Markdown సంచిక

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

# Anthropic యొక్క IoT ప్రతిరూపణ పరీక్షలు నిజంగా ఏమి చూపించాయి

> Anthropic 15 TV బాక్స్‌లపై ఒక మోడల్‌ను నడిపి, సరళీకరించిన ఎమ్యులేటర్‌లో ప్రతిరూపణను పరీక్షించింది. ఈ రెండు ఫలితాలు నిజ ప్రపంచంలో అదుపు తప్పిన AI వార్మ్ ఉందని నిరూపించవు.

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 తక్కువ ధర Android TV బాక్స్‌లలో 15పై AI మోడల్‌ను నడిపింది; ఆ తర్వాత వేరుగా, వేరుచేసిన Android ఎమ్యులేటర్ నెట్‌వర్క్‌లో ప్రతిరూపణ పనిని పరీక్షించింది. మొదటి ఫలితం వినియోగదారుల పరికరాలు కలసి inference కంప్యూటింగ్‌ను అందించగలవని చూపుతుంది. రెండోది తదుపరి యంత్రానికి ప్రవేశాన్ని ఉద్దేశపూర్వకంగా సులభం చేసినప్పుడు పెద్ద ఏజెంట్ ఎలా పనిచేసిందో చూపుతుంది. ఈ ప్రయోగాల్లో ఏదీ స్వయంగా వ్యాపించే AI వ్యవస్థను నిజ ప్రపంచంలోకి విడుదల చేయలేదు.

ఈ [అక్టోబర్ 12 పరిశోధనా కథనం](https://www.anthropic.com/research/self-replicating-ai) కనెక్ట్ చేసిన పరికరాల యజమానులు, రక్షణ బాధ్యతగలవారికి ఒక ఆచరణాత్మక ప్రశ్నను లేవనెత్తుతుంది: ఒక ఏజెంట్ భవిష్యత్తులో సాధారణ యంత్రాల మధ్య కదులుతూ, డేటా సెంటర్ లేకుండానే తన మోడల్‌ను నడపగలదా? Anthropic ప్రయోగాలు ఆ గొలుసులోని కొన్ని భాగాలను మరింత స్పష్టంగా చూపుతాయి; అయితే ప్రయోగశాల పని, నిజమైన దాడి మధ్య పెద్ద అంతరం ఉంది.

## ప్రధాన మార్పు

- **ఏమి మారింది:** Anthropic కొనుగోలు చేసిన TV బాక్స్‌లపై పంపిణీ చేసిన మోడల్ inferenceను ప్రదర్శించి, వేరుచేసిన ప్రతిరూపణ పనిలో ఏజెంట్ పనితీరును కొలిచింది. చిన్న మోడళ్లు ఈ సామర్థ్యాలను కలపడానికి సరిపడా సామర్థ్యం ఎప్పుడు పొందవచ్చో కూడా అంచనా వేసింది.
- **ఎవరిపై ప్రభావం:** దాడిచేసేవారికి ఉపయోగకరమైన కంప్యూటింగ్ లేదా నెట్‌వర్క్ ప్రవేశాన్ని అందించగల కనెక్ట్ చేసిన పరికరాల యజమానులు, రక్షకులు.
- **ఏది ఇంకా అనిశ్చితం:** వేరుచేసిన పనిలో ప్రతి లక్ష్యానికి ప్రవేశం సులభం చేశారు, పెద్ద ఏజెంట్‌కు బాహ్య inferenceను ఉపయోగించారు, పరిశోధకులు అదనపు సహాయక సాధనాలు ఇచ్చారు. నిజమైన పరికరాల్లో వ్యాపించే పూర్తి అదుపుతప్పిన ప్రతిరూపకాన్ని Anthropic చూపలేదు.

## కొనుగోలు చేసిన TV బాక్స్‌లు కంప్యూటింగ్‌ను అందించాయి

Anthropic 4 GB మెమరీ ఉన్న, పెద్దగా పేరులేని 15 Android TV బాక్స్‌లను కొనుగోలు చేసి నెట్‌వర్క్‌లో కలిపింది. Gemma4-26B-A4Bను వాటిలో విభజించి, ప్రతి బాక్స్‌లో మోడల్ లేయర్లలో కొంత భాగం ఉంచింది. ఈ ప్రదర్శనలో సెకనుకు 0.39 టోకెన్ల జనరేషన్ వేగాన్ని కంపెనీ నివేదించింది. ఈ తక్కువ ధర హార్డ్‌వేర్ వర్గం కలసి ఆ పరిమాణంలోని మోడల్‌ను కొలిచిన వేగంతో నడపగలదనే ఆధారం ఇది.

TV బాక్స్ ప్రదర్శనలో మోడల్ ఆ బాక్స్‌లను కనుగొనడం లేదా చొరబడడం జరగలేదు. ఓపెన్-వెయిట్ ఏజెంట్లు తెలియని హార్డ్‌వేర్‌పై inferenceను ఏర్పాటు చేయగలరా అని Anthropic వేరుగా పరీక్షించింది. దాని సారాంశం ప్రకారం, 9 బిలియన్ పారామీటర్ల మోడల్ తొమ్మిది హార్డ్‌వేర్ రకాలలో ఎనిమిదింటిపై విజయవంతమైంది. వివరణాత్మక inference-setup పరీక్షలో వేర్వేరు యంత్రాలపై Llama3.1-8Bను అందించమని ఏజెంట్లను కోరారు. గత ప్రయత్నం యొక్క workspace, చిన్న నోట్లను కొత్త ఏజెంట్‌కు క్రమానుగతంగా అందించే Memento అనే పరిశోధనా harnessను కంపెనీ ఉపయోగించింది. పరిశోధకులు హార్డ్‌వేర్ సమాచారం, సమయ పరిమితి కూడా ఇచ్చారు. సహాయం లేని deploymentగా కాకుండా ఏజెంట్ సామర్థ్యంగా ఫలితాన్ని అర్థం చేసుకోవడంలో ఈ తోడ్పాటు ముఖ్యం.

## ప్రతిరూపణ ఫలితం సరళీకరించిన ఎమ్యులేటర్ నుంచి వచ్చింది

Anthropic రెండో ప్రయోగం Android ఎమ్యులేటర్లను నడిపే ఎనిమిది నోడ్‌ల firewall-రక్షిత cloud నెట్‌వర్క్‌ను ఉపయోగించింది. ముందుగా సిద్ధం చేసిన నోడ్ నుంచి సమూహం గుండా కదిలి, చేరుకున్న ప్రతి నోడ్‌లో inference serverను ఏర్పాటు చేయడం పని. తదుపరి నోడ్‌కు ప్రవేశంలో ఉద్దేశపూర్వకంగా authentication లేదు; అందువల్ల వాస్తవిక పరికర రక్షణను అధిగమించడం కాకుండా, దశల క్రమం, inference ఏర్పాటు మీద పరీక్ష దృష్టి పెట్టింది.

ఎమ్యులేటర్ నోడ్‌లు పెద్ద ఏజెంట్ మోడల్‌ను హోస్ట్ చేయలేకపోవడంతో అది వేరే serverపై నడిచింది. ప్రతి లక్ష్యం బదులుగా Llama3.1-8Bను అందించాలి; వేర్వేరు పరిమాణాల ఏజెంట్లను పోల్చేందుకు ఇది సాధారణ payload. ఆ server తనిఖీలు దాటినప్పుడు ప్రయోగ వ్యవస్థ తదుపరి ఏజెంట్ ప్రతిని ప్రారంభించింది. నియంత్రిత పరిస్థితుల్లో సామర్థ్యమున్న ఏజెంట్ ఈ గొలుసును నిర్వహించగలదా అని ఈ రూపకల్పన పరీక్షిస్తుంది; అదే మోడల్ ప్రతి పరికరానికి తనను తాను తీసుకెళ్లి నడిపిందని ఇది చూపదు.

GLM-5.2 ఐదు ప్రయత్నాల్లో నాలుగుసార్లు ఎనిమిది నోడ్‌లన్నింటినీ, ఐదోసారి ఏడింటిని చేరిందని Anthropic నివేదించింది. పరీక్షించిన ఇతర ఓపెన్-వెయిట్ మోడళ్లు మొత్తం పనిని నమ్మకంగా పూర్తి చేయలేదు. ప్రవేశ దశను చాలా సులభం చేసినందున రచయితలు దీన్ని నిజ ప్రపంచ విజయానికి గరిష్ఠ పరిమితిగా వర్ణించారు. ఈ పరిమితి కీలకం: నిజమైన పరికరాల సమూహంలో వేరే సాఫ్ట్‌వేర్, అనుమతులు, నెట్‌వర్క్ మార్గాలు, రక్షణలు ఉంటాయి. ఆ పరిస్థితికి ఈ ప్రయోగం కొలిచిన విజయ రేటును ఇవ్వదు.

## చేరుకునే తేదీ ఒక అంచనా

ఎమ్యులేటర్ ఫలితం సూచించిన సామర్థ్య పరిమితిని, Epoch AI సాధారణ సామర్థ్య సూచీలో 30 బిలియన్ లేదా అంతకంటే తక్కువ పారామీటర్ల ఓపెన్-వెయిట్ మోడళ్ల పురోగతితో Anthropic పోల్చింది. ఆ ధోరణిని పొడిగించి చూస్తే, 2026 చివరికి చిన్న మోడల్ ఆ పరిమితిని చేరుతుంది. సూచీ సాధారణ సామర్థ్యాన్ని కొలుస్తుంది; పూర్తి ప్రతిరూపణ పనికి అది కేవలం ప్రత్యామ్నాయ సూచిక. ఆ పరిమితి కూడా పెద్ద ఏజెంట్, సులభమైన ప్రవేశ మార్గం ఉన్న వేరుచేసిన ప్రయోగం నుంచి వచ్చింది. కాబట్టి ఈ అంచనా పరిశోధకులది; IoT ప్రతిరూపకం ఉనికిలోకి వచ్చేలా గమనించిన తేదీ కాదు.

వేగం మరో పరిమితిని జోడిస్తుంది. కొలిచిన పరికర వేగాలు, inference-setup పనిభారం ఆధారంగా 9B మోడల్ ప్రయత్నానికి సుమారు 28 నుంచి 51 గంటలు పట్టవచ్చని Anthropic అంచనా. సరిగా optimize చేయని Gemma ఏర్పాటుకు దాదాపు 71 నుంచి 150 గంటలు పట్టవచ్చు. ఇవి ఆ పనిభారం కోసం గణనలు; గమనించిన ఇన్ఫెక్షన్ సమయాలు కావు. పరికరాలపై ఆధారపడే ఏజెంట్ స్థిరంగా ఉండి నెమ్మదిగా కదలవచ్చని, దాంతో రక్షకులు గమనించాల్సినవి మారతాయని ఇవి సూచిస్తాయి.

## పరికర రక్షకులు ఈ పని నుంచి ఏమి తీసుకోవచ్చు

పెద్ద మోడళ్ల అసాధారణ బదిలీలు, పరికరాల మధ్య నిరంతర ట్రాఫిక్‌ను పరికరాల సమూహంలో నడిచే weight-based వ్యవస్థకు సంభావ్య సంకేతాలుగా Anthropic పేర్కొంటుంది. అవి సూచించిన గుర్తింపు సూచనలు మాత్రమే; అమల్లో ఉన్న AI వార్మ్‌పై పరిశోధకులు ప్రత్యక్ష గుర్తింపు వ్యవస్థను పరీక్షించలేదు. వ్యాప్తి అవకాశాలను తగ్గించేందుకు పరికరాల సురక్షిత defaultలు, నెట్‌వర్క్ ఆపరేటర్ల సమన్వయ స్పందనను కూడా వారు సూచిస్తున్నారు.

ఇంటి లేదా చిన్న వ్యాపార యజమానులకు, ఈ ఆధారాలు సాధారణ పరికర-భద్రత అలవాట్లకు మరింత నిర్దిష్ట కారణాన్ని ఇస్తాయి: ఏ కనెక్ట్ చేసిన పరికరాలు వాడుతున్నారో తెలుసుకోవడం, vendor అనుమతించిన చోట software, access సెట్టింగులను తాజాగ ఉంచడం, ఊహించని పరికరాల మధ్య ట్రాఫిక్‌ను పరిశీలించడం. నిర్వహణలో ఉన్న పరికరాల మధ్య నెమ్మదిగా, నిరంతరంగా జరిగే కంప్యూటింగ్, పెద్ద బదిలీలను ఎలా గమనించాలో భద్రతా బృందాలు ఈ పత్రాన్ని ఆలోచనకు ప్రేరణగా తీసుకోవచ్చు. ఈ తనిఖీలేవీ ప్రస్తుతం AI వార్మ్ ఉందని నిరూపించవు. పూర్తి అదుపుతప్పిన ప్రతిరూపకాన్ని చూపలేదని Anthropic స్పష్టంగా చెబుతుంది.

## మూలాలు, మరింత చదవడానికి

- [Anthropic, “AI models may be capable of self-replicating without access to a datacenter,” 12 అక్టోబర్ 2026](https://www.anthropic.com/research/self-replicating-ai): కొనుగోలు చేసిన పరికరాల ప్రదర్శన, inference-setup అంచనా, వేరుచేసిన ఎమ్యులేటర్ పరీక్షలు, పద్ధతులు, అంచనా, సూచించిన రక్షణలపై ప్రధాన వివరణ. ఈ కథనంలోని ఫలితాలు, అంచనాలు పరిశోధకులకు ఆపాదించబడ్డాయి; BIG CHANGE ప్రయోగాలను మళ్లీ చేయలేదు.
- [Epoch AI, Epoch Capabilities Index](https://epoch.ai/eci): Anthropic తన అంచనాలో ప్రత్యామ్నాయ సూచికగా ఉపయోగించిన సాధారణ సామర్థ్య సూచీ వివరణ. ఆ సూచీ IoT ప్రతిరూపణను నేరుగా కొలవదు.

## Sources

- [Anthropic, AI models may be capable of self-replicating without access to a datacenter](https://www.anthropic.com/research/self-replicating-ai) — పద్ధతుల అనుబంధాలతో కూడిన ప్రధాన పరిశోధనా పత్రం; ప్రయోగ ఫలితాలు, అంచనాలన్నీ Anthropicకు ఆపాదించబడ్డాయి.
- [Epoch Capabilities Index](https://epoch.ai/eci) — తన అంచనాకు సాధారణ సామర్థ్య ప్రత్యామ్నాయ సూచికగా Anthropic లింక్ చేసిన సూచీ; పేజీని నేరుగా ధృవీకరించారు.