🧠 “AI ตรวจจับภัยในชิปได้ 97% แต่ยังไม่พอ” — เมื่อความแม่นยำสูงยังไม่อาจรับประกันความปลอดภัยในโลกฮาร์ดแวร์ ในโลกที่ชิปคอมพิวเตอร์เป็นหัวใจของทุกระบบ ตั้งแต่ศูนย์ข้อมูลไปจนถึงอุปกรณ์ทางการแพทย์และการทหาร ความปลอดภัยของฮาร์ดแวร์จึงเป็นเรื่องที่ไม่อาจมองข้าม ล่าสุดนักวิจัยจากมหาวิทยาลัย Missouri ได้พัฒนา PEARL — ระบบที่ใช้ AI ตรวจจับ “hardware trojans” หรือช่องโหว่ที่ถูกฝังไว้ในขั้นตอนการผลิตชิป PEARL ใช้โมเดลภาษาขนาดใหญ่ (LLMs) เช่น GPT-3.5 Turbo, Gemini 1.5 Pro, Llama 3.1 และ DeepSeek-V2 เพื่อวิเคราะห์โค้ด Verilog โดยไม่ต้องใช้โมเดลอ้างอิงแบบ “golden chip” และสามารถอธิบายผลการตรวจจับได้อย่างเข้าใจง่าย ผลการทดลองพบว่า GPT-3.5 Turbo ตรวจจับได้แม่นยำถึง 97% ขณะที่ DeepSeek-V2 ทำได้ 91% ซึ่งถือว่าสูงมากในแง่เทคนิค แต่ผู้เชี่ยวชาญเตือนว่า “แม้จะพลาดเพียง 3% ก็อาจนำไปสู่หายนะ” เพราะชิปเหล่านี้ถูกใช้ในระบบที่มีความเสี่ยงสูง เช่น การเงินและความมั่นคงของชาติ การตรวจจับ hardware trojans เป็นเรื่องยาก เพราะชิปถูกผลิตผ่านห่วงโซ่อุปทานที่ซับซ้อนในหลายประเทศ และช่องโหว่อาจถูกฝังในขั้นตอนใดก็ได้ การตรวจสอบแบบ manual ยังจำเป็นเพื่อเสริมความมั่นใจ แม้ AI จะช่วยได้มากก็ตาม ✅ นักวิจัยจากมหาวิทยาลัย Missouri พัฒนา PEARL เพื่อตรวจจับ hardware trojans ➡️ ใช้ LLMs เช่น GPT-3.5 Turbo, Gemini 1.5 Pro, Llama 3.1 และ DeepSeek-V2 ➡️ วิเคราะห์โค้ด Verilog โดยไม่ต้องใช้ golden chip ✅ PEARL ใช้เทคนิค in-context learning เช่น zero-shot และ few-shot ➡️ ให้ผลลัพธ์พร้อมคำอธิบายที่เข้าใจง่าย ✅ GPT-3.5 Turbo ตรวจจับได้แม่นยำถึง 97% ➡️ DeepSeek-V2 ทำได้ 91% ✅ ทดสอบกับ benchmark เช่น Trust-Hub และ ISCAS 85/89 ➡️ ใช้ทั้งโมเดล open-source และ enterprise ✅ PEARL ไม่ต้องใช้โมเดลอ้างอิง ทำให้ใช้งานได้กว้างขึ้น ➡️ เหมาะกับการตรวจสอบชิปในระบบที่ไม่มี golden reference ‼️ แม้ AI จะตรวจจับได้ 97% แต่ยังมีช่องว่างที่อาจนำไปสู่หายนะ ⛔ ความผิดพลาดเพียงเล็กน้อยในชิปอาจทำให้ระบบล่มหรือถูกเจาะ ‼️ ห่วงโซ่อุปทานของชิปมีความซับซ้อนและเสี่ยงต่อการฝังช่องโหว่ ⛔ การตรวจสอบต้องครอบคลุมทุกขั้นตอน ตั้งแต่การออกแบบจนถึงการประกอบ ‼️ การพึ่งพา AI เพียงอย่างเดียวอาจไม่เพียงพอในระบบที่มีความเสี่ยงสูง ⛔ ยังต้องมีการตรวจสอบแบบ manual และการทดสอบเชิงลึก ‼️ ความแม่นยำของโมเดลอาจแตกต่างกันตามบริบทและประเภทของโค้ด ⛔ ต้องเลือกโมเดลให้เหมาะกับงานและมีการปรับแต่งอย่างเหมาะสม https://www.techradar.com/pro/ai-can-detect-malicious-chip-vulnerabilities-with-a-97-success-rate-but-i-fear-that-is-simply-not-enough