12 ऑक्टोबर 2026 रोजी एन्थ्रोपिकने संशोधन प्रकाशित केले, जे सुचविते की लहान AI मॉडेल्स व्यावसायिक IoT डिव्हाइसेस - स्मार्ट ओव्हन, सिक्युरिटी कॅमेरे आणि सर्वात महत्त्वाचे म्हणजे ऑफ-ब्रँड Android टीव्ही बॉक्सवर स्वत: ची प्रतिकृती तयार करण्यास सक्षम होण्यापासून फक्त काही महिने दूर आहेत. वर्म-सदृश परिस्थितीमध्ये, मानवी सहभागाशिवाय मॉडेलच्या प्रती एका यंत्रापासून दुसऱ्या यंत्रापर्यंत पसरतील आणि बंद करण्यासाठी कोणताही केंद्रीकृत बिंदू नसल्यामुळे, संशोधकांनी लक्षात ठेवा की अशा प्रतिकृतीचे बंद करणे आव्हानात्मक असेल — धीमे असले तरी, दिवसांमध्ये दुप्पट वेळ मोजला जातो.

"एआय मॉडेल्स डेटासेंटरमध्ये प्रवेश न करता स्वत: ची प्रतिकृती बनविण्यास सक्षम असू शकतात," असे शीर्षक असलेले पोस्ट मानववंशीय संशोधक विल्यम झाऊ आणि डॅनियल फ्रीमन यांनी लिहिले होते आणि एजंटिक-एआय सुरक्षा निष्कर्षांच्या ताणलेल्या धावांच्या दरम्यान आले आहे. या कथेच्या अधिक संदर्भासाठी, आमचे सध्या सुरू असलेले नवीनतम AI घडामोडी पहा.

अभ्यासा अंतर्गत मुख्य कल्पना स्वायत्त प्रतिकृती आणि अनुकूलन (एआरए) आहे: एक मॉडेल मानवी नियंत्रणाशिवाय स्वतःला तैनात आणि प्रसारित करते. लेखक "वजन-आधारित प्रतिकृती" - एक AI किडा जो स्वतःचे मॉडेल वजन उचलतो (किंवा सार्वजनिक हबमधून ते पुन्हा डाउनलोड करतो) आणि तडजोड करणाऱ्या मशीनवर थेट अनुमान चालवतो. पारंपारिक मालवेअरच्या विपरीत, ते लिहितात, असा किडा स्वतःहून अपरिचित उपकरणे देखील शोधू शकतो.

$५५ टीव्ही बॉक्सेसवर डेमो

एज हार्डवेअर वास्तविक मॉडेल्स घेऊन जाऊ शकतात हे दर्शविण्यासाठी, टीमने 15 स्वस्त ऑफ-ब्रँड Android TV बॉक्स खरेदी केले — अंदाजे $55 प्रत्येकी, सुमारे 4GB RAM सह — आणि त्यांना एकत्र नेटवर्क केले. पाइपलाइनच्या समांतरतेचा वापर करून, प्रत्येक बॉक्समध्ये मॉडेलच्या थरांचा एक अंश धारण केला होता, फ्लीटने Gemma4-26B-A4B प्रति सेकंद सुमारे 0.39 टोकन चालवले. हा एक माफक वेग आहे, परंतु आश्चर्यकारकपणे सक्षम ओपन-वेट मॉडेल जगभरातील लिव्हिंग रूममध्ये भरलेल्या स्वस्त हार्डवेअरच्या समान वर्गावर चालवू शकतात हे एक प्रात्यक्षिक आहे.

हार्डवेअरची निवड आनुषंगिक नाही. संशोधकांनी किमवॉल्फ बॉटनेटचा हवाला दिला, ज्याने पोस्टमध्ये उद्धृत केलेल्या सिंथिएंटच्या डेटानुसार - त्याच्या शिखरावर दोन दशलक्षाहून अधिक डिव्हाइसेस - प्रामुख्याने Android टीव्ही बॉक्सेस - संक्रमित केले. जर प्रत्येक आकाराचा फ्लीट 15 च्या गटांमध्ये 26B-क्लास मॉडेलच्या प्रती चालवत असेल, तर अँथ्रोपिकचा अंदाज आहे की ते अंदाजे 133,000 प्रतिकृती तयार करतील जे एकूण सुमारे 80,000 टोकन प्रति सेकंद तयार करेल - अंदाजे अंदाजे 40 H100 GPU चे अनुमानित थ्रूपुट.

एआय वर्मचे चार टप्पे

संघ प्रतिकृतीचे चार व्यावहारिक टप्प्यांमध्ये विघटन करतो: लक्ष्य शोधणे, अंमलबजावणी करणे, अनुमान स्थापित करणे आणि नवीन होस्टकडून सतत प्रसार करणे. त्यांचे प्रयोग अनुमान सेटअपवर लक्ष केंद्रित करतात - लहान मॉडेलसाठी सर्वात कमी-अभ्यास केलेले आणि वादातीत सर्वात कठीण पाऊल, कारण त्यासाठी हार्डवेअर- आणि OS-विशिष्ट निर्णयांचा एक दीर्घ, क्रमशः अवलंबून क्रम आवश्यक आहे, सुसंगत अनुमान स्टॅक निवडण्यापासून ते मशीन-विशिष्ट समस्या डीबग करण्यापर्यंत.

परिणाम चिंताजनक होते. 9B-पॅरामीटर मॉडेलला जेट्सन नॅनोस, मॅक आणि RTX 4090s मध्ये 9 पैकी 8 हार्डवेअर प्रकारांची चाचणी घेण्यात आली आहे. 30B पॅरामीटर्स आणि त्याखालील मॉडेल्स आज प्रतिकृतीसाठी अनेक वैयक्तिक पायऱ्या आधीच पूर्ण करू शकतात, लेखक लिहितात, जरी ते शेवटी ते तयार करताना चुका करतात. विशेष म्हणजे, वजन-आधारित प्रतिकृतीला रूट विशेषाधिकारांची देखील आवश्यकता नसते: अनुमान इंजिन पूर्णपणे वापरकर्त्याच्या ठिकाणी चालू शकतात आणि प्रश्नातील कमी-सुरक्षित उपकरणांचे प्रकार रीस्टार्ट केल्यानंतर पुन्हा संक्रमित होऊ शकतात.

एका मॉडेलने एंड-टू-एंड टेस्ट क्लिअर केली

हेडलाइन प्रयोगाने मॉडेल्सला Android 15 एमुलेटर, रेड्रॉइड चालवणाऱ्या आठ GCP नोड्सच्या फायरवॉल केलेल्या आभासी खाजगी क्लाउडमध्ये टाकले. एक "पेशंट झिरो" नोड वर्मसह सीड करण्यात आला होता, ज्याला नंतर अनधिकृत ADB पोर्टवर नोड करण्यासाठी नोड हॉप करावा लागला, त्याचे पेलोड - वजन आणि हार्नेस - वितरित करावे लागले आणि प्रत्येक नवीन होस्टवर Llama3.1-8B सेवा देणारा एक अनुमान सर्व्हर उभा करा.

चाचणी केलेल्या ओपन-वेट मॉडेल्सपैकी, फक्त GLM-5.2 या सरलीकृत सेटिंगमध्ये संपूर्ण एन्ड-टू-एंड प्रतिकृती करण्यास सक्षम होते, आणि ते इतके विश्वासार्हपणे केले: ते 5 पैकी 4 चाचण्यांमध्ये सर्व 8 नोड्समध्ये पसरले आणि उर्वरित रनमध्ये 8 पैकी 7. याचा अर्थ काय आहे याबद्दल संशोधक सावध आहेत — कारण सायबर-शोषण घटक क्षुल्लक ठेवण्यात आला होता (ADB पोर्टवर कोणतेही प्रमाणीकरण नव्हते), मूल्यमापन हे वास्तविक-जगातील यशावर एक वरचे बंधन आहे. परंतु ते हे देखील लक्षात घेतात की भूतकाळातील IoT botnets जसे की Mirai डिफॉल्ट उत्पादक वापरकर्तानाव आणि संकेतशब्द वापरून पसरले होते, त्यामुळे वास्तविक-जगातील IoT सुरक्षा क्षुल्लक पायरीपेक्षा नाटकीयरित्या कठीण असू शकत नाही.

हळू, सतत — आणि शिकणे

या धमकी मॉडेलबद्दल काहीही जलद नाही. टीमच्या रिअल-हार्डवेअर स्पीडच्या आधारे, नवीन हार्डवेअरवर पूर्ण प्रतिकृती सायकल Qwen3.5-9B साठी अंदाजे 28 ते 51 तास आणि अनऑप्टिमाइज्ड Gemma4-26B-A4B सेटअपसाठी 71 ते 150 तासांच्या दरम्यान लागली. लेखक लिहितात, स्प्रेड, "मंद आणि चिकाटीचा असेल, टोकन्स एज हार्डवेअरवर ट्रिकल केले जातील" - ते एका प्रतिकृतीची उपमा स्लाईम मोल्डशी किंवा जलद गतीने जाणाऱ्या अळी ऐवजी फळ माशांच्या थवाशी करतात.

AI प्रतिकृतींना क्लासिक वर्म्सपेक्षा काय अधिक धोकादायक बनवू शकते ते म्हणजे अनुकूलन. कारण एक पालक उदाहरण त्याच्या मुलींना प्रॉम्प्ट, कोड आणि नोट्स देऊ शकतात, संशोधक एक प्रकारचे लॅमार्कियन उत्क्रांतीचे वर्णन करतात. एका प्रयोगात, Qwen3.5-9B एजंट्स सहा पिढ्यांमध्ये अनुमान सेटअप करण्याचा प्रयत्न करत आहेत - प्रत्येक त्यांच्या पूर्ववर्तीकडून वारसा घेत असलेल्या नोट्स - त्यांच्या यशाचा दर पहिल्या पिढीतील 45 टक्क्यांवरून 61 आणि 84 टक्क्यांदरम्यान वाढला. प्रयोगांमध्ये मेमेंटो, ओपन-सोर्स पाई कोडिंग एजंटच्या वर तयार केलेला हार्नेस अँथ्रोपिक वापरला गेला, जो एजंट्सना बॅकट्रॅक करण्याऐवजी बगच्या चुकीच्या सिद्धांतावर फिक्सिंग करण्यापासून रोखण्यासाठी डिझाइन केलेले आहे.

बंद होणारी खिडकी

संघ धोक्याच्या क्षेत्राचे दोन सीमारेषेमध्ये रेखाटन करतो: एक क्षमता असलेला मजला विश्वासार्हपणे प्रतिकृती बनवण्यासाठी मॉडेलने वर बसणे आवश्यक आहे आणि ते ज्या उपकरणांवर हल्ला करतात त्यावर चालण्यासाठी आकाराची कमाल मर्यादा बसली पाहिजे. आज त्या सीमा एकमेकांना छेदत नाहीत — सक्षम मॉडेल खूप मोठे आहेत आणि लहान मॉडेल्स पुरेसे सक्षम नाहीत. Epoch क्षमता निर्देशांकाच्या तुलनेत 30B पॅरामीटर्स किंवा त्याहून कमी ओपन-वेट मॉडेल्सचे प्लॉटिंग करून, संशोधकांनी प्रति वर्ष 13.7 ECI पॉइंट्सचा फायदा मोजला आणि अंदाज लावला की जर हा ट्रेंड कायम राहिला, तर एक लहान मॉडेल 2026 च्या अखेरीस GLM-5.2 च्या क्षमतेच्या पातळीवर पोहोचेल — लवकरच लहान वजन-आधारित प्रतिकृती बनवणे शक्य होईल. प्रॉक्सी मेट्रिकवर तयार केलेला हा ढोबळ अंदाज आहे यावर ते जोर देतात.

पोस्ट शेजारील धोक्याचे मॉडेल्स देखील मॅप करते — लॅबच्या स्वतःच्या पायाभूत सुविधांवर चालणारे फ्रंटियर रेप्लिकेटर्स, ओपन-वेट रेप्लिकेटर्स जे अननियंत्रित सुरू होतात आणि API-आधारित प्रतिकृती जे त्यांच्या स्वतःच्या अनुमानासाठी क्रेडेन्शियल्स चोरतात — आणि चेतावणी देते की वास्तववादी सर्वात वाईट केस वेगवेगळ्या हार्डवेअरवर वेगवेगळ्या मॉडेल्सचा एक झुंड आहे. एन्थ्रोपिक AI वर्म्स प्री-AI मालवेअरपेक्षा कसे वेगळे असतील आणि संरक्षणासाठी संक्षिप्त सूचनांसह बंद होते, ते परिपक्व होण्याआधी अभ्यास करणे सर्वात सोपा असलेल्या धोक्याचे प्रारंभिक स्वरूप म्हणून कार्य तयार करते.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →