یک محقق IBM پیش‌بینی کرد کدام بخش از اکوسیستم بیت‌کوین آسیب‌پذیرتر خواهد بود

• هوش مصنوعی کلاس Mythos خطر را در خدمات بیت‌کوین افزایش می‌دهد بدون اینکه پروتکل را به خطر بیندازد.
• کیف‌پول‌ها، لایتنینگ، صرافی‌ها و استخرها اهداف اصلی یک هوش مصنوعی پیشرفته خواهند بود.

موارد اخیر Coldcard و Boltz یک نکته مشترک دارند: هیچ‌کدام پروتکل بیت‌کوین را به خطر نینداختند، بلکه خدماتی که بر اساس آن ساخته شده بودند. در مورد Coldcard، مشکل به فریمور و مکانیزم تولید انتروپی کیف‌پول سخت‌افزاری مربوط می‌شد، در حالی که Boltz با حادثه‌ای مواجه شد که زیرساخت خدماتش را تحت تأثیر قرار داد. این دقیقاً سناریویی است که محقق متخصص در رمزنگاری و امنیت سایبری، راب کمپبل، ماه‌ها پیش در مطالعه‌ای درباره تأثیر نسل جدید هوش مصنوعی (IA) بر شبکه‌های حسابداری توزیع‌شده توصیف کرد.

در ماه مه 2026، مدیر سابق IBM اظهار داشت که یک هوش مصنوعی با قابلیت‌های تهاجمی پیشرفته احتمال کمی برای به خطر انداختن پروتکل بیت‌کوین خواهد داشت. با این حال، او هشدار داد که خطر واقعی در زیرساختی است که امکان عملکرد روزانه آن را فراهم می‌کند: کیف‌پول‌ها، شبکه لایتنینگ، صرافی‌ها و نرم‌افزار استخراج.

نتیجه‌گیری او این بود که نسل جدیدی از مدل‌های هوش مصنوعی می‌تواند امنیت اکوسیستم بیت‌کوین را تغییر دهد، هرچند که لزوماً به پروتکل پایه آن حمله نمی‌کند، بلکه به لایه‌ای از محصولات، خدمات و زیرساخت‌هایی که بر روی آن عمل می‌کنند.

در بخش 4.1، تحت عنوان بیت‌کوین: قرار گرفتن محدود، کمپبل ادعا می‌کند که طراحی بیت‌کوین به طور طبیعی فرصت‌ها را برای یک هوش مصنوعی برای کشف و بهره‌برداری از آسیب‌پذیری‌های بحرانی محدود می‌کند.

این محقق این مقاومت را به استفاده از یک زبان برنامه‌نویسی غیر Turing-complete، سطح حمله کاهش‌یافته، بیش از پانزده سال بررسی مداوم و تکامل بسیار محافظه‌کارانه اجماع نسبت می‌دهد. به طور کلی، این عناصر فضای کمی برای یک هوش مصنوعی برای یافتن نقص‌ها به طور مستقیم در قوانین حاکم بر شبکه باقی می‌گذارند.

برای کمپبل، حتی قابلیت‌های پیشرفته‌ای مانند کشف خودکار آسیب‌پذیری‌ها، زنجیره‌سازی بهره‌برداری‌ها یا اجرای حملات به صورت عاملی تأثیر محدودی بر پروتکل اصلی بیت‌کوین خواهند داشت. حوادث اخیر Coldcard و Boltz این تفاوت را نشان می‌دهند: این حوادث بر اجماع بیت‌کوین تأثیر نگذاشتند، بلکه بر اجزای اکوسیستم که بر روی شبکه عمل می‌کنند.

چشم‌انداز تغییر می‌کند وقتی که زیرساخت‌های ساخته‌شده در اطراف بیت‌کوین را تحلیل می‌کند. به گفته این محقق، بیشترین آسیب‌پذیری در پیاده‌سازی‌های کیف‌پول‌های نرم‌افزاری و سخت‌افزاری، فریمور این دستگاه‌ها، منطق شبکه لایتنینگ، ادغام‌ها با صرافی‌ها و نرم‌افزار استفاده‌شده توسط استخرهای استخراج متمرکز است.

برخلاف پروتکل پایه، این سیستم‌ها شامل کد بسیار بیشتری هستند، ادغام‌های متعدد و پیچیدگی به‌مراتب بالاتری دارند. این ترکیب آن‌ها را به اهداف جذاب‌تری برای یک هوش مصنوعی که قادر به کشف آسیب‌پذیری‌ها به صورت خودکار است، تبدیل می‌کند. به عنوان مثال، مورد Coldcard دوباره توجه را به فریمور و تولید انتروپی در یک کیف‌پول سخت‌افزاری جلب کرد، در حالی که Boltz نشان داد که زیرساخت خدمات ساخته‌شده در اطراف بیت‌کوین نیز می‌تواند به یک نقطه بحرانی امنیت تبدیل شود.

به همین دلیل، کمپبل نتیجه‌گیری می‌کند که یک هوش مصنوعی کلاس Mythos خطر پایه را به طور ملایمی افزایش می‌دهد بدون اینکه پروفایل استراتژیک بیت‌کوین را تغییر دهد. به عبارت دیگر، امنیت بنیادی شبکه تقریباً دست نخورده باقی می‌ماند، اما احتمال حملات موفقیت‌آمیز علیه خدماتی که بخشی از اکوسیستم آن هستند، افزایش می‌یابد.

به گفته این مطالعه، این نوع هوش مصنوعی قادر به کشف آسیب‌پذیری‌ها به مقیاس وسیع، زنجیره‌سازی چندین بهره‌برداری، اجرای حملات به صورت خودکار، توسعه ابزارهای تهاجمی در کمتر از یک روز و سازگاری با انواع مختلف زیرساخت‌ها خواهد بود.

تفاوت بارز تحلیل در مقایسه با اتریوم و راه‌حل‌های لایه دوم (L2) آن ظاهر می‌شود. کمپبل ادعا می‌کند که آسیب‌پذیری بیت‌کوین محدود و متمرکز بر زیرساخت اکوسیستم باقی می‌ماند، جایی که اقدامات سنتی امنیت سایبری --- مانند حسابرسی، نظارت و به‌روزرسانی‌ها --- هنوز مؤثر هستند.

در عوض، او استدلال می‌کند که اتریوم دارای آسیب‌پذیری ساختاری بیشتری است به دلیل سطح برنامه‌پذیر وسیع قراردادهای هوشمند، برنامه‌های غیرمتمرکز و پل‌های بین زنجیره‌ای.