Anthropic’ten uyarı: Yapay zeka solucanları akıllı ev cihazlarına yayılabilir

Yapay zeka araştırma şirketi Anthropic, 12 Ekim 2026’da yayımladığı araştırmada, küçük yapay zeka modellerinin internete bağlı nesnelerin interneti (IoT) cihazları üzerinde kendi kendini çoğaltabilen sistemlere dönüşebileceği uyarısında bulundu. Şirket, bu tür modellerin akıllı fırın, robot süpürge, akıllı televizyon, güvenlik kamerası ve otomatik çim biçme makinesi gibi cihazlarda çalışabilecek seviyeye yaklaşabileceğini belirtti.

Araştırma, bugün kontrolden çıkmış bir yapay zeka solucanının evlerde aktif olarak yayıldığını göstermiyor. Anthropic’in çalışması, kontrollü testler ve mevcut model kabiliyetleri üzerinden gelecekte ortaya çıkabilecek bir siber güvenlik riskini inceliyor. Şirkete göre küçük modellerin bu yeteneğe ulaşması aylar içinde mümkün hale gelebilir.

MERKEZİ KAPATMA NOKTASI OLMAYAN TEHDİT

Anthropic’in Frontier Red Team ekibine göre, kendi kendini çoğaltan bir yapay zeka modeli ele geçirdiği cihazın işlem gücünü kullanarak çalışabilir ve yeni cihazlara yayılmayı deneyebilir. Modelin merkezi bir veri merkezine sürekli bağlı olması gerekmeyebilir; model ağırlıkları, ele geçirilen donanımlara taşınarak doğrudan bu cihazlarda çalıştırılabilir.

Bu yapı, klasik kötü amaçlı yazılımlardan farklı olarak karşılaştığı donanım ve yazılım ortamını analiz etmeye, uygun çalışma yöntemini bulmaya ve başarısız denemelerden sonra yaklaşımını değiştirmeye çalışabilir. Böyle bir sistemin merkezi bir kapatma düğmesi bulunmayacağı için tamamen durdurulmasının zorlaşabileceği değerlendiriliyor.

15 UCUZ ANDROID TV KUTUSUYLA MODEL ÇALIŞTIRILDI

Anthropic araştırmacıları, yapay zeka modelinin düşük maliyetli cihazlar üzerinde çalışabileceğini göstermek amacıyla yaklaşık 55 dolar değerindeki 15 markasız Android TV kutusunu birbirine bağladı. Gemma4-26B-A4B modeli, cihazlara bölünmüş biçimde dağıtılarak çalıştırıldı. Deneyde modelin saniyede yaklaşık 0,39 token hızında işlem yaptığı aktarıldı.

Bu gösterim, tek bir akıllı televizyon kutusunun büyük bir modeli bağımsız biçimde çalıştırdığı anlamına gelmiyor. Modelin farklı katmanları birden fazla cihaza dağıtıldı ve cihazlar birlikte kullanıldı. Ancak araştırma, düşük maliyetli IoT donanımlarının bir araya getirildiğinde yapay zeka işlemleri için kullanılabilecek toplam bir hesaplama kapasitesi oluşturabileceğine işaret ediyor.

TESTLERDE KÜÇÜK MODELLERİN SINIRLARI ORTAYA KONDU

Araştırmada, 9 milyar parametreli bir modelin test edilen 9 donanım türünün 8’inde çıkarım sunucusu çalıştırabildiği belirtildi. Bununla birlikte Anthropic, 30 milyar parametre ve altındaki modellerin çoğaltma sürecinin tek tek adımlarını gerçekleştirebilmesine rağmen bu adımları her zaman baştan sona hatasız biçimde birleştiremediğini vurguladı.

Basitleştirilmiş bir ağ ortamında yapılan uçtan uca testte GLM-5.2 modeli, 8 düğümün tamamına 5 denemenin 4’ünde yayıldı; diğer denemede ise 8 düğümün 7’sine ulaştı. Ancak bu testte bazı siber güvenlik aşamaları gerçek hayata kıyasla kolaylaştırıldı. Örneğin kullanılan Android ortamında kimlik doğrulaması olmayan bir ADB bağlantısı bulunuyordu. Bu nedenle sonuçlar, gerçek dünyada aynı başarının kesinlikle tekrarlanacağı anlamına gelmiyor.

HEDEFTE HANGİ CİHAZLAR VAR?

Anthropic, internete bağlı ve görece düşük güvenlik seviyesine sahip ev ve küçük işletme cihazlarının ilk hedefler arasında bulunabileceğini belirtti. Akıllı buzdolapları, akıllı fırınlar, otomatik süpürgeler, çim biçme makineleri, güvenlik kameraları ve video konferans cihazları bu kapsamda değerlendiriliyor.

Bazı yeni cihazlarda yapay zeka işlemleri için küçük hızlandırıcı çipler bulunuyor. Bu donanımlar; güvenlik kamerasında görüntü analizi, konferans cihazlarında gürültü azaltma veya konuşma tanıma gibi işlevler için kullanılabiliyor. Araştırmacılara göre bu tür işlem gücünün yaygınlaşması, cihazları potansiyel hedef haline getirebilir; ancak bir cihazda yapay zeka çipi bulunması tek başına onun savunmasız olduğu anlamına gelmiyor.

YAYILMA HIZI YAVAŞ OLABİLİR

Anthropic’in hesaplamalarına göre bu tür bir yapay zeka solucanının düşük güçlü cihazlarda yayılması, klasik otomatik botnet saldırıları kadar hızlı olmayabilir. Modelin yeni bir donanımı tanıması, uygun yazılımı kurması ve çalışır hale gelmesi saatler veya günler sürebilir. Araştırmada, kullanılan bazı donanım ve modeller için çoğaltma sürecinin yaklaşık 1 ila 2 gün sürebileceği tahmin edildi.

Bu yavaşlık tehdidi ortadan kaldırmıyor. Aksine, araştırmacılar böyle bir yapının uzun süre fark edilmeden çalışabilecek kalıcı ve dağınık bir ağ oluşturabileceğini değerlendiriyor. Ele geçirilen cihazların bir bölümünün modelin kendisini, başka bir bölümünün ise modelin farklı parçalarını çalıştırması mümkün olabilir.

YAPAY ZEKA SOLUCANLARI KLASİK BOTNETLERDEN NASIL AYRILIYOR?

Geleneksel botnetler genellikle belirli cihaz türlerini veya bilinen güvenlik açıklarını hedefleyen sabit komutlarla çalışıyor. Anthropic’in incelediği yapay zeka tabanlı yaklaşımda ise modelin farklı donanımlara uyum sağlaması, yeni sistemleri tanıması ve karşılaştığı sorunlar için alternatif yollar denemesi bekleniyor.

Araştırmacılar, farklı yapay zeka solucanlarının aynı ağda bir araya gelerek çeşitli cihaz türlerinde farklı görevler üstlenebileceği bir senaryoyu da olası en kötü durum örneklerinden biri olarak ele aldı. Ancak şirket, henüz tamamen kontrolden çıkmış ve gerçek IoT cihazları arasında bağımsız biçimde yayılan bir yapay zeka solucanı göstermediğini açıkça belirtti.

SAVUNMA İÇİN AĞ TRAFİĞİ VE GÜVENLİK GÜNCELLEMELERİ ÖNEMLİ

Anthropic’e göre model ağırlıklarının cihazlar arasında aktarılması, yüksek miktarda ağ trafiği oluşturabilir. Yeni cihazlara yayılmak için yapılan taramalar, olağan dışı dış bağlantılar ve normalde birbiriyle iletişim kurmayan cihazlar arasındaki sürekli veri akışı, olası bir saldırının tespit edilmesine yardımcı olabilir.

Şirket, üreticilerin varsayılan parolaları güçlendirmesi, cihaz yazılımlarındaki güvenlik açıklarını düzenli olarak kapatması ve IoT ağlarını daha iyi izole etmesi gerektiğine dikkat çekti. Araştırmanın mevcut sonucu ise yapay zeka solucanlarının bugün yaygın bir tehdit haline geldiği değil, küçük modellerin gerekli yeteneklere hızla yaklaştığı yönünde bir risk değerlendirmesi olarak öne çıkıyor.