Anthropic هشدار می دهد که هوش مصنوعی خود تکراری می تواند به دستگاه های هوشمند شما سرایت کند

Anthropic هشدار می‌دهد که مدل‌های کوچک هوش مصنوعی به زودی می‌توانند در دستگاه‌های IoT مصرف‌کننده، از جعبه‌های Android TV گرفته تا اجاق‌های هوشمند، تکثیر شوند و بات‌نت‌های توزیع‌شده ایجاد کنند که قادر به اجرای بارهای کاری هوش مصنوعی بدون اتکا به مراکز داده هستند.

آزمایش‌های این شرکت نشان داد که مدل‌ها می‌توانند دستگاه‌های ناآشنا را شناسایی کرده، آن‌ها را به شبکه متصل کرده و آن‌ها را برای اجرای یک مدل هوش مصنوعی آماده کنند.

اگرچه محققان با موفقیت مدل Gemma4-26B-A4B را از Google DeepMind بر روی 15 جعبه تلویزیون اندرویدی بی‌نام تجاری توزیع کردند، اما یک کرم هوش مصنوعی کاملا مستقل و خود تکراری که روی سخت‌افزار IoT واقعی اجرا می‌شود را نشان ندادند.

با این حال، آن‌ها تخمین می‌زنند که اگر مدل‌های کوچک‌تر به بهبود نرخ تاریخی خود ادامه دهند، می‌توانند تا پایان سال به خود تکراری دست یابند.

آنتروپیک هشدار می‌دهد: آزمایش‌های ما نشان می‌دهد که مدل‌های کوچک هوش مصنوعی ممکن است ماه‌ها تا توانایی کافی برای تکثیر خود در دستگاه‌های تجاری اینترنت اشیا (IoT) مانند اجاق‌های هوشمند و جعبه‌های تلویزیون اندرویدی بی‌نام تجاری فاصله داشته باشند.

خاموش شدن یک شبیه‌ساز مانند این چالش‌برانگیز است، زیرا هیچ نقطه متمرکزی برای خاموش کردن وجود ندارد - اگرچه ممکن است کند باشد (با دو برابر شدن زمان روزها).

Anthropic آزمایش تکرار خود را با استفاده از جعبه‌های ارزان قیمت Android TV انجام داد و مدل‌های هوش مصنوعی Qwen3.5-9B، Gemma4-26B-A4B، Llama3.1-8B، Opus 4.8 و GLM-5.2 هر کدام نقش متفاوتی را به خود اختصاص دادند.

Qwen3.5-9B و GLM-5.2 به عنوان عواملی که وظیفه راه اندازی و انتشار Llama3.1-8B (استنتاج) را بر عهده داشتند، در حالی که Gemma4-26B-A4B نشان داد که یک مدل می تواند در 15 جعبه تلویزیون Android اجرا شود. Opus 4.8 به طور جداگانه به عنوان مشاور Qwen مورد آزمایش قرار گرفت.

این آزمایش از یک تنظیم ساده استفاده کرد که در آن اهداف، دسترسی غیراصولی ADB را در معرض دید قرار دادند.

آزمایشات نشان داد که Qwen3.5-9B با موفقیت نرم افزار مورد نیاز برای اجرای Llama3.1-8B را بر روی هشت نوع از 9 نوع سخت افزاری آزمایش شده نصب و پیکربندی کرد.

GLM-5.2 در چهار مورد از پنج آزمایش به هر هشت گره در شبکه شبیه‌سازی‌شده کنترل‌شده دست یافت، اما مدل‌های دیگر نتوانستند فرآیند کامل را به طور قابل اعتماد کامل کنند.

آنتروپیک زمانی که داده‌های تلاش‌های قبلی را حفظ کرد، بهبودی در میزان موفقیت مشاهده کرد، با نرخ موفقیت Qwen3.5-9 B از 45٪ در اوایل به 84٪ در نسل‌های بعدی افزایش یافت.

استفاده از مدل قوی‌تر Opus 4.8 برای کمک به Qwen در استنتاج هیچ پیشرفت قابل اندازه‌گیری ایجاد نکرد.

بر اساس نتایج و داده های تاریخی، آنتروپیک پیش بینی می کند که مدل هایی با 30 میلیارد پارامتر یا کمتر می توانند تا پایان سال 2026 به سطح توانایی لازم برسند.

در سخت‌افزار مورد مطالعه، تنظیم استنتاج فرآیندی کند خواهد بود و بین 28 تا 51 ساعت برای Qwen3.5-9B و 71-150 ساعت برای Gemma4-26B-A4B طول می‌کشد و به مدافعان زمان کافی برای شناسایی و پاسخ دادن می‌دهد.

با این حال، این زمان ممکن است با مدل‌های آینده کاهش یابد، بنابراین اجرای اقدامات امنیتی قوی‌تر برای اینترنت اشیا ممکن است به زودی به یک اولویت تبدیل شود.

دفاع پیشنهادی شامل تشخیص انتقال مدل های بزرگ و ترافیک غیرمعمول دستگاه به دستگاه، استفاده از هانی پات برای بازرسی محموله ها، قرنطینه کردن مشترکین آلوده و بهبود پیش فرض های امنیتی اینترنت اشیا است.

در حالی که هشدار آنتروپیک مبتنی بر یک تهدید قریب‌الوقوع نیست، زیرا آزمایش آن‌ها نتوانست قابلیت کامل ایجاد کرم انتها به انتها را در این مرحله نشان دهد، حتی با تنظیمات امنیتی پایین‌تر و اهداف انتشار صریح، پیام امنیت بهتر IoT همچنان معتبر است.

به میکو هیپونن و رهبران امنیتی NFL، CHANEL و Atlassian بپیوندید تا در یک نشست دیجیتالی دو ساعته در مورد اینکه حملات با سرعت هوش مصنوعی چه تغییراتی می‌کنند، مدافعان چه کارهایی را باید انجام ندهند و چگونه اعتبار، تصمیم‌گیری، اصلاح و تأیید مجدد با سرعت ماشین را انجام دهند، بپیوندید.

پس از اینکه مدل‌ها سایت‌های دولتی را نقض می‌کنند، آنتروپیک تست‌های هوش مصنوعی خطرناک را آفلاین انجام می‌دهد

Anthropic از کاربران کلود می خواهد که داده های صوتی را برای آموزش مدل هوش مصنوعی به اشتراک بگذارند

Anthropic کلود را به یک بازار هوش مصنوعی با بیش از 2000 پلاگین و رابط تبدیل می کند

Claude Opus 5.5 95% کمتر از خطوط em استفاده می کند، اما پاسخ های آن طولانی تر می شود