Anthropic نے 15 سستے Android TV باکسز پر AI ماڈل چلایا، پھر Android ایمولیٹرز کے ایک محدود نیٹ ورک میں الگ نقل کے کام کا تجربہ کیا۔ پہلا نتیجہ بتاتا ہے کہ صارفین کے آلات مل کر inference کے لیے کمپیوٹنگ فراہم کر سکتے ہیں۔ دوسرا دکھاتا ہے کہ جب اگلی مشین تک رسائی جان بوجھ کر آسان بنائی گئی تو ایک بڑے ایجنٹ نے کیسی کارکردگی دکھائی۔ کسی تجربے نے خود پھیلنے والا AI نظام حقیقی دنیا میں نہیں چھوڑا۔

یہ 12 اکتوبر کی تحقیقی تحریر منسلک آلات کے مالکوں اور ان کا دفاع کرنے والوں کے لیے ایک عملی سوال اٹھاتی ہے: کیا مستقبل میں کوئی ایجنٹ عام مشینوں کے درمیان جا کر ڈیٹا سینٹر کے بغیر اپنا ماڈل چلا سکتا ہے؟ Anthropic کے تجربات اس سلسلے کے کچھ حصوں کو زیادہ واضح کرتے ہیں، مگر لیبارٹری کے کام اور حقیقی حملے کے درمیان بڑا فرق باقی ہے۔

بڑی تبدیلی

  • کیا بدلا: Anthropic نے خریدے گئے ٹی وی باکسز پر تقسیم شدہ ماڈل inference دکھائی اور ایک محدود نقل کے کام میں ایجنٹ کی کارکردگی ناپی۔ اس نے یہ بھی اندازہ لگایا کہ چھوٹے ماڈلز ان صلاحیتوں کو ملانے کے لیے کب کافی قابل ہو سکتے ہیں۔
  • کس پر اثر پڑتا ہے: منسلک آلات کے مالکان اور ان کے دفاعی ماہرین، جو کسی حملہ آور کو مفید کمپیوٹنگ یا نیٹ ورک تک رسائی دے سکتے ہیں۔
  • کیا غیر یقینی ہے: محدود کام میں ہر ہدف تک رسائی آسان بنائی گئی، بڑے ایجنٹ کے لیے بیرونی inference استعمال ہوئی اور محققین نے اضافی مدد فراہم کی۔ Anthropic نے حقیقی آلات میں پھیلنے والا مکمل بے قابو نقل ساز نہیں دکھایا۔

خریدے گئے ٹی وی باکسز نے کمپیوٹنگ فراہم کی

Anthropic نے نامعلوم برانڈ کے 15 Android TV باکسز خرید کر نیٹ ورک سے جوڑے؛ ہر ایک میں 4 GB میموری تھی۔ اس نے Gemma4-26B-A4B کو ان میں تقسیم کیا تاکہ ہر باکس میں ماڈل کی کچھ تہیں موجود ہوں۔ کمپنی اس مظاہرے میں فی سیکنڈ 0.39 پیدا کردہ ٹوکن رپورٹ کرتی ہے۔ یہ اس بات کا ثبوت ہے کہ کم قیمت ہارڈویئر کی یہ قسم مل کر اس حجم کا ماڈل ناپی گئی رفتار سے چلا سکتی ہے۔

ٹی وی باکس کے مظاہرے میں ماڈل نے ان باکسز کو نہ تلاش کیا نہ ان پر قبضہ کیا۔ Anthropic نے الگ سے جانچا کہ آیا open-weight ایجنٹس نامانوس ہارڈویئر پر inference قائم کر سکتے ہیں۔ اس کے خلاصے کے مطابق 9 ارب پیرامیٹر والا ماڈل نو میں سے آٹھ ہارڈویئر اقسام پر کامیاب ہوا۔ تفصیلی inference-setup جانچ میں ایجنٹس سے مختلف مشینوں پر Llama3.1-8B چلانے کو کہا گیا۔ کمپنی نے Memento نامی تحقیقی نظام استعمال کیا، جو وقفے وقفے سے ایک نئے ایجنٹ کو پچھلی کوشش کا workspace اور مختصر نوٹس دیتا تھا۔ محققین نے ہارڈویئر کی معلومات اور وقت کی حد بھی فراہم کی۔ نتیجے کو بے مدد deployment کے بجائے ایجنٹ کی صلاحیت سمجھنے میں یہ مدد اہم ہے۔

نقل کا نتیجہ ایک سادہ ایمولیٹر سے آیا

Anthropic کے دوسرے تجربے میں firewall سے محفوظ cloud نیٹ ورک کے آٹھ نوڈز پر Android ایمولیٹرز چل رہے تھے۔ کام یہ تھا کہ ایک ابتدائی نوڈ سے بیڑے میں آگے بڑھا جائے اور ہر پہنچے ہوئے نوڈ پر inference server قائم کیا جائے۔ اگلے نوڈ تک رسائی میں جان بوجھ کر authentication نہیں رکھی گئی، اس لیے تجربے نے حقیقت پسندانہ آلہ جاتی دفاع توڑنے کے بجائے مراحل کی ترتیب اور inference setup پر توجہ دی۔

بڑے ایجنٹ کا ماڈل الگ سرور پر چلتا تھا کیونکہ ایمولیٹر نوڈز اسے نہیں چلا سکتے تھے۔ ہر ہدف کو اس کے بجائے Llama3.1-8B چلانا تھا، جو مختلف سائز کے ایجنٹس کا موازنہ کرنے کے لیے عام payload ہے۔ سرور جانچ میں کامیاب ہوتا تو تجربے کا نظام ایجنٹ کی اگلی نقل شروع کرتا۔ یہ ڈیزائن جانچتا ہے کہ کیا قابل ایجنٹ قابو شدہ حالات میں اس سلسلے کو منظم کر سکتا ہے؛ یہ نہیں دکھاتا کہ اسی ماڈل نے خود کو ہر آلے تک پہنچایا اور وہاں چلایا۔

Anthropic کے مطابق GLM-5.2 پانچ میں سے چار آزمائشوں میں تمام آٹھ نوڈز تک اور پانچویں میں سات تک پہنچا۔ دیگر آزمودہ open-weight ماڈلز پورا کام قابل اعتماد انداز میں مکمل نہیں کر سکے۔ مصنفین اسے حقیقی دنیا میں کامیابی کی بالائی حد کہتے ہیں کیونکہ رسائی کا مرحلہ آسان بنا دیا گیا تھا۔ یہ وضاحت بنیادی اہمیت رکھتی ہے: حقیقی آلات کے بیڑے میں مختلف سافٹ ویئر، اجازتیں، نیٹ ورک راستے اور دفاع ہوں گے۔ اس ماحول کے لیے تجربہ کوئی ناپی ہوئی کامیابی کی شرح نہیں دیتا۔

پہنچنے کی تاریخ پیش گوئی ہے

Anthropic نے ایمولیٹر کے نتیجے سے ظاہر ہونے والی صلاحیت کی حد کا موازنہ Epoch AI کے عمومی صلاحیت انڈیکس پر 30 ارب یا اس سے کم پیرامیٹر والے open-weight ماڈلز کی پیش رفت سے کیا۔ اس رجحان کو آگے بڑھانے سے چھوٹا ماڈل 2026 کے آخر تک حد تک پہنچتا ہے۔ انڈیکس عمومی صلاحیت ناپتا ہے اور مکمل نقل کے کام کا صرف ایک متبادل پیمانہ ہے۔ خود یہ حد بھی بڑے ایجنٹ اور آسان رسائی والے محدود تجربے سے آتی ہے۔ اس لیے یہ محققین کا اندازہ ہے، مشاہدہ شدہ تاریخ نہیں کہ IoT نقل ساز کب موجود ہوگا۔

رفتار ایک اور حد ہے۔ Anthropic کا اندازہ ہے کہ ناپی گئی آلہ جاتی رفتار اور inference-setup کے کام پر 9B ماڈل کی کوشش تقریباً 28 سے 51 گھنٹے لے سکتی ہے، جبکہ غیر موزوں Gemma setup کو لگ بھگ 71 سے 150 گھنٹے لگ سکتے ہیں۔ یہ اس کام کے حساب ہیں، مشاہدہ شدہ انفیکشن کے اوقات نہیں۔ ان سے اشارہ ملتا ہے کہ آلہ جاتی ایجنٹ قائم رہنے والا مگر سست ہو سکتا ہے، جس سے دفاع کرنے والوں کی نگرانی کی ترجیحات بدلیں گی۔

آلات کے دفاع کرنے والے اس کام سے کیا لے سکتے ہیں

Anthropic بڑے ماڈلز کی غیر معمولی منتقلی اور آلات کے درمیان مسلسل ٹریفک کو ایسے وزن پر مبنی نظام کی ممکنہ علامات بتاتا ہے جو آلات کے بیڑے میں چل رہا ہو۔ یہ مجوزہ شناختی سراغ ہیں؛ محققین نے تعینات AI ورم کے خلاف فعال detection system نہیں آزمایا۔ وہ پھیلاؤ کے مواقع گھٹانے کے لیے آلات کی زیادہ محفوظ default settings اور نیٹ ورک آپریٹرز کے مربوط ردعمل کا بھی ذکر کرتے ہیں۔

گھر یا چھوٹے کاروبار کے مالک کے لیے شواہد آلہ جاتی حفاظت کی معروف عادتوں کو زیادہ مخصوص وجہ کے ساتھ تقویت دیتے ہیں: معلوم رکھیں کہ کون سے منسلک آلات استعمال میں ہیں، جہاں vendor اجازت دے وہاں ان کا سافٹ ویئر اور رسائی کی settings تازہ رکھیں، اور آلات کے درمیان غیر متوقع ٹریفک کی تحقیق کریں۔ سیکیورٹی ٹیمیں اس مقالے سے یہ سوچنے کا اشارہ لے سکتی ہیں کہ زیر انتظام آلات میں سست، مسلسل کمپیوٹنگ اور بڑی منتقلی کو کیسے پہچانیں۔ ان میں سے کوئی جانچ یہ ثابت نہیں کرتی کہ اس وقت AI ورم موجود ہے۔ Anthropic واضح طور پر کہتا ہے کہ اس نے مکمل بے قابو نقل ساز نہیں دکھایا۔

ماخذ اور مزید مطالعہ

  • Anthropic, “AI models may be capable of self-replicating without access to a datacenter,” 12 اکتوبر 2026: خریدے گئے آلات کے مظاہرے، inference-setup evaluation، محدود emulator ٹیسٹ، طریقوں، پیش گوئی اور مجوزہ دفاعی اقدامات کا بنیادی بیان۔ اس مضمون کے نتائج اور اندازے محققین سے منسوب ہیں؛ BIG CHANGE نے تجربات دوبارہ نہیں کیے۔
  • Epoch AI, Epoch Capabilities Index: اس عمومی صلاحیت انڈیکس کی وضاحت جسے Anthropic نے اپنی projection میں متبادل پیمانے کے طور پر استعمال کیا۔ یہ انڈیکس IoT نقل کو براہ راست نہیں ناپتا۔