Anthropic သည် သေးငယ်သော AI မော်ဒယ်များကို IoT စက်ပစ္စည်းများတွင် မကြာမီတွင် ကိုယ်တိုင်ပုံတူကူးယူနိုင်ကြောင်း သတိပေးထားသည်။

Anthropic သည် 2026 ခုနှစ် အောက်တိုဘာလ 12 ရက်နေ့တွင် ထုတ်ဝေသော သုတေသနပြုချက်တွင် သေးငယ်သော AI မော်ဒယ်များသည် စီးပွားဖြစ် IoT ကိရိယာများ—စမတ်မီးဖိုများ၊ လုံခြုံရေးကင်မရာများနှင့် အမှတ်တံဆိပ်မဟုတ်သော Android TV ဘောက်စ်များပေါ်တွင် ကိုယ်တိုင်ပုံတူပွားရန် လအနည်းငယ်သာ လိုတော့သည် ဟု အကြံပြုထားသည်။ တီကောင်နှင့်တူသော အခြေအနေတွင်၊ မော်ဒယ်တစ်ခု၏ မိတ္တူများသည် လူ၏ပါဝင်ပတ်သက်မှုမရှိဘဲ စက်တစ်ခုမှ ကိရိယာတစ်ခုသို့ ပျံ့နှံ့သွားမည်ဖြစ်ပြီး ပိတ်ရန် ဗဟိုချုပ်ကိုင်မှု မရှိသောကြောင့်၊ ထိုသို့ပုံတူစက်ကို ပိတ်ရန် ခက်ခဲသော်လည်း နှေးကွေးသော်လည်း အချိန်နှစ်ဆဖြင့် ရက်များအတွင်း တိုင်းတာနိုင်သည်ဟု သုတေသီများက မှတ်သားထားသည်။

"AI မော်ဒယ်များသည် ဒေတာစင်တာသို့ ဝင်ခွင့်မပြုဘဲ ကိုယ်တိုင်ပုံတူကူးယူနိုင်သည်" ဟူသော ခေါင်းစဉ်ဖြင့် ပို့စ်ကို Anthropic သုတေသီ William Zhou နှင့် Daniel Freeman တို့က ရေးသားခဲ့ပြီး အေးဂျင့်-AI ဘေးကင်းရေး ရှာဖွေတွေ့ရှိမှုများကြားတွင် ရောက်ရှိလာခဲ့သည်။ ဤဇာတ်လမ်းအတွက် နောက်ထပ်အကြောင်းအရာအတွက်၊ ကျွန်ုပ်တို့၏လုပ်ဆောင်နေသော နောက်ဆုံးပေါ် AI တိုးတက်မှုများ ကို ကြည့်ပါ။

လေ့လာမှုအောက်ရှိ အဓိက အယူအဆမှာ autonomous replication and adaptation (ARA)- လူသားထိန်းချုပ်မှုမရှိဘဲ သူ့ကိုယ်သူ ဖြန့်ကျက်ဖြန့်ကျက်သည့် မော်ဒယ်တစ်ခုဖြစ်သည်။ စာရေးသူများသည် ၎င်း၏ကိုယ်ပိုင်မော်ဒယ်အလေးများကိုသယ်ဆောင်သည့် AI worm (သို့မဟုတ် public hub မှ ၎င်းတို့ကို ပြန်လည်ဒေါင်းလုဒ်လုပ်ခြင်း) နှင့် အပေးအယူလုပ်ထားသော စက်များပေါ်တွင် တိုက်ရိုက် ကောက်ချက်ချသည့် အနီးဆုံးကာလအတိုကောက်မူကွဲကို စာရေးဆရာများက ဖန်တီးထားသည်။ သမားရိုးကျ malware များနှင့်မတူဘဲ၊ ထိုသို့သော worm သည် မရင်းနှီးသောစက်ပစ္စည်းများကို သူ့ဘာသာသူရှာဖွေနိုင်သည်။

$55 TV Boxes သရုပ်ပြ

edge hardware သည် မော်ဒယ်အစစ်အမှန်များကို သယ်ဆောင်လာနိုင်ကြောင်း ပြသရန်အတွက် အဖွဲ့သည် စျေးသက်သာသော အမှတ်တံဆိပ်မဟုတ်သော Android TV သေတ္တာ 15 ခုကို ဝယ်ယူခဲ့သည် — အကြမ်းဖျင်းအားဖြင့် 55$ နီးပါးရှိပြီး 4GB RAM တစ်လုံးလျှင် — နှင့် ၎င်းတို့ကို ချိတ်ဆက်ထားသည်။ ပိုက်လိုင်းမျဉ်းပြိုင်စနစ်ကို အသုံးပြု၍ မော်ဒယ်၏ အလွှာအပိုင်းအစများကို ကိုင်ဆောင်ထားသည့် ဘောက်စ်တစ်ခုစီသည် Gemma4-26B-A4B တစ်စက္ကန့်လျှင် 0.39 တိုကင်များခန့်ဖြင့် လည်ပတ်ခဲ့သည်။ ၎င်းသည် နှိမ့်ချသော မြန်နှုန်းတစ်ခုဖြစ်သော်လည်း ကမ္ဘာတစ်ဝှမ်းရှိ ဧည့်ခန်းများကို ပြည့်နှက်စေသည့် ဈေးပေါသော ဟာ့ဒ်ဝဲအမျိုးအစားတွင် အံ့သြဖွယ်ကောင်းလောက်အောင် စွမ်းဆောင်နိုင်သော အဖွင့်အလေးပေးမော်ဒယ်များ သရုပ်ပြမှုတစ်ခုဖြစ်သည်။

ဟာ့ဒ်ဝဲ၏ရွေးချယ်မှုသည် မတော်တဆမှုမဟုတ်ပါ။ သုတေသီများသည် ပို့စ်တွင် ဖော်ပြထားသော Synthient မှ အချက်အလက်များအရ ၎င်း၏ အထွတ်အထိပ်တွင် စက်ပစ္စည်းပေါင်း နှစ်သန်းကျော်ကို ကူးစက်ခဲ့ကြောင်း သတင်းရရှိသည့် Kimwolf botnet ကို ကိုးကားဖော်ပြခဲ့သည်။ အကယ်၍ အရွယ်အစားရှိ သင်္ဘောတစ်စီးစီသည် 15 အုပ်စုတွင် 26B-အတန်းအစား မော်ဒယ်၏ မိတ္တူများကို လည်ပတ်နေပါက၊ စုစည်းမှုတွင် တစ်စက္ကန့်လျှင် တိုကင် 80,000 ခန့် ထုတ်လုပ်နိုင်သည် — ခန့်မှန်းခြေအားဖြင့် ခန့်မှန်းခြေအားဖြင့် 40 H100 GPU များအကြောင်း အကြမ်းဖျင်းအားဖြင့် 133,000 ပုံတူများ ထုတ်လုပ်နိုင်လိမ့်မည်ဟု ခန့်မှန်းပါသည်။

AI Worm ၏ အဆင့်လေးဆင့်

အဖွဲ့သည် ပုံတူပွားခြင်းကို လက်တွေ့ကျသော အဆင့်လေးဆင့်အဖြစ် ပြိုကွဲစေသည်- ပစ်မှတ်များကို ရှာဖွေခြင်း၊ ကွပ်မျက်ခြင်းရရှိခြင်း၊ အနုမာနကို ထူထောင်ခြင်းနှင့် လက်ခံသူအသစ်မှ ဆက်လက်ပြန့်ပွားခြင်းတို့ကို လုပ်ဆောင်သည်။ ၎င်းတို့၏စမ်းသပ်မှုများသည် လိုက်ဖက်ညီသော အနုမာနအတွဲကိုရွေးချယ်ခြင်းမှ စက်နှင့်သက်ဆိုင်သောပြဿနာများကို အမှားရှာပြင်ခြင်းအထိ ရှည်လျားသော၊ အစဉ်လိုက်မှီခိုနေရသည့် အစီအစဥ်တစ်ခုလိုအပ်သောကြောင့် ၎င်းတို့၏စမ်းသပ်မှုများသည် အနုမာနထည့်သွင်းခြင်းအပေါ် အာရုံစိုက်သည် — မော်ဒယ်ငယ်များအတွက် လေ့လာအနည်းဆုံးနှင့် အခက်ခဲဆုံးအဆင့်ဖြစ်သည်။

ရလဒ်တွေက စူးစူးရှရှပါပဲ။ 9B-ပါရာမီတာမော်ဒယ်သည် စမ်းသပ်ထားသည့် ဟာ့ဒ်ဝဲအမျိုးအစား 9 ခုအနက် 8 ခုတွင် Jetson Nanos၊ Macs နှင့် RTX 4090s တို့ကို လွှမ်းခြုံထားသည်။ 30B ဘောင်များနှင့် အောက်ရှိ မော်ဒယ်များသည် ယနေ့ ကူးယူခြင်းအတွက် တစ်ဦးချင်း အဆင့်များစွာကို ပြီးမြောက်အောင် လုပ်ဆောင်နိုင်နေပြီဖြစ်သော်လည်း စာရေးဆရာများက ၎င်းတို့ကို အဆုံးထိ ရေးဖွဲ့ရာတွင် အမှားအယွင်းများ ရှိသော်လည်း ရေးသားကြသည်။ မှတ်သားစရာမှာ၊ အလေးချိန်အခြေခံပုံတူကူးစက်သည် root အခွင့်ထူးများပင်မလိုအပ်ပါ- အနုမာနအင်ဂျင်များသည် အသုံးပြုသူနေရာလွတ်တွင် လုံးလုံးလျားလျားလည်ပတ်နိုင်ပြီး၊ မေးခွန်းထုတ်ထားသော လုံခြုံရေးနိမ့်သောစက်ပစ္စည်းအမျိုးအစားများသည် ပြန်လည်စတင်ပြီးနောက် ရိုးရိုးပြန်ကူးစက်နိုင်သည်။

မော်ဒယ်တစ်ခုသည် အဆုံးမှ အဆုံးစမ်းသပ်မှုကို ရှင်းလင်းခဲ့သည်။

ခေါင်းစီးစမ်းသပ်ချက်သည် မော်ဒယ်များကို အနီရောင် Android 15 emulator တစ်ခုဖြစ်သော Redroid လည်ပတ်သည့် GCP node ရှစ်ခုရှိသော firewalled virtual private cloud ထဲသို့ ချပေးခဲ့သည်။ အထောက်အထားမခိုင်လုံသော ADB ပို့တ်တစ်ခုပေါ်မှ node ဆီသို့ ခုန်ကူးရန် node ကို worm ဖြင့် မျိုးစေ့ချကာ ၎င်း၏ payload — weights and harness — နှင့် host အသစ်တစ်ခုစီတွင် Llama3.1-8B ဝန်ဆောင်မှုပေးနေသော အနုစိတ်ဆာဗာတစ်ခုကို မတ်တပ်ရပ်လိုက်ပါ။

စမ်းသပ်ထားသည့် အဝိတ်မော်ဒယ်များထဲမှ GLM-5.2 သည် ဤရိုးရှင်းသောဆက်တင်တွင် အဆုံးမှအဆုံးထိ အပြည့်အဝပုံတူကူးယူနိုင်စွမ်းရှိပြီး စိတ်ချယုံကြည်စွာလုပ်ဆောင်နိုင်သည်- ၎င်းသည် စမ်းသပ်မှု 5 ခုအနက် 4 ခုတွင် 8 node များအားလုံးသို့ ပျံ့နှံ့သွားပြီး ကျန်လည်ပတ်မှုတွင် 8 ခုအနက် 7 ခုအထိ ပျံ့နှံ့သွားခဲ့သည်။ သုတေသီများသည် ဆိုက်ဘာ-အမြတ်ထုတ်သည့်ဒြပ်အား အသေးအဖွဲဖြစ်သောကြောင့် (ADB ဆိပ်ကမ်းတွင် စစ်မှန်ကြောင်းအထောက်အထားမရှိ) ဖြစ်သောကြောင့် အကဲဖြတ်ခြင်းသည် လက်တွေ့ကမ္ဘာ၏အောင်မြင်မှုအပေါ်တွင်သာလွန်သောအချက်ဖြစ်သည်။ သို့သော် Mirai ကဲ့သို့သော ယခင် IoT botnet များသည် ပုံသေထုတ်လုပ်သူအသုံးပြုသူအမည်များနှင့် စကားဝှက်များထက် အနည်းငယ်ပို၍ ပျံ့နှံ့နေသောကြောင့် လက်တွေ့ကမ္ဘာ IoT လုံခြုံရေးသည် အသေးအဖွဲအဆင့်ထက် သိသိသာသာ ခက်ခဲမည်မဟုတ်ကြောင်းလည်း သတိပြုမိပါသည်။

နှေးကွေးခြင်း၊ ဇွဲနပဲ—နှင့် သင်ယူခြင်း။

ဤခြိမ်းခြောက်မှုပုံစံနှင့်ပတ်သက်ပြီး မည်သည့်အရာမျှ မြန်ဆန်ခြင်းမရှိပါ။ အဖွဲ့၏ ဟာ့ဒ်ဝဲအမြန်နှုန်းများပေါ်တွင် အခြေခံ၍ ဟာ့ဒ်ဝဲအသစ်တွင် အပြည့်အဝ ကူးယူခြင်းစက်ဝန်းသည် Qwen3.5-9B အတွက် အကြမ်းဖျင်းအားဖြင့် 28 နာရီမှ 51 နာရီကြားကြာမြင့်ပြီး Gemma4-26B-A4B စနစ်ထည့်သွင်းမှုအတွက် 71 မှ 150 နာရီအထိ ကြာပါသည်။ စာရေးဆရာများ ရေးသည်မှာ တိုကင်များကို အနားသတ် ဟာ့ဒ်ဝဲပေါ်တွင် လှည့်ဖြားခံရသဖြင့် "နှေးကွေးပြီး မြဲမြံနေလိမ့်မည်" — ၎င်းတို့သည် ပုံတူကူးစက်ကို အကျိအချွဲမှို သို့မဟုတ် လျင်မြန်စွာ ရွေ့လျားနေသော သန်ကောင်ထက် အသီးအနှံယင်ကောင်များနှင့် နှိုင်းသည်။

ဂန္တဝင်ပိုးကောင်များထက် AI ပုံတူပွားများကို ပို၍အန္တရာယ်ဖြစ်စေနိုင်သည့်အရာမှာ လိုက်လျောညီထွေဖြစ်စေသည်။ မိဘဥပမာတစ်ခုသည် ၎င်း၏သတိပေးချက်များ၊ ကုဒ်များနှင့် မှတ်စုများကို ၎င်း၏သမီးများထံပေးပို့နိုင်သောကြောင့် သုတေသီများသည် Lamarckian ဆင့်ကဲဖြစ်စဉ်တစ်မျိုးကို ဖော်ပြသည်။ စမ်းသပ်မှုတစ်ခုတွင်၊ Qwen3.5-9B အေးဂျင့်များသည် မျိုးဆက်ခြောက်ဆက်—ယင်း၏ရှေ့ဆက်သူထံမှ အမွေဆက်ခံသည့်မှတ်စုတစ်ခုစီကို မျိုးဆက်ခြောက်ဆက်တစ်လျှောက် စုံညီစွာထည့်သွင်းရန်ကြိုးစားနေသော အေးဂျင့်များသည် ၎င်းတို့၏အောင်မြင်မှုနှုန်းကို ပထမမျိုးဆက်တွင် 45 ရာခိုင်နှုန်းမှ နောက်ပိုင်းတွင် 61 နှင့် 84 ရာခိုင်နှုန်းကြားအထိ တိုးတက်စေသည်။ စမ်းသပ်မှုများသည် ပွင့်လင်းသောအရင်းအမြစ် Pi coding အေးဂျင့်၏ထိပ်တွင်တည်ဆောက်ထားသော ကြိုးသိုင်း Anthropic ဖြစ်သော Memento ကိုအသုံးပြုထားပြီး၊ အေးဂျင့်များနောက်ပြန်လိုက်ခြင်းအစား အမှားအယွင်းသီအိုရီတစ်ခုအပေါ် အေးဂျင့်များမဖြေရှင်းနိုင်စေရန် ဒီဇိုင်းထုတ်ထားသည်။

ပြတင်းပေါက်ပိတ်ခြင်း။

အဖွဲ့သည် အန္တရာယ်ဇုန်ကို အပိုင်းနှစ်ပိုင်းဖြင့် ပုံဆွဲသည်- ယုံကြည်စိတ်ချရသော ပုံတူကူးရန် မော်ဒယ်တစ်ခု၏ အပေါ်မှ ထိုင်ရမည်ဖြစ်ပြီး၊ တိုက်ခိုက်နိုင်သော ကိရိယာများပေါ်တွင် လည်ပတ်နိုင်ရန် အရွယ်အစား မျက်နှာကျက်တစ်ခု အောက်တွင် ထိုင်ရမည်ဖြစ်သည်။ ယနေ့ခေတ်တွင် ထိုဘောင်များသည် ဖြတ်မသွားနိုင်ပေ — စွမ်းဆောင်နိုင်သော မော်ဒယ်များသည် ကြီးမားလွန်းပြီး သေးငယ်သော မော်ဒယ်များသည် လုံလောက်အောင် မစွမ်းဆောင်နိုင်ပါ။ Epoch Capabilities Index နှင့် နှိုင်းယှဉ်လျှင် 30B အလေးချိန် မော်ဒယ်များကို တွက်ချက်ခြင်း ၊ သုတေသီများသည် တစ်နှစ်လျှင် 13.7 ECI ရမှတ်များ တိုးလာကာ လမ်းကြောင်းပြောင်းသွားပါက မော်ဒယ်ငယ်သည် 2026 နှစ်ကုန်တွင် GLM-5.2 ၏ စွမ်းရည်အဆင့်သို့ ရောက်ရှိနိုင်လိမ့်မည် — သေးငယ်သော အလေးချိန်အခြေခံပုံတူပွားများသည် မကြာမီ ဖြစ်နိုင်သည်ဟု ခန့်မှန်းကြသည်။ ယင်းသည် ပရောက်စီမက်ထရစ်ပေါ်တွင် တည်ဆောက်ထားသော အကြမ်းဖျင်း ခန့်မှန်းချက်ဖြစ်ကြောင်း ၎င်းတို့က အလေးပေးဖော်ပြသည်။

ပို့စ်တွင် ကပ်လျက်ခြိမ်းခြောက်မှုပုံစံများကို မြေပုံရေးဆွဲထားသည် — ဓာတ်ခွဲခန်း၏ကိုယ်ပိုင်အခြေခံအဆောက်အအုံပေါ်တွင်လည်ပတ်နေသည့် နယ်နိမိတ်ပုံတူများသည်၊ စောင့်ကြည့်မနေဘဲစတင်သည့်အဝလွန်ပုံတူပွားများနှင့်၎င်းတို့၏ကိုယ်ကျိုးအတွက်အထောက်အထားများကိုခိုးယူသည့် API-အခြေခံပုံတူများ — နှင့် လက်တွေ့အဆိုးဆုံးအခြေအနေမှာ မတူညီသောပုံစံများကိုအသုံးပြုထားသော ဟာ့ဒ်ဝဲအမျိုးမျိုးရှိ ကွဲပြားသည့်ပုံစံတူများအစုအဝေးဖြစ်ကြောင်း သတိပေးထားသည်။ Anthropic သည် AI ပိုးမွှားများသည် ကြိုတင် AI Malware နှင့် ကာကွယ်ရေးအတွက် အတိုချုံး အကြံပြုချက်များနှင့် ကွာခြားမည်ဖြစ်ပြီး အလုပ်မရင့်ကျက်မီ လေ့လာရန် အလွယ်ကူဆုံးသော ခြိမ်းခြောက်မှုကို အစောပိုင်းကြည့်ရှုမှုအဖြစ် ဘောင်ခတ်ထားသည်။

---

AI ၏ရှေ့တွင်နေရန်

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →