Anthropic’ten uyarı: Yapay zekâ solucanları yakında akıllı cihazlara yayılabilir, ancak önemli engeller hâlâ var

11 dakikalık okuma
Anthropic Warns AI Worms Could Soon Spread Across Smart Devices, but Key Barriers Remain

Sekiz sanal makine, yapay zekânın kendini kopyalamasına giden olası bir yolu ortaya koyuyor

Anthropic’in 12 Ekim 2026’da yayımladığı araştırmaya göre, bir yapay zekâ modeli yalıtılmış bir Android test ağındaki sekiz makinenin tamamına beş denemenin dördünde yayıldı. Beşinci denemede ise yedi makineye ulaştı. Bu sonuç, küçük yapay zekâ modellerinin evlerde ve küçük işletmelerde yetersiz korunan cihazlara kendilerini kopyalamak için gereken becerileri edinmesine aylar kalmış olabileceği yönündeki şirket uyarısının temelini oluşturuyor.

İçindekiler
  1. Sekiz sanal makine, yapay zekânın kendini kopyalamasına giden olası bir yolu ortaya koyuyor
  2. Bir yapay zekâ solucanı nasıl yayılır?
  3. 825 dolarlık TV kutuları neleri çalıştırabilir?
  4. Kontrollü ağ testinin ayrıntıları
  5. Anthropic neden 2026 sonunu işaret ediyor?
  6. Yavaş yayılan kopyaları ortadan kaldırmak yine de zor olabilir
  7. Çok sayıda cihazın bir araya gelmesi sınırlı yapay zekâ kapasitesi sağlayabilir
  8. Güvenlik uzmanları uyarı konusunda farklı görüşlerde
  9. Savunma ekipleri neleri izleyebilir ve değiştirebilir?
  10. Öne Çıkanlar

Başarılı olan GLM-5.2 modeli, erişimin özellikle kolaylaştırıldığı koşullarda çalıştı ve ayrı bir sunucuda çalıştırıldı. Hedef makinelerde daha küçük bir model olan Llama3.1-8B bulunuyordu. Ayrı bir deneyde ise 15 ucuz Android TV kutusunun Google’ın Gemma4-26B-A4B modelini birlikte çalıştırabildiği, ancak bunun çok yavaş olduğu görüldü.

Deneyler birlikte, aynı sorunun iki yönünü ele alıyor: Ucuz cihazlar yapay zekâ için yeterli işlem gücü sağlayabilir mi ve bir yapay zekâ ajanı yayılmak için gereken adımları düzenleyebilir mi? Bugün test edilen modeller, bu cihazlarda çalışabilecek kadar küçük olma ile tüm süreci güvenilir biçimde tamamlayabilecek kadar yetkin olma arasında hâlâ bir boşlukla karşı karşıya.

Anthropic araştırmacıları William Zhou ve Daniel Freeman, bulguları şirketin yapay zekâ çoğaltma araştırmasında ortaya koydu. Çalışma, yapay zekâ yeteneklerini ve olası tehlikeleri test eden Frontier Red Team tarafından yürütüldü. Anthropic, tamamen kontrolden çıkmış bir çoğaltıcının henüz var olmadığını kabul etti.

Temel endişe, sistemin varlığını sürdürmesi. Bağımsız olarak ele geçirilmiş cihazlarda çalışan bir yapay zekâ sistemi, geliştiricisi kendi sunucularını kapattıktan sonra bile çalışmaya devam edebilir. Sistemi ortadan kaldırmak için tek bir hizmeti devre dışı bırakmak yerine, onu destekleyen makineleri bulup güvenli hâle getirmek gerekir.

Reklam

Bir yapay zekâ solucanı nasıl yayılır?

Bilgisayar solucanı, her aktarımın bir kişi tarafından elle yapılmasına gerek kalmadan kendini bir makineden diğerine kopyalayan bir yazılımdır. Anthropic, yazılımın yanı sıra onu çalıştırmak için gereken bir yapay zekâ modelini de taşıyacak bir solucan türünü inceledi.

Model ağırlıkları, modelin eğitim sırasında öğrendiklerini kodlayan sayısal değerlerdir. Bir solucan bu ağırlıkları başka bir cihaza aktarabilir veya herkese açık bir depodan indirebilir. Ardından, modelin ağırlıklarını kullanarak yanıt üretmesi ya da bir eylem seçmesi süreci olan çıkarım işlemini başlatabilir.

Zhou ve Freeman, çoğaltma sürecini dört aşamaya ayırdı: hedefleri bulmak, yazılım çalıştırma olanağı elde etmek, çıkarım işlemini başlatmak ve yeni ana makineden yayılmayı sürdürmek. Araştırma, işletim sistemleri, yazılım paketleri, bellek ve donanım uyumluluğuyla ilgili çok sayıda karar gerektiren çıkarım kurulumuna odaklandı.

Geleneksel bir solucan genellikle belirli açıklara ve ortamlara göre hazırlanmış talimatları izler. Bir yapay zekâ ajanı ise alışık olmadığı makinelerde sorunları giderebilir, başarısızlık durumunda yaklaşımını değiştirebilir ve sonraki kopyalara işe yarar notlar aktarabilir. Anthropic, modellerini doğrudan ele geçirilmiş donanımda çalıştıran sistemlere “ağırlık tabanlı çoğaltıcılar” adını veriyor.

Araştırmacıların modelin bazı bölümlerini çalıştırabilecek olası cihazlar arasında akıllı buzdolapları, fırınlar, robot süpürgeler ve çim biçme makineleri de bulunuyor. Güvenlik kameraları ve video konferans cihazlarında giderek daha sık küçük yapay zekâ çipleri yer alıyor; bu da bir saldırganın kullanmak isteyebileceği işlem gücünü artırıyor.

825 dolarlık TV kutuları neleri çalıştırabilir?

Anthropic, tanesi yaklaşık 55 dolar olan 15 ucuz Android TV kutusu satın aldı. Toplam maliyet yaklaşık 825 dolardı. Her kutuda 4 gigabayt bellek vardı. Araştırmacılar cihazları birbirine bağladı ve Gemma4-26B-A4B’yi aralarında paylaştırarak modelin bir bölümünü her kutuda çalıştırdı.

Bu tekniğe parçalama deniyor. Modelin tamamını tek bir makineye sığdırmaya çalışmak yerine, birkaç makine işin farklı bölümlerini üstleniyor ve bilgi alışverişinde bulunuyor. Gösterimde saniyede 0,39 belirteç üretildi. Belirteçler, bir modelin işlediği veya ürettiği; çoğu zaman kelimelere ya da kelime parçalarına karşılık gelen metin birimleridir.

Reklam

Kutularda ayrıca, bellek gereksinimini azaltmak için modelin sayısal değerlerini daha az bit kullanarak temsil eden kuantizasyon tekniğinden yararlanıldı. Anthropic’in tahminine göre 4 gigabayt belleğe sahip kutular, en az dört makineye dağıtıldığında 9 milyar parametreli bir modeli çalıştırabilirken, 26 milyar parametreli bir model için 10 veya daha fazla makine gerekir.

Ucuz TV kutularının çoğunda 1 ila 4 gigabayt bellek bulunuyor ve bu cihazlar Android’in değiştirilmiş sürümlerini çalıştırıyor. Kaynakların sınırlı olması, koordinasyonu zorunlu kılıyor. Güvenlikleri de önemli: Koruması zayıf ve bakımı yetersiz cihazlar, her biri yalnızca az miktarda işlem gücü sağlasa bile kötü amaçlı yazılımlar için elverişli platformlara dönüşebilir.

Ayrı bir donanım değerlendirmesinde Qwen3.5-9B’nin, test edilen dokuz donanım türünden sekizinde başka bir model için çıkarım işlemini yapılandırabildiği görüldü. Ortamlar arasında küçük Nvidia Jetson cihazları, Mac’ler ve güçlü grafik işlemcilerine sahip makineler vardı. Sonuç, ajanın farklı sistemlerde yapay zekâ yazılımını kurup yapılandırma becerisini ölçtü.

Kontrollü ağ testinin ayrıntıları

Çoğaltma deneyinde, güvenlik duvarıyla korunan bir ağda redroid Android 15 emülatörlerini çalıştıran sekiz Google Cloud makinesi kullanıldı. Araştırmacılar ilk makineye bir ajan yerleştirdi ve ajandan diğer makineleri bulmasını, bir yük aktarmasını ve çıkarım işlemini başlatmasını istedi.

Hedeflerin her birinde kimlik doğrulaması gerektirmeyen bir Android Debug Bridge bağlantı noktası açıktı. Android Debug Bridge veya ADB, geliştirme ve sorun giderme sırasında Android cihazlarla iletişim kurmak için kullanılan bir araçtır. Kimlik doğrulaması olmadan erişilebilir bırakılması, ajana hedeflere ulaşmak için kolay bir yol sundu.

GLM-5.2 süreci güvenilir biçimde tamamladı: Dört denemede sekiz makinenin sekizine, kalan denemede ise sekiz makinenin yedisine ulaştı. Test edilen diğer ajanlar arasında Qwen3.5-9B, Gemma4-26B-A4B ve Qwen3-Coder-Next vardı. Daha küçük modeller, gereken tüm aşamaları başarıyla bir araya getirmekte zorlandı.

Farklı boyutlardaki ajanların aynı kurulum görevini yapması için dağıtılan model, Llama3.1-8B olarak sabitlendi. Hedef makinelerin GLM-5.2’yi çalıştıracak kapasitesi olmadığı için bu model harici bir çıkarım sunucusunda kaldı. Bir hedefte çıkarımın çalıştığını doğrulayan kontroller geçildikten sonra test çerçevesi, ajanın başka bir örneğini o makinede başlattı.

Reklam

Anthropic, erişimin basitleştirildiği bu koşulların laboratuvar dışındaki başarı için ulaşılabilecek üst sınırı gösterdiğini belirtti. Gerçek hayattaki bir çoğaltıcının kimlik doğrulamasını ve güvenlik kontrollerini aşması, sınırlı depolama alanıyla ve güvenilmez bağlantılarla başa çıkması, ayrıca cihazlar arasındaki farklılıkları yönetmesi gerekir. Bazı eski botnet’ler varsayılan parolalar gibi temel zayıflıklardan yararlanarak yayıldı; dolayısıyla zorluk hedeflere büyük ölçüde bağlı olur.

Anthropic neden 2026 sonunu işaret ediyor?

Anthropic’in öngörüsü, iki koşulun bir araya gelmesine dayanıyor: çoğaltma sürecini güvenilir biçimde tamamlayacak yeterlilik ve ulaşılan donanımda çalışabilecek kadar küçük bir model. Basitleştirilmiş testte GLM-5.2 yeterlilik koşulunu karşıladı. Test edilen daha küçük modeller donanım sınırlarına sığdı, ancak tüm süreç boyunca yine de hatalar yaptı.

Araştırmacılar, Epoch Capabilities Index (ECI) kullanarak 30 milyar veya daha az parametre içeren modellerdeki geçmiş gelişimi inceledi. ECI, model yeteneklerini genel olarak ölçen bir göstergedir. Uydurdukları eğilim, yılda 13,7 ECI puanlık bir iyileşmeye işaret etti.

Bu eğilimin devam etmesi hâlinde küçük bir modelin, 2026 sonuna kadar GLM-5.2’nin test edilen yeterlilik düzeyine ulaşabileceği öngörüldü. Anthropic, genel bir yetenek puanının çoğaltma becerisini ancak dolaylı olarak ölçtüğünü belirterek tahmini kabaca yapılmış bir hesap olarak nitelendirdi. Öngörü, gelişmenin geçmişteki hızında sürmesine bağlı.

Uyarı ve yanıtlar birkaç tarihe yayıldı:

  • Eylül 2026: Anthropic Üst Yöneticisi Dario Amodei, bir yıl içinde veya daha kısa sürede kalıcı yapay zekâ botnet’lerinin ortaya çıkabileceği uyarısında bulundu.
  • 12 Ekim 2026: Zhou ve Freeman deneyleri ve uygun küçük modellerin bu becerileri edinmesine aylar kalmış olabileceği tahminini yayımladı.
  • 13 Ekim 2026: Siber güvenlik uzmanları, uyum sağlama becerisine ve pratik sınırlara odaklanarak uyarıya ilişkin farklı değerlendirmeler sundu.

Deneylerde çoğaltma görevlerini yerine getirmeleri için talimat verilmiş ajanlar kullanıldı. Küçük bir modelin bu tür talimatlar olmadan kendi kendine çoğaltmayı başlatıp başlatmayacağı bilinmiyor. Yapay zekâ araştırmacısı Xiaohan Fu, sistemlerin davranışını değerlendirmeye yardımcı olmak için tam istemler dâhil, yeniden üretilebilir ajan yapılandırmalarının yayımlanması çağrısında bulundu.

Yavaş yayılan kopyaları ortadan kaldırmak yine de zor olabilir

Anthropic, test edilen TV kutularına benzer donanımları kullanan bir çoğaltıcının çalışan başka bir kopya üretmesinin günler sürebileceğini tahmin ediyor. Kurulum hesaplamalarına göre Qwen3.5-9B yaklaşık 28 ila 51 saat, optimize edilmemiş Gemma4-26B-A4B ise 71 ila 150 saat gerektiriyor.

Reklam

Bu nedenle araştırmanın temel endişesi, çok sayıda cihaza yayılmış yavaş ama kalıcı bir varlık. Bir makinenin kaybedilmesi, diğer kopyaların çalışmayı veya yayılmayı sürdürmesine engel olmaz. Birkaç makineye bölünmüş modelin çalışması da bu makineler arasındaki iletişime bağlı olur.

Araştırmayı kaleme alan Anthropic araştırmacıları Zhou ve Freeman, gelecekteki çoğaltıcıların yeni ortamlarda nasıl hareket edebileceğini şöyle anlattı:

Yapay zekâ kullanmayan kötü amaçlı yazılımların aksine, yabancı olduğu cihazların işleyişini kendi başına da çözebilir.

Notların devralındığı bir deney, bu uyum sağlama becerisine dair kanıt sundu. Qwen3.5-9B örnekleri denedikleri stratejileri ve karşılaştıkları başarısızlıkları kısaca kayda geçirdi. Sonraki örnekler aynı çıkarım kurulum görevini denemeden önce bu notları devraldı.

Altı nesil boyunca başarı oranı başlangıçtaki yüzde 45’ten sonraki nesillerde yüzde 61 ila 84 arasına yükseldi; bu, 16 ila 39 puanlık bir artış anlamına geliyor. İyileşme, model ağırlıklarının değiştirilmesinden değil, işe yarar bilgilerin aktarılmasından kaynaklandı. Küçük modele daha güçlü Opus 4.8 modelinden tavsiye vermek, bu görevde ölçülebilir bir iyileşme sağlamadı.

Çok sayıda cihazın bir araya gelmesi sınırlı yapay zekâ kapasitesi sağlayabilir

Anthropic, büyük bir ele geçirilmiş cihaz filosunun işlem gücünü tahmin etmek için, çoğunluğu Android TV kutularından oluşan 2 milyondan fazla cihaza bulaşmış Kimwolf botnet’inin boyutunu temel aldı. Cihazları 15’li gruplara ayırmak, teorik olarak yaklaşık 133 bin Gemma4-26B-A4B kopyasını çalıştırabilir.

Ölçülen performansa dayanarak şirket, saniyede toplam yaklaşık 80 bin belirteç üretilebileceğini tahmin etti. Karşılaştırma için, optimize edilmiş bir iş yükünde aynı modeli çalıştıran tek bir Nvidia H100 hızlandırıcısına ilişkin referans değer saniyede yaklaşık 1.950 belirteçti. Varsayımsal filo, çıkarım hızı bakımından yaklaşık 40 H100 hızlandırıcısına denk kapasite sağlayabilirdi.

Bu karşılaştırma, zayıf cihazlardan kayda değer bir kapasite oluşturmak için ne kadar donanım gerektiğini gösteriyor. Ayrıca makinelerin çalışır durumda kalmasına ve verimli biçimde iletişim kurmasına bağlı. Farklı cihazlar, model boyutları ve ağ koşulları sonucu değiştirir.

Güvenlik şirketi Viakoo’nun başkan yardımcısı John Gallagher, sınırlı bağlantılar üzerinden gigabaytlarca model ağırlığının aktarılmasını ve bunların kapasitesi kısıtlı flaş depolama alanına sığdırılmasını başlıca pratik engeller arasında saydı. Bu maliyetler, bir ajan yeni bir ana makineyi yapılandırmak gibi uzun bir işe başlayamadan ortaya çıkar.

Reklam

Anthropic başka olası çoğaltma biçimlerinden de söz etti: veri merkezlerini hedef alan daha büyük modeller, çıkarım hizmetine erişmek için API kimlik bilgilerini çalan ajanlar veya dolandırıcılık yoluyla işlem kredisi edinen sistemler. Bu senaryolar, küçük cihazlarla yapılan deneylerden farklı kaynaklara ve erişim yollarına dayanır.

Güvenlik uzmanları uyarı konusunda farklı görüşlerde

Britanya Ulusal Siber Güvenlik Merkezi’nin eski başkanı Ciaran Martin, araştırmayı teknik açıdan ilgi çekici buldu ancak yapay zekâ satan bir şirketin uyarıyı abarttığını öne sürdü. Değerlendirmesi, ucuz televizyonlarda küçük bir model çalıştırmakla gerçek hayatta bir güvenlik krizi yaşanması arasındaki mesafeye odaklandı.

Colorado Denver Üniversitesi’nde bilgisayar bilimi ve mühendisliği alanında uzmanlaşan yardımcı doçent Zhengxiong Li ise daha endişeli bir yaklaşım sergiledi. Kontrollü test koşullarında bile bir yapay zekâ sisteminin cihazları ele geçirmek için doğaçlama yollar bulup solucan gibi davranabileceği olasılığına dikkat çekti.

IGEL’in kamu sektörü ve kritik endüstrilerden sorumlu saha baş teknoloji sorumlusu John Walsh, bağlantılı cihazların fiziksel ekipmanlarla yan yana bulunduğu ortamlardaki olası riskleri ele aldı. Yetkisiz erişimin temel operasyonları aksatabileceği alanlar arasında soğutma sistemleri, su arıtma ve pompalama sistemlerini saydı.

Walsh, bir makinenin fiziksel davranışını değiştirmenin, onu kontrol etme yetkisine sahip sistemlere erişim gerektireceğini açıkladı. Anthropic’in deneyleri yapay zekâ barındırma ve çoğaltma görevlerine odaklandı; gıda üretimi, su arıtma ve kamu hizmetlerine ait ekipmanlar araştırmanın kapsamı dışındaydı.

Nozomi Networks’te siber güvenlik stratejisi direktörü Chris Grove, makine hızında yayılabilen gelecekteki sistemlere karşı savunma ekiplerinin otomasyona ihtiyaç duyacağını savundu. Onun endişesi, daha hızlı yayılabilecek sonraki nesil sistemlerle ilgili. Anthropic’in test ettiği ev tipi donanım sınıfına ilişkin tahminleri ise çoğaltmanın günler sürebileceğini gösteriyor.

Savunma ekipleri neleri izleyebilir ve değiştirebilir?

Anthropic, internet servis sağlayıcılarının şüpheli trafiği izlemesini ve etkilenen cihazları karantinaya almasını; bunun yanı sıra tuzak sistemlerin daha yaygın kullanılmasını ve bağlantılı ürünlerde varsayılan güvenliğin güçlendirilmesini öneriyor. Tuzak sistem, savunma ekiplerinin inceleyebilmesi için şüpheli etkinlikleri çekmek üzere bilerek erişime açılan bir sistemdir.

Büyük model aktarımları, cihazlar arasındaki sürekli iletişim ve dışarıya yönelik tarama, ağırlık tabanlı bir çoğaltıcının tespit edilmesine yardımcı olabilir. Tarama, erişilebilen diğer makineleri arama işlemidir. Birkaç ana makineye dağıtılan model, bu makineler birlikte çalışırken aralarında iletişim de oluşturur.

Müşterileri bilgilendirmek, temizleme çalışmalarını iyileştirebilir. Anthropic, Mirai botnet’ine yönelik bir temizleme çalışmasında müşteriler bilgilendirildiğinde 14 gün içinde bulaşmaların yüzde 92’sinin giderildiğini, bilgilendirme yapılmadığında ise oranın yüzde 74’te kaldığını belirtti. Aynı süre içinde 18 puanlık bir fark söz konusu.

Üreticiler ve işletmeciler; yönetim arayüzlerini güvenceye alarak, hata ayıklama erişimini dışarıya açık bırakmayarak ve yazılım güncellemelerini sürdürerek çoğaltma fırsatlarını azaltabilir. Sağlayıcıların etkilenen cihazları tanımlayıp yalıtabilmesi, sahiplerin ise cihazları güvenli biçimde yeniden kurmak için anlaşılır talimatlara erişebilmesi gerekir. Anthropic’in uyarısı, küçük modeller ayrı testlerde sergiledikleri becerileri güvenilir biçimde birleştirmeden önce bu savunmaları hazırlamaya odaklanıyor.

Öne Çıkanlar

  • Anthropic, yapay zekâ çoğaltma araştırmasını 12 Ekim 2026’da yayımladı.
  • GLM-5.2, erişimin basitleştirildiği koşullarda beş denemenin dördünde sekiz sanal Android makinesinin tamamına ulaştı.
  • Tanesi yaklaşık 55 dolar olan 15 Android TV kutusu, Gemma4-26B-A4B’yi birlikte çalıştırarak saniyede 0,39 belirteç üretti.
  • Bugün test edilen modeller, güvenilir çoğaltma becerisi ile ucuz cihazların boyut sınırları arasında bir boşlukla karşı karşıya.
  • Anthropic, geçmişteki gelişmelere dayanarak küçük modellerin test edilen yeterlilik düzeyine 2026 sonuna kadar ulaşabileceğini tahmin ediyor.
  • Test edilen donanım sınıfında çoğaltma günler sürebilir; dağıtık bir sistemi kapatmak ise zor olabilir.
  • Önerilen savunmalar arasında trafik izleme, cihazları karantinaya alma, müşterileri bilgilendirme ve varsayılan güvenliği güçlendirme yer alıyor.
Bu haberi paylaş

Bunlar da ilginizi çekebilir