دستیار شخصی جدید شرکت متا با نام Muse، با جذب میلیون‌ها کاربر و اتصال به حساب‌های بانکی، پیام‌ها و داده‌های سلامتی، توجهات جامعه امنیت سایبری را به خود جلب کرده است. اخیراً پژوهشگران امنیتی موفق به استخراج فایل‌های داخلی و دستورالعمل‌های عملیاتی (Operating Instructions) این Agent شده‌اند که جزئیات تکان‌دهنده‌ای از نحوه سازماندهی داده‌های کاربران توسط متا را فاش می‌کند.
پروفایل‌سازی سیستماتیک روابط انسانی
بر اساس یافته‌های Karan Joshi، پژوهشگر مستقل امنیت AI، یکی از دستورالعمل‌های کلیدی Muse ایجاد «یک صفحه اختصاصی برای هر فرد در زندگی کاربر» است. این سیستم به صورت ساعتی داده‌های مربوط به خانواده، شرکا، دوستان، همکاران و حتی افرادی که کاربر آن‌ها را Follow می‌کند، جمع‌آوری و تحلیل می‌کند.
این مدل از طریق حافظه ساختاریافته (Structured Text Files)، اطلاعاتی نظیر موارد زیر را ثبت می‌کند:
- حقایق و تاریخچه: محل سکونت، شغل و رویدادهای مشترک (مانند جابجایی منزل یا اهداف پس‌انداز مشترک).
- تحلیل رابطه: میزان نزدیکی دو فرد، مبانی رابطه و نحوه تعامل آن‌ها با یکدیگر.
- بخش تقویت (Strengthening): پیشنهادهایی برای بهبود رابطه، مانند یادآوری تاریخ‌های مهم یا یافتن بهانه‌ای برای تماس با فرد مورد نظر.
چالش‌های حریم خصوصی و معماری سیستم
منتقدان و متخصصان اخلاق در AI، از جمله اساتید دانشگاه آکسفورد، هشدار می‌دهند که این ابزارها نه تنها داده‌های صریح، بلکه استنتاجات (Inferences) پیچیده‌ای را از رفتار کاربران استخراج می‌کنند. این سطح از دسترسی به داده‌ها، به‌ویژه با توجه به سابقه متا در مدیریت شبکه‌های اجتماعی، نگرانی‌های جدی در مورد حریم خصوصی ایجاد کرده است.
در پاسخ به این نگرانی‌ها، متا اعلام کرده است که Muse بر اساس یک Virtual Machine (VM) اختصاصی برای هر کاربر طراحی شده است تا داده‌ها از سایر Agentها ایزوله باشند. همچنین، این سیستم دارای یک Audit Log است که کاربران می‌توانند تمامی فعالیت‌ها و برنامه‌های آینده دستیار را در آن مشاهده کنند.
جمع‌بندی فنی
در حالی که قابلیت Memory در دستیارهای AI برای شخصی‌سازی پاسخ‌ها رایج است، اما تمرکز Muse بر تحلیل عمیق روابط انسانی و ایجاد گراف‌های ارتباطی دقیق، مرز بین «دستیار کاربردی» و «ابزار جاسوسی دیجیتال» را کمرنگ می‌کند. این ابزار کاربران را تشویق می‌کند تا تمام ابعاد زندگی خود (ایمیل، تقویم و مؤسسات مالی) را به آن متصل کنند که منجر به گسترش بی‌سابقه سطح حمله (Attack Surface) در صورت نشت داده‌ها یا سوءاستفاده از مدل می‌شود.
