في دراسة جديدة مثيرة، قام الباحثون بتحليل تأثير تعلم التعزيز مع مكافآت قابلة للتحقق (RLVR) على نماذج الذكاء الاصطناعي، حيث أظهرت النتائج أن هذه الأساليب قد تؤدي إلى زيادة تسرب المعلومات الشخصية التي تمت جدولتها مسبقًا. وجد الباحثون أن نماذج الذكاء الاصطناعي كانت قد خزنت بالفعل معلومات تعريف شخصية (PII) لكنها كانت في حالة خامدة، مما يعني أنها نادراً ما تظهر عند الطلب.

عند تطبيق تقنيات تعلم التعزيز على بيانات غير حساسة لا تحتوي على أي معلومات تعريف شخصية، فقد لوحظ ارتفاع كبير في معدلات استرجاع البيانات الشخصية. على سبيل المثال، في نموذج DeepSeek-V3.1، ارتفع معدل الاسترجاع الحرفي من 0.155 إلى 0.370، مما يعني زيادة بنسبة 2.4 ضعف.

أظهرت النتائج أيضًا أن التأثير يتزايد مع حجم النموذج، حيث كان التسرب الأكبر في النماذج الأكبر حجماً. على الرغم من ذلك، احتفظت النماذج بقدراتها على التفكير ومعدل رفض المعلومات، مما يشير إلى أن تعلم التعزيز يغير الوصول إلى المعلومات المخزنة بدلًا من التأثير على النموذج بشكل عام.

بشكل مختصر، يبدو أن التعلّم على البيانات غير المتعلقة بالخصوصية يمكن أن يجعل البيانات الخاصة المخزنة أكثر قابلية للاستخراج. وهذا يفتح بابًا للمهاجمين للوصول إلى البيانات المخزَّنة دون الحاجة إلى الوصول الفعلي إلى تلك البيانات. هل نحن مستعدون لمواجهة هذه التحديات الجديدة في مجال أمان البيانات؟