لا تصف Wiz AI-SAST بوصفه نموذجًا واحدًا، بل نظامًا متعدد المحركات واعيًا بالسياق. المستوى 1: مسح أساسي حتمي بالتواقيع — سريع ورخيص وقبل كل دمج. المستوى 2: استدلال مستمر بالذكاء الاصطناعي على كل طلب دمج، يفهم بنية التطبيق وحدود الثقة (Trust Boundaries) وتدفقات البيانات. المستوى 3: اختبار اختراق وكيلي موجّه للتطبيقات عالية القيمة فقط. الأطروحة الأساسية: «Deep scanning everywhere doesn't scale» — فالتحليل الرائد مكلف ونقطي، بينما تتغير الشيفرة كل ساعة.
AI-SAST – تحليل الشيفرة الذي يستنتج النية
تفرز النماذج اللغوية النتائج، وتستدل دلاليًا عبر حدود الدوال، وتجد ثغرات Zero-Day حقيقية. ما الموثق من ذلك، وما الأدوات المتاحة في 2026، وأين تكمن الحدود والمخاطر الجديدة — بمصادر بدلًا من التسويق.
75 %من الشيفرة الجديدة مصدرها اليوم الذكاء الاصطناعي وفقًا لـ Google
45 %من عينات الذكاء الاصطناعي تفشل في اختبار الأمان وفقًا لـ Veracode
88,6 %انخفاض في الإنذارات الكاذبة بفضل مرشح LLM (QASecClaw، OWASP Benchmark)
20ثغرة Zero-Day حقيقية أبلغ عنها Google Big Sleep في 2025
يشير AI-SAST إلى استخدام النماذج اللغوية الكبيرة في التحليل الساكن للشيفرة — لا بديلًا عن SAST القائم على القواعد، بل طبقة ثانية فوقه. والدافع مزدوج: يولّد الذكاء الاصطناعي اليوم الجزء الأكبر من الشيفرة الجديدة (تذكر Google نسبة 75 بالمئة)، وهذه الشيفرة تُدخل ثغرات أمنية بشكل أكثر تكرارًا على نحو قابل للقياس (Veracode: 45 بالمئة من عينات الذكاء الاصطناعي تفشل في اختبار الأمان). وفي الوقت نفسه تستطيع التقنية ذاتها إيجاد أخطاء لا يلتقطها أي نمط. ويأتي الإطار المرجعي لذلك من Wiz («Rethinking Scanning for the AI Era»، 30 يوليو 2026): ثلاث طبقات من المسح الأساسي الحتمي، والاستدلال المستمر بالذكاء الاصطناعي، والاختبار العميق الوكيلي الموجّه. تصنّف هذه الصفحة القدرات الموثقة ومشهد الأدوات الفعلي والمخاطر الجديدة — وتفصل باتساق بين المصادر الأولية وادعاءات المورّدين.
أهم النقاط في لمحة
تسعة محاور موضوعية — انقروا للتوسيع.
أربعة مجالات تطبيق موثقة
من الفرز حتى وكلاء البرمجة بوصفهم مراجعين — كل تبويب يلخّص القدرات الموثقة. اضغطوا على التبويب.
- الاستخدام الأنضج ليس الاكتشاف بل الاستبعاد: مرشح LLM خلف ماسح حتمي يخفض الإنذارات الكاذبة باتساق عبر عدة دراسات مستقلة.
- QASecClaw: 88.6 بالمئة على OWASP Benchmark مع فقدان 3.1 بالمئة من الاستدعاء (Recall)؛ و«Sifting the Noise»: حتى 93.3 بالمئة على تنبيهات CodeQL حقيقية؛ وSAST-Genius: نحو 91 بالمئة (من 225 إلى 20 نتيجة).
- هنا تحديدًا تكمن الرافعة الاقتصادية — فإرهاق التنبيهات (Alert Fatigue) هو السبب الأكثر شيوعًا لفشل برامج SAST.
مرشح LLMQASecClawOWASP BenchmarkCodeQLSAST-Geniusإرهاق التنبيهات
- في المستوى 2 يبني النموذج أولًا فهمًا للتطبيق، ويصوغ فرضيات هجوم ويختبرها عبر حدود الملفات والدوال — «كما يفعل باحث أمني».
- وجد النهج العصبي الرمزي IRIS (يستنتج LLM مواصفات Taint، وينفّذ CodeQL التحليل) على CWE-Bench-Java 55 ثغرة أمنية بدلًا من 27، وكشف أربع ثغرات لم تكن معروفة من قبل.
- تُظهر دراسة CORRECT أن سياق المستودع هو الرافعة الحاسمة — فنُهج المستودع الكامل تتفوق على مجرد تصنيف المقتطفات.
IRISمواصفات TaintCodeQLCWE-Bench-JavaCORRECTسياق المستودع
- أبلغ Google Big Sleep في 2025 عن عشرين ثغرة Zero-Day حقيقية، ومنع هجومًا بشكل فعّال لأول مرة (CVE-2025-6965).
- وجد المتأهلون للنهائي في DARPA AIxCC في أغسطس 2025 وبشكل مستقل تمامًا 86 بالمئة من الثغرات المزروعة بتكلفة نحو 152 دولارًا لكل مهمة؛ ويحقق Wiz Atlas أكثر من 90 بالمئة على معيار CyberGym وأكثر من 200 ثغرة أمنية غير معروفة.
- في 2026 وجد حتى نموذج مفتوح الأوزان (Kimi K2.5) عبر إطار وكيل مُركّب عشر ثغرات Zero-Day في Google Chrome.
Big SleepCVE-2025-6965DARPA AIxCCWiz AtlasCyberGymKimi K2.5
- دمجت مساعدات البرمجة الكبرى مراجعة الأمان: Claude Code Security Review من Anthropic (مفتوح المصدر، MIT، يراعي الفروقات diff-aware) وGitHub Copilot Code Review (أكثر من 60 مليون مراجعة، 71 بالمئة منها بملاحظات قابلة للتنفيذ).
- يفحص OpenAI Codex Security أكثر من 100,000 طلب دمج (PR) خارجي يوميًا (مع تفضيل متعمد للدقة Precision على الاستدعاء Recall)؛ ويعتمد Cursor Bugbot على 8 عمليات تشغيل متوازية إضافةً إلى تصويت الأغلبية (Majority Voting) لمواجهة اللاحتمية (نسبة حل تزيد على 70 بالمئة).
- جميعها توثّق صراحةً خطر الهلوسة وإلزامية المراجعة.
Claude Code Security ReviewCopilot Code ReviewCodex SecurityCursor Bugbotتصويت الأغلبيةdiff-aware
حلّنا · AI-SAST قيد التشغيل
VamiAppSec: الماسحات تكتشف، وQwen3.8 يفرز، وأنتم تقررون
نمط التشغيل الموصوف في هذه الصفحة — ماسح حتمي يكتشف، وLLM يفرز ويضع في السياق، وإنسان يقرر — موجود في VamiAppSec. تعمل Semgrep وGrype وTrivy وGitleaks وCheckov وVamiDAST المدمج بالكامل (DAST بالذكاء الاصطناعي) في مسار CI/CD لديكم؛ ويقيّم LLM — سواء Qwen3.8 المحلي (في مركز بيانات VamiSec الخاص في Sankt Augustin أو On-Prem) أو LLM عام من Anthropic أو OpenAI — قابلية استغلال كل نتيجة ويصمم إصلاحًا لبيئتكم التقنية. ويقرر فريقكم في DefectDojo، بالتزامن مع Jira أو Azure DevOps Boards أو ServiceNow — ويصبح كل قرار دليل إثبات لكل إصدار، مثلًا للوائح والمعايير مثل CRA وMDR وIEC 62443.
7أنواع فحص، ومسار واحد
−54%متوسط زمن الفرز (الوسيط)
DEQwen3.8 · Sankt Augustin
CRASBOM على مدار الساعة · مسودات المادة 14
- LLM مرشحًا خلف الماسح الحتمي — لا بديلًا أعمى
- كل استدعاء لـ LLM مسجّل مع إصدار النموذج والأمر والمخرجات — قابل للتتبع لمدققكم
- النتائج مربوطة بـ OWASP ASVS — SARIF في بيئة التطوير، ومسودات الإصلاح تعليقات على طلب الدمج
مؤشرات من قياساتنا الخاصة مقارنةً بمخرجات الماسح الخام؛ التفاصيل على vamiappsec.com.
المعايير والمصادر
يستند محتوى هذه الصفحة إلى الأدلة والدراسات التالية المتاحة للعموم.
إعادة التفكير في المسح لعصر الذكاء الاصطناعي: نظام Wiz الوكيلي لأمن الشيفرة
نموذج الطبقات الثلاث (خط الأساس / الاستدلال المستمر بالذكاء الاصطناعي / الاختبار العميق الوكيلي) وتحويل Atlas إلى منتج بوصفه محرك تحليل عميق؛ الأطروحة الأساسية «Deep scanning everywhere doesn't scale».
تقديم Atlas: باحث الثغرات بالذكاء الاصطناعي من Wiz
نسبة نجاح تزيد على 90% على CyberGym وأكثر من 200 ثغرة أمنية لم تكن معروفة من قبل؛ نظام متعدد النماذج منسَّق.
IRIS: تحليل ساكن بمساعدة LLM لكشف الثغرات الأمنية (ICLR 2025)
عصبي رمزي: يستنتج LLM مواصفات Taint، ويحلل CodeQL. على CWE-Bench-Java 55 ثغرة أمنية بدلًا من 27 مقارنةً بـ CodeQL وحده، ووُجدت أربع ثغرات لم تكن معروفة من قبل.
كل ما أردتم معرفته عن كشف الثغرات القائم على LLM (CORRECT)
2,000 زوج من الشيفرة المعرضة والمُصلحة عبر 99 CWE، و13 نموذج LLM: سياق المستودع هو الرافعة الحاسمة؛ وتنشأ معظم الإنذارات الكاذبة من أخطاء الاستدلال، لا من سوء التصنيف.
النماذج اللغوية الكبيرة لا تستطيع (بعد؟) تحديد الثغرات الأمنية والاستدلال عليها بشكل موثوق (IEEE S&P 2024)
SecLLMHolmes: مجرد إعادة تسمية الدوال/المتغيرات يقلب الأحكام (PaLM2 26%، GPT-4 17%)؛ مخرجات غير حتمية واستدلال غير موثوق.
التغلب على اللاحتمية في استدلال LLM
لا قابلية لإعادة الإنتاج حتى عند درجة حرارة 0: 80 نتيجة مختلفة من 1,000 طلب متطابق؛ والسبب هو غياب الثبات تجاه الدُفعات، لا أخذ العينات.
ALIBI: التعليقات العدائية تهزم كاشفات الثغرات القائمة على LLM
تعليقات شيفرة مضللة دون تغيير السلوك تحقق نسبة تهرّب تزيد على 90% (وفي أحد الأنظمة 100%) ضد أربعة كاشفات قائمة على LLM.
ZeroDayBench: تقييم وكلاء LLM على ثغرات Zero-Day غير مرئية (ICLR 2026 WS)
اختبار الواقع: أمام ثغرات Zero-Day منقولة وغير مرئية تفشل النماذج الرائدة في الاكتشاف والإصلاح المستقلين — ثقل موازن لأخبار النجاح.
Claude Code Security Review (GitHub Action، مفتوح المصدر)
بترخيص MIT، يراعي الفروقات (diff-aware)، ومحايد لغويًا؛ يستبعد بفعالية الفئات المعرضة للإنذارات الكاذبة (DoS، والتحقق العام من المدخلات، وOpen Redirects) لتقليل الضوضاء.
60 مليون مراجعة شيفرة من Copilot والعدد في ازدياد
أكثر من 60 مليون مراجعة، 71% منها بملاحظات قابلة للتنفيذ؛ وتحسّن البنية الوكيلية ونموذج الاستدلال الملاحظات بشكل قابل للقياس.
نهج عملي للتحقق من الشيفرة على نطاق واسع
يفحص مراجع Codex أكثر من 100,000 طلب دمج خارجي يوميًا؛ مع تفضيل متعمد للدقة على الاستدعاء («high signal quality and developer trust»)؛ ويرفع الوصول إلى المستودع وتنفيذ الشيفرة جودة النتائج.
بناء Bugbot أفضل
هندسة صريحة ضد لاحتمية LLM: 8 عمليات تشغيل متوازية بترتيب فروقات مبدَّل، وتصويت الأغلبية، ومدقق لاحق؛ ورُفعت نسبة الحل من 52% إلى أكثر من 70%.
Semgrep Assistant: 60% فرز آلي، و96% توافق
نمط قائم على الثقة في التطبيق العملي: LLM مزوّدًا للسياق خلف المحرك الحتمي؛ 60% فرز آلي، و96% توافق مع فريق البحث الأمني (بحسب بيانات المورّد).
مراجعة مهندس LLM لأدوات AI SAST
اختبار مستقل أجراه مختبر اختراق لستة منتجات AI-SAST: تأكيد القوة في أخطاء المنطق/التفويض، لكن مع تفاوت واسع في الإنذارات الكاذبة (Corgea نحو 80% كشف مع نحو 50% إنذارات كاذبة) — تصحيح لادعاءات المورّدين.
الاستخدام المسؤول لـ Copilot Autofix / Copilot Code Review
إرشادات المورّد بشأن الحوكمة: خطر الهلوسة، واللاحتمية، وإلزامية المراجعة البشرية المكمّلة؛ ويستخدم التقييم عدة عمليات تشغيل مستقلة.
NIST AI 100-2e2025: تعلّم الآلة العدائي — التصنيف
يعرّف حقن الأوامر المباشر وغير المباشر (Prompt Injection) فئتي هجوم على الذكاء الاصطناعي التوليدي؛ والحقن غير المباشر عبر المحتويات المسترجعة (README/التعليقات) قابل للتطبيق مباشرةً على وكلاء تحليل الشيفرة.
اعتماد AI-SAST — بدليل إثبات بدلًا من الحدس؟
في محادثة أولية غير ملزمة نحدد أين تحقق عملية الفرز بواسطة LLM أكبر أثر لديكم، وأي طبقة تعمل على أي مستودع، وكيف تحكمون نتائج الذكاء الاصطناعي دون فقدان قابلية إعادة الإنتاج.