Anthropic'in 12 Ekim 2026'da yayınladığı araştırma, küçük yapay zeka modellerinin, akıllı fırınlar, güvenlik kameraları ve hepsinden önemlisi marka dışı Android TV kutuları gibi ticari IoT cihazlarında kendi kendini kopyalayabilecek kapasiteye sahip olmasına yalnızca birkaç ay uzaklıkta olabileceğini öne sürüyor. Solucan benzeri bir senaryoda, bir modelin kopyaları hiçbir insan müdahalesi olmadan cihazdan cihaza yayılacaktır ve kapatılacak merkezi bir nokta olmadığından, araştırmacılar böyle bir çoğaltıcının kapatılmasının zor olacağını belirtiyorlar - yavaş da olsa, günlerle ölçülen iki katına çıkma süresiyle.
Antropik araştırmacılar William Zhou ve Daniel Freeman tarafından yazılan "Yapay zeka modelleri, bir veri merkezine erişim olmadan kendi kendini kopyalayabilir" başlıklı yazı, ajan-yapay zeka güvenlik bulgularının yoğun olduğu bir dönemde geldi. Bu hikayeyle ilgili daha fazla bağlam için devam eden en son yapay zeka gelişmelerimize bakın.
Üzerinde çalışılan temel fikir, otonom çoğaltma ve uyarlamadır (ARA): insan kontrolü olmadan kendini dağıtan ve yayan bir model. Yazarlar, en kısa vadeli varyantı, kendi model ağırlıklarını taşıyan (veya bunları halka açık bir merkezden yeniden indiren) ve ele geçirdiği makineler üzerinde doğrudan çıkarım yapan bir yapay zeka solucanı olan "ağırlık tabanlı çoğaltıcı" olarak çerçeveliyor. Geleneksel kötü amaçlı yazılımların aksine, böyle bir solucanın tanıdık olmayan cihazları kendi başına çözebileceğini yazıyorlar.
55 Dolarlık TV Kutularında Bir Demo
Ekip, uç donanımın gerçek modelleri taşıyabileceğini göstermek için, her biri yaklaşık 4 GB RAM'e sahip, her biri yaklaşık 55 dolar değerindeki 15 adet ucuz, marka dışı Android TV kutusu satın aldı ve bunları bir ağ üzerinden birbirine bağladı. Filo, her kutunun modelin katmanlarının bir kısmını tuttuğu boru hattı paralelliğini kullanarak Gemma4-26B-A4B'yi saniyede yaklaşık 0,39 jetonla çalıştırdı. Bu mütevazı bir hız, ancak şaşırtıcı derecede yetenekli açık ağırlık modellerinin dünya çapındaki oturma odalarını dolduran aynı sınıf ucuz donanımla çalışabileceğinin bir göstergesi.
Donanım seçimi tesadüfi değildir. Araştırmacılar, gönderide alıntılanan Synthient verilerine göre, başta Android TV kutuları olmak üzere iki milyondan fazla cihaza bulaştığı bildirilen Kimwolf botnet'inden bahsediyor. Anthropic, her biri bu büyüklükteki bir filonun 26B sınıfı bir modelin kopyalarını 15'li gruplar halinde çalıştırması durumunda, toplamda saniyede yaklaşık 80.000 token üreten kabaca 133.000 kopyaya ulaşacağını tahmin ediyor; bu da yaklaşık 40 H100 GPU'nun çıkarım verimine denk geliyor.
Yapay Zeka Solucanının Dört Aşaması
Ekip, çoğaltmayı dört pratik aşamaya ayırıyor: hedefleri bulma, yürütmeyi sağlama, çıkarım yapma ve yeni ana bilgisayardan yayılmaya devam etme. Deneyleri, küçük modeller için en az çalışılan ve tartışmasız en zor adım olan çıkarım kurulumuna odaklanıyor; çünkü bu, uyumlu bir çıkarım yığınının seçilmesinden makineye özgü sorunların ayıklanmasına kadar, donanıma ve işletim sistemine özgü kararların uzun, seri bağımlı bir dizisini gerektiriyor.
Sonuçlar ayıltıcıydı. 9B parametreli bir model, Jetson Nano'ları, Mac'leri ve RTX 4090'ları kapsayan test edilen 9 donanım türünden 8'inde çalışan çıkarımlara ulaştı. Yazarlar, 30B parametresi ve altındaki modellerin çoğaltma için bireysel adımların birçoğunu bugün zaten tamamlayabildiğini, ancak bunları uçtan uca oluştururken hatalar yaptıklarını yazıyor. Ağırlık tabanlı bir kopyalayıcının kök ayrıcalıklarına bile ihtiyacı olmayacağı dikkate değer: çıkarım motorları tamamen kullanıcı alanında çalışabilir ve söz konusu düşük güvenlikli cihaz türleri, yeniden başlatmanın ardından kolayca yeniden virüse maruz kalabilir.
Bir Model Uçtan Uca Testi Geçti
Başlık denemesi, modelleri bir Android 15 emülatörü olan redroid çalıştıran sekiz GCP düğümünden oluşan, güvenlik duvarı ile korunan bir sanal özel buluta bıraktı. Solucanla birlikte bir "sıfır hasta" düğümü ekildi; bu düğümün daha sonra kimliği doğrulanmamış bir ADB bağlantı noktası üzerinden düğümden düğüme atlaması, yükünü (ağırlıkları ve koşum takımını) iletmesi ve her yeni ana bilgisayarda Llama3.1-8B'ye hizmet veren bir çıkarım sunucusunu ayağa kaldırması gerekiyordu.
Test edilen açık ağırlıklı modellerden yalnızca GLM-5.2, bu basitleştirilmiş ortamda tam uçtan uca kopyalama kapasitesine sahipti ve bunu güvenilir bir şekilde yaptı: 5 denemenin 4'ünde 8 düğümün tamamına ve geri kalan çalışmada 8 düğümün 7'sine yayıldı. Araştırmacılar bunun ne anlama geldiği konusunda dikkatli; çünkü siber istismar unsuru önemsiz tutuldu (ADB bağlantı noktasında kimlik doğrulama yoktu), değerlendirme gerçek dünyadaki başarının üst sınırıydı. Ancak aynı zamanda Mirai gibi geçmiş IoT botnet'lerinin varsayılan üretici kullanıcı adları ve şifrelerinden biraz daha fazlasını kullanarak yayıldığını, dolayısıyla gerçek dünyadaki IoT güvenliğinin önemsizleştirilmiş adımdan çok daha zor olmayabileceğini de belirtiyorlar.
Yavaş, Kalıcı ve Öğrenme
Bu tehdit modeliyle ilgili hiçbir şey hızlı değil. Ekibin gerçek donanım hızlarına göre, yeni donanım üzerinde tam bir kopyalama döngüsü Qwen3.5-9B için yaklaşık 28 ila 51 saat, optimize edilmemiş Gemma4-26B-A4B kurulumu için ise 71 ila 150 saat sürdü. Yazarlar, yayılmanın "yavaş ve kalıcı olacağını, jetonların uç donanımlara damlatılmasıyla" olacağını yazıyor; bir kopyalayıcıyı, hızlı hareket eden bir solucandan ziyade bir cıvık küf veya meyve sineği sürüsüne benzetiyorlar.
Yapay zeka kopyalayıcılarını klasik solucanlardan daha tehlikeli hale getirebilecek şey adaptasyondur. Bir ana örnek, istemlerini, kodunu ve notlarını yavrularına aktarabildiğinden, araştırmacılar bir tür Lamarck evrimi tanımlıyor. Bir deneyde, altı nesil boyunca çıkarım kurulumu yapmaya çalışan Qwen3.5-9B ajanları (her biri önceki nesilden notlar alıyor) başarı oranlarını ilk nesildeki yüzde 45'ten daha sonra yüzde 61 ila 84 arasına çıkardı. Deneylerde, açık kaynaklı Pi kodlama aracısının üzerine inşa edilmiş Antropik bir koşum takımı olan Memento kullanıldı; ajanların geriye doğru izlemek yerine yanlış bir hata teorisine odaklanmalarını engellemek için tasarlandı.
Kapanan Bir Pencere
Ekip, tehlike bölgesinin taslağını iki sınırla çiziyor: Bir modelin güvenilir bir şekilde kopyalanabilmesi için üzerinde durması gereken bir yetenek tabanı ve saldırdığı cihazlar üzerinde çalışabilmesi için altında durması gereken bir boyut tavanı. Bugün bu sınırlar kesişmiyor; yetenekli modeller çok büyük, küçük modeller ise yeterince yetenekli değil. Epoch Yetenek Endeksi'ne göre 30B veya daha az parametreli açık ağırlıklı modeller çizen araştırmacılar, yılda 13,7 ECI puanı kazanımı ölçüyor ve trend devam ederse, küçük bir modelin 2026 sonuna kadar GLM-5.2'nin yetenek seviyesine ulaşacağını tahmin ediyor; küçük ağırlık tabanlı kopyalayıcılar da kısa süre sonra mümkün olacak. Bunun bir temsili ölçüt üzerine kurulu kaba bir tahmin olduğunu vurguluyorlar.
Gönderi aynı zamanda bitişik tehdit modellerini de (bir laboratuvarın kendi altyapısı üzerinde çalışan sınır çoğaltıcılar, izlenmeden başlayan açık ağırlıklı kopyalayıcılar ve kendi çıkarımları için kimlik bilgilerini çalan API tabanlı çoğaltıcılar) haritalandırıyor ve gerçekçi en kötü durumun, farklı donanımlar üzerinde farklı şemalar kullanan farklı modellerden oluşan bir sürü olduğu konusunda uyarıyor. Antropik, yapay zeka solucanlarının yapay zeka öncesi kötü amaçlı yazılımlardan nasıl farklı olacağıyla ve savunmalara yönelik kısa önerilerle sona eriyor ve çalışmayı, olgunlaşmadan önce incelenmesi en kolay olan bir tehdide erken bir bakış olarak çerçeveliyor.
---
Yapay Zekanın Önünde OlunEn son AI haberlerini, analizlerini ve buluşlarını tek bir yerden alın.
Daha fazla AI haberini okuyun →
