Anthropic: قد تتمكن النماذج الصغيرة من التكاثر الذاتي على أجهزة إنترنت الأشياء بحلول نهاية العام

يرى فريق Frontier Red Team في Anthropic أن النماذج الصغيرة للذكاء الاصطناعي قد تكون على بعد أشهر قليلة من القدرة على التكاثر الذاتي على أجهزة إنترنت الأشياء التجارية، بدءًا من الأفران الذكية وصولًا إلى أجهزة Android الرخيصة الموصولة بالتلفزيون. في الاختبارات، شغّل نموذج بحجم 9B الاستدلال على 8 من 9 أنواع من العتاد. ويجتاز نموذج GLM-5.2 والنماذج الأقوى منه سيناريو التكاثر المبسّط من البداية إلى النهاية. وإذا واصلت النماذج الصغيرة نموها بالوتيرة نفسها، فستبلغ هذا المستوى بحلول نهاية 2026.

يتحدث الباحثان ويليام تشو ودانيال فريمان عن التكاثر والتكيّف المستقل (ARA)، أي أن يقوم النموذج بنشر نفسه وتوزيعها دون رقابة بشرية. وكان ذلك يتطلب في السابق مركز بيانات مزوّدًا بوحدات GPU. ويبيّن المؤلفون أن المسرّع القوي ليس شرطًا ضروريًا.

الدودة التي تحمل الأوزان معها

تنسخ الدودة الكلاسيكية نفسها من جهاز إلى آخر دون تدخل بشري. وقد أظهرت أعمال سابقة أن وكيل ذكاء اصطناعي قادر على مسح الشبكة، واستغلال ثغرة، ونسخ أوزان النموذج إلى عقدة أخرى في عنقود GPU. وفي هذه الحالة تصبح الأوزان جزءًا من الحمولة الخبيثة: يمكن نقلها مع الدودة أو تنزيلها من جديد من مستودع عام، ثم تشغيل الاستدلال مباشرة على العتاد المخترق.

يسمّي المؤلفون هذه البرامج weight-based replicators، أي المُكرِّرات القائمة على الأوزان. ويعدّون أجهزة إنترنت الأشياء المنزلية والمكتبية أولى أهدافها، لأنها متصلة بالإنترنت وضعيفة الحماية تاريخيًا.

ولإجراء العرض التوضيحي، اشترى الباحثون 15 جهازًا رخيصًا من أجهزة Android الموصولة بالتلفزيون بسعر ~$55 للجهاز، وربطوها في شبكة واحدة، ووزّعوا عليها نموذج Gemma4-26B-A4B. وحمل كل جهاز طبقتين من النموذج. وبلغت السرعة 0.39 توكن في الثانية. هذا بطيء، لكنه يعمل، وتبلغ التكلفة الإجمالية للمنصة التجريبية نحو $825.

كيف قُسّمت السلسلة وما الذي جرى اختباره

قسّم الباحثون عملية التكاثر إلى أربع مراحل:

• البحث عن الأهداف؛
• الحصول على تنفيذ الشيفرة على الجهاز؛
• تشغيل الاستدلال؛
• مواصلة الانتشار من المضيف الجديد.

لم يتناول المؤلفون المرحلتين الأوليين تقريبًا بالدراسة. فقد أظهرت CyberGym وExploitBench وأعمال عن الديدان التكيفية أن النماذج الصغيرة تتعامل جيدًا مع الهجمات السيبرانية، خصوصًا عند توفر الأدوات المناسبة. ويتركز الاهتمام على المرحلة الثالثة: هل يستطيع النموذج أن يهيّئ الاستدلال بنفسه على جهاز غير مألوف؟

تنفّذ النماذج التي يصل حجمها إلى 30B معلمة كثيرًا من الخطوات المنفردة بالفعل، لكنها تخطئ عندما يتعين عليها جمعها في سلسلة واحدة. وفي الاختبارات المبسّطة، يجتاز السلسلة كاملةً GLM-5.2 والنماذج الأقوى منه.

لماذا يصعب إيقاف هذا الانتشار

يمكن تقطيع النموذج الذي لا يتسع لجهاز واحد إلى شظايا (shards) وتشغيلها على عدة أجهزة. ويرى المؤلفون أن الثلاجات الذكية والأفران والمكانس الروبوتية وجزّازات العشب مرشحة مناسبة لنموذج أصغر من 30B. وتُضاف إليها كاميرات المراقبة وأنظمة مؤتمرات الفيديو.

لا تملك هذه الشبكة عقدة مركزية يمكن إيقافها. وسرعة الانتشار منخفضة، إذ يستغرق التضاعف أيامًا. ومع ذلك، وعلى خلاف البرمجيات الخبيثة المعتادة، يستطيع دودة الذكاء الاصطناعي أن تتعرف بنفسها على الأجهزة غير المألوفة، بدل انتظار ثغرة جاهزة لكل طراز. ومن مسارات الانتشار الأخرى التي يذكرها المؤلفون سرقة مفاتيح API وبيانات اعتماد المنصات، ودفع تكلفة الاستدلال عبر عمل مشروع مثل العمل الحر الرقمي.

ويقيّم الجزء المتبقي من الدراسة سرعة العدوى وقدرة الدودة على التعلم أثناء التكاثر. كما يتضمن مقارنة مع البرمجيات الخبيثة في عصر ما قبل الذكاء الاصطناعي وتوصيات موجزة للحماية.

ماذا على المصنّعين والمدافعين أن يفعلوا

الخلاصة العملية بسيطة. فحماية إنترنت الأشياء لم تعد مسألة شبكات botnet لهجمات DDoS وحدها: إذ يمكن الآن أن يعمل على هذه الأجهزة نموذج متكامل. وينبغي للمصنّعين إغلاق كلمات المرور الافتراضية والخدمات المفتوحة، وجعل التحديثات إلزامية. وعلى مديري الشبكات عزل الأجهزة «الذكية» في شرائح منفصلة ومراقبة حركة البيانات الشاذة بينها، لأن الاستدلال الموزّع يتطلب تبادلًا مستمرًا للبيانات بين العقد. وعلى مشتري الأجهزة الرخيصة التي لا تدعم تحديث البرنامج الثابت أن يتذكروا أن هذا الجهاز قد يتحول إلى عقدة حوسبة لدى طرف آخر.