في عالم الذكاء الاصطناعي، يمثل الترميز التكهنّي (Speculative Decoding) تقنية ثورية تساهم في تسريع عملية الاستدلال (Inference) لنماذج اللغة الكبيرة (Large Language Models)، من خلال الاستفادة من نموذج أصغر يُعرف بالنموذج الأولي (Draft Model) لإنتاج رموز مرشحة، ثم التحقق منها باستخدام النموذج المستهدف (Target Model) قبل قبولها أو رفضها. لكن الدراسات السابقة ركزت في الأساس على توازن الكفاءة مقابل الفائدة، تاركةً وراءها الأبعاد الأمنية لهذه التقنية.

تأتي الدراسة الجديدة للرد على هذا القصور، حيث تُعدّ الأولى من نوعها التي تستكشف تبعات الترميز التكهنّي على الأمان. من خلال دراسة ميدانية موسعة، تم اكتشاف تباين ملحوظ بين الأمان والجدوى، حيث إن تحسين الكفاءة في الاستدلال يأتي بتكلفة عالية على الأمان. أظهرت النتائج أن معدلات النجاح لهجمات مثل خرق الأمن (Jailbreak) وهجمات حقن التعليمات (Prompt Injection) ترتفع بسرعة أكبر مما يتدهور معه مستوى الفائدة.

لملء هذه الفجوة الأمنية، تم اقتراح تقنية جديدة تُعرف باسم SecureSD، التي تدعمها نظرية متقدمة لتحسين الأمان مع الحفاظ على الكفاءة والفائدة. يتمثل جوهر SecureSD في تطبيق معيار تحقق أكثر صرامة على الرموز الناتجة عن النموذج الأولي في المراحل المبكرة من الترميز، استنادًا إلى التحليل النظري الذي يظهر أن التدهور الأمني يبدأ من الرموز الأولية.

تظهر التجارب المكثفة على المؤشرات المتعلقة بالأمان والفائدة أن SecureSD تُسهم في تعزيز الأمان بصورة ملحوظة، مع المحافظة على كفاءة وجودة الأداء مقارنةً بأساليب الترميز التكهنّي الحالية.