Anthropic, küçük yapay zekâ modellerinin düşük maliyetli Android TV kutuları ve akıllı fırınlar gibi ticari Nesnelerin İnterneti cihazları üzerinden kendi kendine yayılma kapasitesine birkaç ay içinde yaklaşabileceği konusunda uyardı. Bu senaryo, doğrudan veri merkezlerine bağlı olmadan yapay zekâ iş yüklerini çalıştırabilen dağıtık cihaz ağlarının oluşturulmasına yol açabilir.
Ancak uyarı, yakın bir saldırıya veya bağımsız bir yapay zekâ solucanının tamamen kanıtlanmasına dayanmıyor. Araştırmacılar, Google DeepMind’ın Gemma4-26B-A4B modelini markası bilinmeyen 15 Android TV kutusuna dağıtmayı başardı; ancak gerçek IoT donanımı üzerinde cihazları bulma, ele geçirme ve ardından kendisini otomatik olarak kopyalama aşamalarının tamamını içeren bir döngüyü göstermeyi başaramadı.
Deney ne gösterdi?
Anthropic, ucuz Android TV kutuları kullandı ve Qwen3.5-9B, Gemma4-26B-A4B, Llama3.1-8B, Opus 4.8 ve GLM-5.2 modellerine farklı roller dağıttı. Qwen3.5-9B ve GLM-5.2, Llama3.1-8B’yi hazırlama ve dağıtma görevlerini üstlenirken Gemma4-26B-A4B, modelin 15 cihazda çalıştırılabileceğini gösterdi.
Test, hedef cihazların belgelenmemiş ADB erişimi sunduğu basitleştirilmiş bir ortama dayanıyordu. Qwen3.5-9B, Llama3.1-8B’yi çalıştırmak için gerekli yazılımları dokuz test donanımı türünün sekizine kurup hazırlayabildi. GLM-5.2 ise kontrollü bir simülasyon ağı içinde beş denemenin dördünde sekiz düğüme ulaştı; diğer modeller süreci istikrarlı biçimde tamamlayamadı.
Qwen3.5-9B’nin başarı oranı, önceki denemelerden elde edilen verileri koruduğunda ilk denemelerdeki %45’ten sonraki nesillerde %84’e yükseldi. Ona yardımcı olması için Opus 4.8’in kullanılması ölçülebilir bir iyileşme sağlamadı.
Pratikte ne değişiyor?
Anthropic, deney sonuçlarına ve önceki iyileşme oranlarına dayanarak, boyutu 30 milyar parametreyi aşmayan modellerin 2026 sonuna kadar gerekli kapasite düzeyine ulaşabileceğini tahmin ediyor. İncelenen donanımda çıkarım süreci Qwen3.5-9B ile 28 ila 51 saat, Gemma4-26B-A4B ile 71 ila 150 saat sürdü; bu da savunmacılara faaliyeti tespit edip müdahale etmek için zaman tanıyor. Ancak modellerin ve donanımın gelişmesiyle bu süre azalabilir.
Önerilen savunmalar ve uyarının sınırları
Anthropic, büyük model aktarım işlemlerinin ve cihazlar arasındaki olağandışı veri trafiğinin izlenmesini, yükleri incelemek için ağ tuzaklarının kullanılmasını, etkilenen abonelerin veya cihazların izole edilmesini ve IoT cihazlarının varsayılan güvenlik yapılandırmalarının iyileştirilmesini öneriyor.
Temel sonuç, mevcut bir tehdidin kanıtlanmasından ziyade uyarı niteliğini koruyor; çünkü deney, koruma düzeyi düşürülüp yayılma hedefleri önceden belirlenmiş olsa bile baştan sona bağımsız bir solucan oluşturmayı başaramadı. Bununla birlikte sonuçlar, IoT yapılandırmalarındaki zayıflıkların, daha küçük modellerin cihazları keşfetme ve yapılandırma becerileriyle birleştiğinde gelecekteki dağıtık saldırıların kontrol altına alınmasını zorlaştırabileceğini ortaya koyuyor.