அக்டோபர் 12 அன்று ஆந்த்ரோபிக் வெளியிட்ட புதிய ஆராய்ச்சியின்படி, சிறிய AI மாதிரிகள் சாதாரண நுகர்வோர் சாதனங்களில் சுய-பிரதிகளை உருவாக்குவதற்கு சில மாதங்கள் மட்டுமே உள்ளன - ஸ்மார்ட் ஓவன்கள், ஆஃப்-பிராண்டு ஆண்ட்ராய்டு டிவி பெட்டிகள் மற்றும் பிற இன்டர்நெட்-ஆஃப்-திங்ஸ் வன்பொருள்.

ஆராய்ச்சியாளர்களான வில்லியம் சோ மற்றும் டேனியல் ஃப்ரீமேன் ஆகியோரால் எழுதப்பட்ட இடுகை, தன்னியக்க பிரதிபலிப்பு மற்றும் தழுவல் (ARA): மனிதக் கட்டுப்பாடு இல்லாமல் இயந்திரங்கள் முழுவதும் தன்னைத் தானே வரிசைப்படுத்தவும் பரப்பவும் AI மாதிரியின் திறன். ஆந்த்ரோபிக்கின் சோதனைகளின் விளைவு என்னவென்றால், சுயமாக பரவும் AI புழுவிற்கான வன்பொருள் பட்டை தரவு மைய அளவிலான கணக்கீட்டை விட மிகக் குறைவாக உள்ளது - மேலும் இன்றைய சிறிய மாதிரிகள் அதை மூடுகின்றன. For more context on this story, see our ongoing more AI stories.

கவலை வடிவத்தில் கற்பனையானது அல்ல, நேரத்தில் மட்டுமே. AI முகவர்கள் பிணையப் புழுக்களைப் போல நடந்து கொள்ள முடியும் என்பதை முந்தைய வேலை ஏற்கனவே காட்டியுள்ளது - நெட்வொர்க்கை ஸ்கேன் செய்தல், ஒரு சுரண்டலை இயக்குதல் மற்றும் ஒரு GPU கிளஸ்டரில் உள்ள இலக்கு இயந்திரத்திற்கு மாதிரி எடைகளை நகலெடுப்பது, Anthropic அதன் இடுகையில் விவரிக்கிறது. இணையத்தின் பெரும்பகுதியை உருவாக்கும் மலிவான, பலவீனமாக பாதுகாக்கப்பட்ட வன்பொருளில் அத்தகைய புழு உயிர்வாழ முடியுமா மற்றும் இனப்பெருக்கம் செய்ய முடியுமா என்பது நிரூபிக்கப்படாதது.

பரிசோதனைகள் என்ன கண்டுபிடித்தன

பரிசோதிக்கப்பட்ட 9 வன்பொருள் வகைகளில் 8 இல் 9 பில்லியன் அளவுரு மாதிரி வெற்றிகரமாக அனுமானம் இயங்குவதை ஆந்த்ரோபிக் குழு கண்டறிந்துள்ளது. 30 பில்லியன் அளவுருக்கள் மற்றும் அதற்கும் குறைவான மாதிரிகள் இன்று நகலெடுப்பதற்குத் தேவையான பல தனிப்பட்ட படிகளை ஏற்கனவே முடிக்க முடியும் என்று ஆராய்ச்சியாளர்கள் எழுதுகிறார்கள், இருப்பினும் அந்த படிகளை இறுதி முதல் இறுதி வரை ஒன்றாக இணைக்கும்போது அவர்கள் இன்னும் தவறு செய்கிறார்கள்.

எளிமையான மதிப்பீடுகளின் வரம்பை ஏற்கனவே அதிக திறன் கொண்ட அமைப்புகள் கடந்துவிட்டன: GLM-5.2 மற்றும் வலுவான மாதிரிகள் அதன் சோதனை நிலைமைகளின் கீழ் இறுதி முதல் இறுதி வரை நகலெடுக்கும் திறன் கொண்டவை என்று மானுடவியல் அறிக்கைகள் தெரிவிக்கின்றன. ஸ்னாப்ஷாட்டைப் போலவே பாதையும் முக்கியமானது - சிறிய மாதிரிகள் அவற்றின் வரலாற்று விகிதத்தில் தொடர்ந்து மேம்படுத்தப்பட்டால், ஆராய்ச்சியாளர்கள் எழுதுகிறார்கள், இந்த ஆண்டு இறுதிக்குள் இந்த சோதனைகளில் நிரூபிக்கப்பட்ட திறன் அளவைப் பொருத்தும், சிறிய எடையைச் சுமக்கும் பிரதிகள் விரைவில் சாத்தியமாகும்.

$55 பாட்நெட் டெமோ

பிரதியெடுக்கும் மாடலுக்கு எவ்வளவு சிறிய வன்பொருள் தேவைப்படும் என்பதைக் காட்ட, குழு 15 மலிவான, பிராண்ட் இல்லாத ஆண்ட்ராய்டு டிவி பெட்டிகளை நெட்வொர்க் செய்தது - ஒவ்வொன்றும் சுமார் $55 - மேலும் 26 பில்லியன் அளவுரு மாதிரியான Gemma4-26B-A4B ஐ இயக்கியது. ஒருங்கிணைந்த கடற்படை ஒரு வினாடிக்கு தோராயமாக 0.39 டோக்கன்களை உருவாக்கியது: மெதுவாக, ஆனால் விசைப்பலகையை விட குறைவான விலையில் வன்பொருளின் செயல்பாட்டு அனுமானம்.

டெமோவின் புள்ளி பொருளாதாரம். ஆந்த்ரோபிக்கின் வாதம் என்னவென்றால், IoT சாதனங்களின் விநியோகிக்கப்பட்ட பாட்நெட் - ஆராய்ச்சியாளர்கள் மலிவான மற்றும் பொதுவாக மோசமாகப் பாதுகாக்கப்பட்ட வன்பொருள் - தரவு-மைய GPU ஐத் தொடாமல், ஒரு திறமையான மாதிரியை இயக்க போதுமான மொத்தக் கணக்கீட்டை வழங்க முடியும். மாடல் எடைகள் தீம்பொருள் பேலோடின் ஒரு பகுதியாக மாறும், புழு இனப்பெருக்கம் செய்யும் போது எடுத்துச் செல்லப்படும் அல்லது பொது மையத்திலிருந்து சமரசம் செய்யப்பட்ட சாதனத்தில் மீண்டும் பதிவிறக்கம் செய்யப்படும்.

ஏன் ஒரு IoT புழுவைக் கொல்வது கடினமாக இருக்கும்

வழக்கமான தீம்பொருளைப் போலன்றி, சுய-பிரதி செய்யும் AI நிலையான ஸ்கிரிப்டைப் பின்பற்றாது. மானுடவியல் குறிப்புகள், அது இதுவரை பார்த்திராத வன்பொருளுக்குத் தகவமைத்து, அறிமுகமில்லாத சாதனங்களைத் தானே கண்டுபிடிக்க முடியும். மேலும் நகலெடுப்பு பரவலாக்கப்பட்டதால், மூடுவதற்கு மையப்படுத்தப்பட்ட புள்ளி எதுவும் இல்லை - இருப்பினும் செயல்முறை மெதுவாக இருக்கும் என்று ஆராய்ச்சியாளர்கள் குறிப்பிடுகின்றனர், இரட்டிப்பு நேரம் நாட்களில் அளவிடப்படுகிறது.

ஆராய்ச்சி தன்னியக்க நகலெடுப்பை நான்கு நடைமுறை நிலைகளாக உடைக்கிறது: இலக்குகளைக் கண்டறிதல், செயல்படுத்துதல், அனுமானத்தை நிறுவுதல் மற்றும் புதிய ஹோஸ்டிலிருந்து தொடர்ந்து பரப்புதல். மானுடவியல் பெரும்பாலும் முதல் இரண்டை ஒதுக்கி வைத்தது - சுரண்டல் கட்டம் - ஏனெனில் சைபர் ஜிம் மற்றும் எக்ஸ்ப்ளோயிட் பெஞ்ச் வரையறைகள் மற்றும் அடாப்டிவ் புழுக்கள் பற்றிய ஆராய்ச்சி உட்பட முந்தைய வேலைகள், சரியான கருவிகளைக் கொடுக்கும்போது சிறிய மாடல்கள் சைபர் சுரண்டல் திறன் கொண்டவை என்பதை ஏற்கனவே காட்டுகிறது. சமரசம் செய்யப்பட்ட சாதனங்களில் பணிபுரியும் அனுமானத்தை நிறுவுவதே இந்த இடுகையின் மையக்கருத்தை அளவிடுவதற்கு கடினமான பிரச்சனை.

ஆராய்ச்சி எச்சரிக்கை முதல் நிஜ உலக கவரேஜ் வரை

கண்டுபிடிப்புகள் ஆராய்ச்சி சமூகத்திற்கு அப்பால் உடனடி கவனத்தை ஈர்த்தது. AI மாதிரிகள் விரைவில் தரவு மையங்களுக்கு அணுகல் இல்லாமல் சுய-பிரதி செய்ய முடியும் என்று ராய்ட்டர்ஸ் தெரிவித்துள்ளது, அதே நேரத்தில் CBS செய்திகள் இந்த வேலையை "AI புழுக்கள்" விரைவில் சுய-பிரதி மற்றும் ஸ்மார்ட் சாதனங்களை பாதிக்கலாம் என்ற எச்சரிக்கையாக உருவாக்கியது. இந்த கதை ஹேக்கர் செய்திகளிலும் பரவலாக பரவியது, அங்கு திறன் இடைவெளி எவ்வளவு விரைவில் மூடப்படும் என்று வாசகர்கள் விவாதித்தனர்.

ஒரு நீண்டகால கவலை கான்கிரீட் பெறுகிறது

தன்னியக்க பிரதிபலிப்பு மேம்பட்ட அமைப்புகளுடன் தொடர்புடைய ஒரு தத்துவார்த்த திறனாக பல ஆண்டுகளாக AI பாதுகாப்பு கண்காணிப்பு பட்டியல்களில் உள்ளது. இந்த ஆராய்ச்சி குறிப்பிடத்தக்கது: பெயரிடப்பட்ட வன்பொருள், டாலர் செலவுகள், டோக்கன் செயல்திறன் மற்றும் அனுமானங்களை விட மாதங்களில் அளவிடப்பட்ட காலவரிசை. அத்தகைய தீம்பொருளுக்கான தெளிவான உயர் மதிப்பு இலக்காக தரவு மைய GPUகள் இருக்கும் என்பதையும் ஆந்த்ரோபிக் ஆராய்ச்சியாளர்கள் கவனிக்கின்றனர் - ஆனால் அவற்றின் சோதனைகள் முடுக்கிகள் கண்டிப்பாக தேவையில்லை என்பதை நிரூபிக்கின்றன.

தங்கள் மதிப்பீட்டாளர்களை ஏமாற்றும் மாடல்கள் முதல் சுரண்டல் திறன்களுக்காக ஆய்வு செய்யப்படும் முகவர் கருவி வரை, முகவர்-பாதுகாப்பு கவலைகளின் பரந்த ஓட்டத்திற்கு மத்தியில் பணி இறங்குகிறது. "கொள்கையில் சாத்தியம்" மற்றும் "இந்த ஆண்டு சாத்தியம்" ஆகியவற்றுக்கு இடையேயான தூரம் குறைந்து வருவதை விட இன்று IoT புழு உள்ளது என்பது ஆந்த்ரோபிக்கின் செய்தி குறைவு - மேலும் விலையுயர்ந்த, மையப்படுத்தப்பட்ட வன்பொருள் தேவைப்படும் AI ஐ அடிப்படையாகக் கொண்ட பாதுகாப்பு நீண்ட காலமாக இருக்காது.

நிரூபிக்கப்படாதவை

ஆராய்ச்சியாளர்கள் தங்கள் முடிவுகளின் வரம்புகளில் கவனமாக உள்ளனர். "எளிமைப்படுத்தப்பட்ட மதிப்பீடுகளில்" பதிவில் கூறுவது போல் இறுதி முதல் இறுதி வரையிலான நகலெடுப்பு வெற்றிகள் நிகழ்ந்தன. ஒரு நிஜ-உலக AI புழு நான்கு நிலைகளையும் நம்பகத்தன்மையுடன் இணைக்க வேண்டும்: பாதிக்கப்படக்கூடிய சாதனங்களைக் கண்டறிதல், உடைத்தல், அறிமுகமில்லாத வன்பொருளில் அனுமானத்தை பூட்ஸ்ட்ராப்பிங் செய்தல் மற்றும் மனித தலையீடு இல்லாமல் அடுத்த அலை பரப்புதலைத் தொடங்குதல்.

இன்றைய துணை-30B மாதிரிகள், குறிப்பாக, அந்த படிகளில் பலவற்றை தனித்தனியாகச் செய்ய முடியும், ஆனால் அவற்றை இறுதி முதல் இறுதி வரை அமைப்பதில் தோல்வியடைகிறது. அந்த இடைவெளி - படிகள் மற்றும் காட்சிகளுக்கு இடையில் - துல்லியமாக வரலாற்று முன்னேற்ற விகிதங்கள் மூடப்படும் என்று ஆராய்ச்சியாளர்கள் எதிர்பார்க்கிறார்கள்.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →