Markdown பதிப்பு

AI-translated from English; not yet reviewed by a fluent editor.

# Anthropic-இன் IoT நகலாக்கச் சோதனைகள் உண்மையில் காட்டியது என்ன

> Anthropic 15 TV பெட்டிகளில் ஒரு மாதிரியை இயக்கி, எளிமைப்படுத்தப்பட்ட முன்மாதிரியில் நகலாக்கத்தைச் சோதித்தது. இந்த இரு முடிவுகளும் நிஜ உலகில் கட்டுப்பாடற்ற AI புழு இருப்பதை நிரூபிக்கவில்லை.

By BIG CHANGE Editorial

Published: 2026-10-14T11:58:20.168Z
Updated: 2026-10-14T11:58:20.168Z
Canonical: https://bigchange.ai/blog/anthropic-iot-replication-tests

![Conceptual charcoal illustration of four unbranded TV-style media boxes on two shelves, with cables running to a small network switch.](https://bigchange.ai/api/media/file/anthropic-iot-connected-tv-boxes-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. No actual Anthropic device, test setup, attack or result is depicted.

Anthropic மலிவான 15 Android TV பெட்டிகளில் AI மாதிரியை இயக்கி, பின்னர் தனிமைப்படுத்தப்பட்ட Android முன்மாதிரி வலையமைப்பில் வேறொரு நகலாக்கப் பணியைச் சோதித்தது. நுகர்வோர் சாதனங்கள் ஒன்றிணைந்து inference கணினி வளத்தை வழங்க முடியும் என்பதை முதல் முடிவு காட்டுகிறது. அடுத்த கணினிக்கான அணுகல் வேண்டுமென்றே எளிமைப்படுத்தப்பட்டபோது பெரிய முகவர் எவ்வாறு செயல்பட்டார் என்பதை இரண்டாவது காட்டுகிறது. தானாகப் பரவும் AI அமைப்பை எந்தச் சோதனையும் நிஜ உலகில் விடவில்லை.

இந்த [அக்டோபர் 12 ஆய்வுக் கட்டுரை](https://www.anthropic.com/research/self-replicating-ai) இணைக்கப்பட்ட சாதனங்களை வைத்திருப்போர் அல்லது பாதுகாப்போர் முன் ஒரு நடைமுறை கேள்வியை எழுப்புகிறது: எதிர்காலத்தில் ஒரு முகவர் சாதாரண கணினிகளிடையே நகர்ந்து, தரவு மையம் இல்லாமல் தன் மாதிரியை இயக்குமா? Anthropic-இன் சோதனைகள் அந்தச் சங்கிலியின் சில பகுதிகளைத் தெளிவாக்குகின்றன; ஆனால் ஆய்வகப் பணிக்கும் உண்மையான தாக்குதலுக்கும் இடையில் பெரிய இடைவெளி உள்ளது.

## முக்கிய மாற்றம்

- **என்ன மாறியது:** வாங்கிய TV பெட்டிகளில் பகிர்ந்தளிக்கப்பட்ட மாதிரி inference-ஐ Anthropic காட்டி, தனிமைப்படுத்தப்பட்ட நகலாக்கப் பணியில் முகவரின் செயல்திறனை அளந்தது. சிறிய மாதிரிகள் இந்தத் திறன்களை இணைக்கத் தேவையான திறனை எப்போது பெறலாம் என்றும் மதிப்பிட்டது.
- **யாரைப் பாதிக்கும்:** தாக்குதலாளருக்கு பயனுள்ள கணினி வளமோ வலையமைப்பு அணுகலோ வழங்கக்கூடிய இணைக்கப்பட்ட சாதனங்களின் உரிமையாளர்களும் பாதுகாப்புப் பொறுப்பாளர்களும்.
- **எது இன்னும் தெளிவில்லை:** தனிமைப்படுத்தப்பட்ட பணியில் ஒவ்வொரு இலக்கிற்கான அணுகல் எளிமைப்படுத்தப்பட்டது; பெரிய முகவருக்கு வெளிப்புற inference பயன்படுத்தப்பட்டது; ஆய்வாளர்கள் கூடுதல் உதவிகளையும் வழங்கினர். உண்மையான சாதனங்களில் பரவும் முழுமையான கட்டுப்பாடற்ற நகலாக்கியை Anthropic காட்டவில்லை.

## வாங்கிய TV பெட்டிகள் கணினி வளத்தை வழங்கின

Anthropic தலா 4 GB நினைவகம் கொண்ட, அதிகம் அறியப்படாத 15 Android TV பெட்டிகளை வாங்கி வலையமைத்தது. Gemma4-26B-A4B-ஐ அவற்றில் பிரித்து, ஒவ்வொரு பெட்டியிலும் மாதிரியின் சில அடுக்குகளை வைத்தது. இந்தச் சோதனையில் வினாடிக்கு 0.39 உருவாக்கப்பட்ட token கிடைத்ததாக நிறுவனம் தெரிவிக்கிறது. இந்த வகை மலிவு வன்பொருள் ஒன்றிணைந்து அந்த அளவிலான மாதிரியை அளந்த வேகத்தில் இயக்க முடியும் என்பதற்கான ஆதாரம் இது.

TV பெட்டி காட்சியில் மாதிரி அந்தப் பெட்டிகளைக் கண்டுபிடிக்கவோ ஊடுருவவோ இல்லை. அறியாத வன்பொருளில் open-weight முகவர்கள் inference அமைக்க முடியுமா என்பதை Anthropic தனியாக மதிப்பிட்டது. அதன் சுருக்கம், 9 பில்லியன் அளவுரு மாதிரி ஒன்பது வன்பொருள் வகைகளில் எட்டில் வெற்றி பெற்றதாகக் கூறுகிறது. விரிவான inference அமைப்பு மதிப்பீட்டில் பல்வேறு கணினிகளில் Llama3.1-8B-ஐ வழங்க முகவர்களிடம் கேட்டனர். முந்தைய முயற்சியின் பணியிடத்தையும் சுருக்கமான குறிப்புகளையும் புதிய முகவருக்கு அவ்வப்போது வழங்கும் Memento என்ற ஆய்வு harness-ஐ நிறுவனம் பயன்படுத்தியது. வன்பொருள் தகவல்களையும் கால வரம்பையும் ஆய்வாளர்கள் வழங்கினர். உதவியில்லாத deployment-ஆக அல்லாமல் முகவர் திறனாக இந்த முடிவைப் புரிந்துகொள்ளும்போது அந்த ஆதரவு முக்கியம்.

## நகலாக்க முடிவு எளிமைப்படுத்தப்பட்ட முன்மாதிரியிலிருந்து வந்தது

Anthropic-இன் இரண்டாவது சோதனை, Android முன்மாதிரிகள் இயங்கிய எட்டு முனைகளைக் கொண்ட firewall பாதுகாப்புள்ள cloud வலையமைப்பைப் பயன்படுத்தியது. முன்கூட்டியே அமைக்கப்பட்ட ஒரு முனையிலிருந்து சாதனக் கூட்டம் வழியாகச் சென்று, அடைந்த ஒவ்வொரு முனையிலும் inference சேவையகத்தை அமைப்பதே பணி. அடுத்த முனைக்கான அணுகலில் வேண்டுமென்றே authentication வைக்கப்படவில்லை; எனவே சோதனை உண்மையான சாதனப் பாதுகாப்பைத் தகர்ப்பதை விட படிநிலைகளை ஒழுங்குபடுத்துவதிலும் inference அமைப்பதிலும் கவனம் செலுத்தியது.

முன்மாதிரி முனைகள் பெரிய முகவரின் மாதிரியை இயக்க முடியாததால் அது தனிச் சேவையகத்தில் இயங்கியது. ஒவ்வொரு இலக்கும் அதற்குப் பதிலாக Llama3.1-8B-ஐ வழங்க வேண்டும்; வெவ்வேறு அளவுள்ள முகவர்களை ஒப்பிட இது பொதுவாகப் பயன்படுத்தப்படும் சுமை. அந்தச் சேவையகம் சோதனைகளைத் தாண்டியதும், பரிசோதனை அமைப்பு அடுத்த முகவர் நகலைத் தொடங்கியது. கட்டுப்படுத்தப்பட்ட சூழலில் திறன் வாய்ந்த முகவர் சங்கிலியை ஒழுங்குபடுத்த முடியுமா என்பதையே இந்த வடிவமைப்பு சோதிக்கிறது; அதே மாதிரி ஒவ்வொரு சாதனத்திற்கும் தன்னை எடுத்துச் சென்று இயக்கியது என்பதை இது காட்டவில்லை.

GLM-5.2 ஐந்து சோதனைகளில் நான்கில் எட்டு முனைகளையும், ஐந்தாவது சோதனையில் ஏழையும் அடைந்ததாக Anthropic தெரிவிக்கிறது. சோதிக்கப்பட்ட பிற open-weight மாதிரிகள் முழுப் பணியையும் நம்பகமாக முடிக்கவில்லை. அணுகல் படி மிக எளிமையாக்கப்பட்டதால் இதை நிஜ உலக வெற்றியின் மேலவரம்பாக ஆசிரியர்கள் விவரிக்கின்றனர். அந்த வரம்பு முக்கியமானது: உண்மையான சாதனக் கூட்டத்தில் வேறு மென்பொருள், அனுமதிகள், வலைப்பாதைகள் மற்றும் பாதுகாப்புகள் இருக்கும். அந்தச் சூழலுக்கான அளவிடப்பட்ட வெற்றி விகிதத்தை இந்தச் சோதனை வழங்கவில்லை.

## வருகைக் காலம் ஒரு கணிப்பு

முன்மாதிரி முடிவு சுட்டிய திறன் வரம்பை, Epoch AI-இன் பொதுத் திறன் குறியீட்டில் 30 பில்லியன் அல்லது அதற்குக் குறைவான அளவுருக்கள் கொண்ட open-weight மாதிரிகளின் முன்னேற்றத்துடன் Anthropic ஒப்பிட்டது. அந்தப் போக்கை நீட்டித்தால் 2026 இறுதிக்குள் ஒரு சிறிய மாதிரி வரம்பை அடையும். குறியீடு பொதுத் திறனை அளக்கிறது; முழு நகலாக்கப் பணிக்கான மாற்றுக் குறியீடு மட்டுமே. அந்த வரம்பே பெரிய முகவரும் எளிதான அணுகல் பாதையும் கொண்ட தனிமைப்படுத்தப்பட்ட சோதனையிலிருந்து வருகிறது. ஆகவே இது ஆய்வாளர்களின் மதிப்பீடு; IoT நகலாக்கி இருக்கும் எனக் காணப்பட்ட தேதி அல்ல.

வேகம் மற்றொரு வரம்பைச் சேர்க்கிறது. அளந்த சாதன வேகங்களிலும் inference அமைப்புப் பணிச்சுமையிலும் 9B மாதிரி முயற்சிக்கு சுமார் 28 முதல் 51 மணிநேரம் ஆகலாம் என்றும், மேம்படுத்தப்படாத Gemma அமைப்புக்கு சுமார் 71 முதல் 150 மணிநேரம் தேவைப்படலாம் என்றும் Anthropic கணக்கிடுகிறது. இவை அந்தப் பணிச்சுமைக்கான கணக்குகள்; கண்டறியப்பட்ட தொற்று நேரங்கள் அல்ல. சாதன அடிப்படையிலான முகவர் நீடித்தும் மெதுவாகவும் இருக்கலாம்; இது பாதுகாப்பாளர்கள் கவனிக்க வேண்டியவற்றை மாற்றுகிறது.

## சாதனப் பாதுகாப்பாளர்கள் இந்தப் பணியிலிருந்து எதைப் பெறலாம்

சாதனக் கூட்டம் முழுவதும் இயங்கும் weight-based அமைப்பின் சாத்திய அறிகுறிகளாக பெரிய மாதிரிகளின் வழக்கமற்ற பரிமாற்றங்களையும் சாதனங்களுக்கு இடையிலான தொடர்ச்சியான போக்குவரத்தையும் Anthropic குறிப்பிடுகிறது. அவை முன்மொழியப்பட்ட கண்டறிதல் தடயங்கள் மட்டுமே; செயல்பாட்டில் உள்ள AI புழுவுக்கு எதிராக நேரடி கண்டறிதல் அமைப்பை ஆய்வாளர்கள் சோதிக்கவில்லை. பரவல் வாய்ப்புகளைக் குறைக்கச் சாதனங்களின் பாதுகாப்பான இயல்புநிலை அமைப்புகளையும் வலை இயக்குநர்களின் ஒருங்கிணைந்த பதிலையும் அவர்கள் சுட்டுகின்றனர்.

வீடு அல்லது சிறு வணிக உரிமையாளருக்கு, இந்த ஆதாரம் பழக்கமான சாதனப் பாதுகாப்பை இன்னும் குறிப்பிட்ட காரணத்துடன் ஆதரிக்கிறது: எந்த இணைக்கப்பட்ட சாதனங்கள் பயன்பாட்டில் உள்ளன என்பதை அறிதல்; வழங்குநர் அனுமதிக்கும் இடங்களில் மென்பொருள், அணுகல் அமைப்புகளைப் புதுப்பித்தல்; எதிர்பாராத சாதனங்களுக்கு இடையிலான போக்குவரத்தை ஆய்வு செய்தல். நிர்வகிக்கப்படும் சாதனங்களுக்கு இடையிலான மெதுவான, நீடித்த கணக்கீடுகளையும் பெரிய பரிமாற்றங்களையும் எவ்வாறு கவனிப்பது எனப் பாதுகாப்புக் குழுக்கள் இந்த ஆய்வைத் தூண்டுதலாகக் கொள்ளலாம். இந்தச் சோதனைகள் எதுவும் தற்போது AI புழு இருப்பதை நிரூபிக்காது. முழுமையான கட்டுப்பாடற்ற நகலாக்கியை காட்டவில்லை என்று Anthropic தெளிவாகக் கூறுகிறது.

## ஆதாரங்களும் மேலதிக வாசிப்பும்

- [Anthropic, “AI models may be capable of self-replicating without access to a datacenter,” 12 அக்டோபர் 2026](https://www.anthropic.com/research/self-replicating-ai): வாங்கிய சாதனங்களின் காட்சி, inference அமைப்பு மதிப்பீடு, தனிமைப்படுத்தப்பட்ட முன்மாதிரி சோதனைகள், முறைகள், கணிப்பு மற்றும் முன்மொழியப்பட்ட பாதுகாப்புகள் பற்றிய முதன்மை விளக்கம். இந்தக் கட்டுரையின் முடிவுகளும் மதிப்பீடுகளும் ஆய்வாளர்களுக்குச் சேர்த்துக் கூறப்படுகின்றன; BIG CHANGE சோதனைகளை மீண்டும் செய்யவில்லை.
- [Epoch AI, Epoch Capabilities Index](https://epoch.ai/eci): Anthropic தனது கணிப்பில் மாற்றுக் குறியீடாகப் பயன்படுத்திய பொதுத் திறன் குறியீட்டின் விளக்கம். இது IoT நகலாக்கத்தை நேரடியாக அளவிடுவதில்லை.

## Sources

- [Anthropic, AI models may be capable of self-replicating without access to a datacenter](https://www.anthropic.com/research/self-replicating-ai) — முறைகள் இணைப்புகளுடன் கூடிய முதன்மை ஆய்வுக் கட்டுரை; அனைத்து சோதனை முடிவுகளும் கணிப்புகளும் Anthropic-க்கு உரியவை.
- [Epoch Capabilities Index](https://epoch.ai/eci) — கணிப்புக்கான பொதுத் திறன் மாற்றுக் குறியீடாக Anthropic இணைத்த குறியீடு; பக்கம் நேரடியாகச் சரிபார்க்கப்பட்டது.