بر اساس تحقیقات تیم قرمز (Red Team) شرکت Anthropic، مدل‌های کوچک هوش مصنوعی ممکن است تنها چند ماه دیگر با قابلیتی روبرو شوند که به آن‌ها اجازه می‌دهد بدون نیاز به دیتاسنتر (Data Center)، به‌طور خودکار در دستگاه‌های IoT تجاری تکثیر شوند.
ماهیت تهدید: کرم‌های هوش مصنوعی
این مطالعه بر روی کرم‌های هوش مصنوعی (AI Worms) تمرکز دارد؛ بدافزارهایی که مدل هوش مصنوعی خود را مستقیماً روی دستگاه‌های مورد حمله اجرا می‌کنند. این نوع بدافزارها به دلیل نبود یک نقطه مرکزی برای کنترل یا خاموش‌سازی، متوقف کردن آن‌ها بسیار دشوار خواهد بود، هرچند احتمالاً سرعت انتشار آن‌ها در ابتدا کند باشد.
جزئیات آزمایش و یافته‌ها
محققان برای تست این فرضیه، ۱۵ دستگاه TV Box اندرویدی ارزان‌قیمت را خریداری کردند. نتایج آزمایش‌ها به شرح زیر بود:
- یک مدل با ۲۶ میلیارد پارامتر (Parameter) که بین این دستگاه‌ها توزیع شده بود، توانست با سرعت ۰.۳۹ توکن در ثانیه اجرا شود.
- تیم تحقیقاتی متوجه شد که مدل‌های هوش مصنوعی می‌توانند عملیات استنتاج (Inference) را روی سخت‌افزارهای ناآشنا اجرا کنند؛ در واقع یک مدل ۹ میلیارد پارامتری توانست روی ۸ نوع سخت‌افزار مختلف از ۹ مورد تست شده اجرا شود.
- در یک شبکه بسته شامل ۸ دستگاه اندرویدی شبیه‌سازی شده، مدل GLM-5.2 توانست چرخه کامل تکثیر را به طور موفقیت‌آمیز طی کرده و در ۴ مورد از ۵ اجرای تست، به تمام دستگاه‌ها سرایت کند.
پیش‌بینی آینده و مقیاس تهدید
شرکت Anthropic پیش‌بینی می‌کند که با توجه به نرخ پیشرفت فعلی، مدل‌هایی با ۳۰ میلیارد پارامتر یا کمتر تا پایان سال ۲۰۲۶ به سطح توانایی مدل GLM-5.2 برسند. این موضوع امکان ایجاد تکثیرکننده‌های مبتنی بر وزن (Weight-based Replicators) را فراهم می‌کند.
در تحلیل مقیاس‌پذیری، این تیم یک بات‌نت مشابه Kimwolf (با بیش از ۲ میلیون دستگاه عفونی) را بررسی کرد. اگر هر ۱۵ دستگاه TV Box یک نسخه از مدل ۲۶ میلیارد پارامتری را اجرا کنند، چنین بات‌نتی می‌تواند میزبان حدود ۱۳۳,۰۰۰ نسخه از مدل باشد که مجموع توان پردازشی آن‌ها معادل حدود ۴۰ پردازنده Nvidia H100 خواهد بود.
تفاوت با بات‌نت‌های سنتی و راهکارهای دفاعی
برخلاف بات‌نت‌های سنتی که برای سخت‌افزارهای خاص طراحی می‌شوند، یک کرم هوش مصنوعی می‌تواند به‌طور خودکار راهکارهای سازگاری با سخت‌افزارهای ناآشنا را پیدا کند. با این حال، متخصصان امنیتی همچنان مزایایی دارند:
- مانیتورینگ ISP: انتقال مدل‌های حجیم و ترافیک مداوم بین دستگاه‌هایی که به‌طور معمول با هم ارتباط ندارند، در سطح ISP قابل شناسایی است.
- بهبود تنظیمات پیش‌فرض: حذف رمزهای عبور پیش‌فرض توسط سازندگان تجهیزات، می‌تواند فضای حمله (Attack Surface) و تعداد اهداف بالقوه را به‌شدت کاهش دهد.
در حال حاضر هیچ تکثیرکننده تخریبی کاملی وجود ندارد، اما مدل‌ها در هر مرحله از زنجیره حمله و در انتقال آموخته‌های خود به نسخه‌های کپی، پیشرفت می‌کنند.
به‌روزرسانی (اکتبر 13, 2026 — Security Affairs)
به‌روزرسانی: محققان Anthropic در گزارش جدید خود با استفاده از مدل‌های Gemma4-26B-A4B، GLM-5.2 و Qwen3.5-9B نشان دادند که مدل‌های کوچک هوش مصنوعی در حال نزدیک شدن به قابلیت تکثیر خودکار در شبکه‌های دستگاه‌های IoT ارزان‌قیمت (مانند Android TV boxes) هستند. این آزمایش بر روی ۱۵ دستگاه اندرویدی متفرقه انجام شد و نتایج نشان داد که مدل GLM-5.2 توانسته است به‌طور کامل و مستقل فرآیند تکثیر را در اکثر تلاش‌ها اجرا کند.
این فرآیند تکثیر شامل چهار مرحله است: شناسایی دستگاه‌ها (Finding)، دسترسی (Access)، راه‌اندازی مدل AI (Setup) و تکرار (Repeat). برخلاف بات‌نت‌های سنتی مانند Mirai یا Kimwolf که برای اکسپلویت‌های خاص و سخت‌افزارهای تعریف‌شده (Hard-coded) طراحی شده بودند، بات‌نت‌های مبتنی بر AI تطبیقی هستند و می‌توانند روش‌های اجرای Inference را بر روی سخت‌افزارهای ناشناخته یاد بگیرند.
نکته تکان‌دهنده این تحقیق، بازنگری در جدول زمانی است؛ محققان پیش‌بینی می‌کنند که مدل‌های کوچک AI تا پایان سال جاری میلادی به قابلیت تکثیر کامل دست یابند. همچنین مشاهده شد که این مدل‌ها در طول سرایت یاد می‌گیرند؛ برای مثال مدل Qwen3.5-9B توانست نرخ موفقیت خود در اجرای تسک‌های Setup را از ۴۵ درصد به بیش از ۶۰ درصد در نسل‌های بعدی افزایش دهد.
از منظر دفاعی، شناسایی ناهنجاری‌های شبکه (Network Anomaly Detection) در سطح ISP و قرنطینه کردن دستگاه‌های آلوده، همچنان مؤثرترین روش مقابله با این نوع سرایت‌های حجیم (Weight-based replication) تلقی می‌شود.
