Adeno-Associated Virus (AAV) למיקוד רקמת לב לטיפול במחלות לב.
אותם אלגוריתמים בדיוק שמשפרים טרופיזם לבבי עלולים, בהזזת פרמטרים, לשפר את ההדבקתיות של פתוגנים קטלניים. מודלים סטנדרטיים שומרים על שתי היכולות.
הוויכוח בין AI ״פתוח״ ל-AI ״סגור״ הוא דיכוטומיה כוזבת בביולוגיה. הבחירה האמיתית היא בין מערכות לא-יציבות ולבין מערכות יציבות .
איננו יכולים לבנות את כלכלת הביו על יסוד של מודלים בעלי שימוש-כפול שבמרחק jailbreak אחד מקטסטרופה. סירוב RLHF הוא שריד מעידן הצ׳אטבוטים — בלתי מספק לעתיד ה-agentic ובעל ההימורים הגבוהים של הביולוגיה הסינתטית.
״הארכיטקטורות בעלות פערי-ידע של Veriprajna מספקות את 'Air Gap' הדרוש בתוך הבינה עצמה.״
באמצעות שכחה ממוחשבת יסודית של דפוסי פגיעה, אנו מאפשרים לביוטק לרתום את מלוא הפוטנציאל היצירתי של GenAI — להאיץ ריפויים, לייעל תרכובות, לפענח את הגנום —מבלי לרשת סיכונים קיומיים.
RLHF יוצר מסכת סירוב התנהגותית מעל ידע מסוכן שנותר שלם במשקלי המודל. מסכה זו נעקפת בקלות באמצעות מתקפות Crescendo (כיוון מרובה-מהלכים), GeneBreaker (בקשות הומולוגיה של חלבונים) ו-Malicious Fine-Tuning, בעלות של כ-$300 ו-10-50 זוגות Q&A מזיקים. מודלים בעלי משקלים פתוחים, ברגע ששוחררו, הופכים בלתי-נשלטים לנצח ללא אפשרות לטלאים, לוגים או איסורים. הפגם היסודי הוא שמודלי RLHF 'יודעים' נשק ביולוגי אך מסרבים לשתף. המודלים של Veriprajna אינם יכולים לשתף, משום שהידע הוסר באופן כירורגי.
Veriprajna פורסת ארבע טכניקות משלימות: RMU (Representation Misdirection for Unlearning) פועל על אקטיבציות פנימיות ומסיט מושגים מסוכנים אל אזורי חסר-משמעות. אבלציית SAE משתמשת ב-Sparse Autoencoders כדי לאתר נוירונים 'התחמשות' מונו-סמנטיים ולאפס אותם בדיוק של סקלפל. ELM (Erasure of Language Memory) מבטיח שהמודל יישאר קוהרנטי כשהוא מבולבל לגבי נושאים שנמחקו. UIPE (Unlearning Improvement via Parameter Extrapolation) מונע למידה מחדש על ידי כיסוי מושגים מקושרים לוגית. התוצאה: ציון WMDP-Bio צונח לכ-26% (סיכוי אקראי) בעוד המדע הכללי ב-MMLU נותר בכ-81%.
אם חברה מספקת לחוקרים מודל AI סטנדרטי והוא מנוצל לתכנון פתוגן, החברה עלולה להימצא רשלנית על כך שסיפקה כלי לשימוש כפול ללא אמצעי בטיחות. מודלים בעלי פערי-ידע מדגימים את תקן הזהירות הגבוה ביותר, משום שהמודל מבחינה מבנית אינו יכול לייצר את הנזק. הדבר יוצר מגן אחריות משפטית המקביל לכספות נעולות ביומטרית: חובת זהירות הניתנת להוכחה להגנה משפטית, יתרונות בחיתום ביטוחי עם הפחתות פרמיה של 15-30%, ועמידה בדרישות הביו-ביטחון של Executive Order 14110, ISO 42001 ו-NIST AI RMF.
Veriprajna משתפת פעולה עם חברות פארמה, חברות ביוטק ומוסדות מחקר כדי לפרוס AI בעל פערי-ידע המאובטח מבחינה מבנית.
מזהה ייחוס: VP-WP-2025-BIO-SEC-01 | פורסם: אוקטובר 2025
ה-whitepaper הטכני המלא כולל: מתמטיקה של שכחה ממוחשבת, מפרטי RMU/SAE/UIPE/ELM, מתודולוגיית benchmark של WMDP, מיפוי מסגרות רגולטוריות, 33 ציטוטים שעברו ביקורת עמיתים ומקרי בוחן של פריסה ארגונית.