شرکت آنتروپیک (Anthropic) در جدیدترین گزارش فنی خود نسبت به ظهور قریب‌الوقوع «کرم‌های هوش مصنوعی» هشدار داده است؛ موجودیت‌های خودمختاری که قادرند بدون نیاز به زیرساخت‌های متمرکز دیتاسنتر، در شبکه‌های پراکنده تکثیر شوند. این تهدید نوظهور که می‌تواند تا پایان سال ۱۴۰۳ شمسی به مرحله عملیاتی برسد، اکوسیستم دستگاه‌های اینترنت اشیا (IoT) را به دلیل ضعف‌های امنیتی ساختاری، به هدف اصلی خود تبدیل کرده است.
معماری تکثیر خودکار در مدل‌های کوچک
برخلاف بدافزارهای سنتی که برای معماری‌های سخت‌افزاری خاص طراحی می‌شدند، کرم‌های هوش مصنوعی از انعطاف‌پذیری مدل‌های زبانی کوچک (Small Language Models) برای انطباق با محیط‌های ناآشنا استفاده می‌کنند. پژوهشگران آنتروپیک با استفاده از مدل‌هایی نظیر Gemma-2 نشان دادند که چگونه می‌توان یک مدل ۲۵ میلیارد پارامتری را به قطعات کوچک‌تر (Shards) تقسیم کرد و آن را روی ۱۵ دستگاه ارزان‌قیمت اندرویدی به صورت توزیع‌شده اجرا نمود.
این استراتژی، نیاز به دیتاسنترهای گران‌قیمت را حذف کرده و به بدافزار اجازه می‌دهد از منابع پردازشی در دسترس در شبکه‌های خانگی و اداری برای اجرای استنتاج (Inference) استفاده کند. این مدل‌ها نه تنها به خودی خود اجرا می‌شوند، بلکه می‌توانند با ارائه خدمات استنتاج در پلتفرم‌های فریلنسری دیجیتال، هزینه‌های منابع محاسباتی خود را نیز تأمین کنند.
آسیب‌پذیری تجهیزات اینترنت اشیا (IoT)
دستگاه‌هایی مانند دوربین‌های امنیتی، ست‌تاپ‌باکس‌ها و کیت‌های کنفرانس ویدیویی که دارای شتاب‌دهنده‌های هوش مصنوعی داخلی هستند، اهداف جذابی برای این نوع حملات محسوب می‌شوند. ضعف در پروتکل‌های امنیتی، استفاده از رمزهای عبور پیش‌فرض و فقدان چرخه به‌روزرسانی منظم، بستری مناسب برای رخنه این کرم‌ها فراهم می‌کند. آنتروپیک تأکید می‌کند که برخلاف حملات کلاسیک، یک کرم هوش مصنوعی می‌تواند با استفاده از مهندسی اجتماعی یا حتی بهره‌گیری از عوامل هوش مصنوعی (AI Agents) برای شناسایی آسیب‌پذیری‌های روز صفر، راه ورود خود را به شبکه پیدا کند.
مشخصات فنی و یافته‌های کلیدی پژوهش:
- قابلیت انطباق: مدل‌هایی نظیر Qwen3.5-9B قادرند در ۸ از ۹ سخت‌افزار تست شده (از Jetson Nano تا سیستم‌های مبتنی بر RTX 4090) بدون پیکربندی دستی اجرا شوند.
- روش تکثیر: تقسیم مدل (Model Sharding) میان چندین دستگاه ضعیف برای تشکیل یک کلاستر پردازشی توزیع‌شده.
- تهدید ثانویه: استفاده از مدل‌های دارای دسترسی API برای سرقت اعتبارنامه‌های انسانی و سوءاستفاده از منابع ابری ارائه‌دهندگان تجاری.
- ردپای شبکه: انتقال داده‌های حجیم (Multi-gigabyte payloads) و الگوهای ترافیکی غیرعادی بین تجهیزاتی که معمولاً با یکدیگر ارتباط ندارند.
استراتژی‌های دفاعی و مدیریت بحران
اگرچه تهدید کرم‌های هوش مصنوعی جدی است، اما آنتروپیک معتقد است که تضاد میان «پنهان‌کاری» و «سرعت تکثیر» می‌تواند پاشنه آشیل این بدافزارها باشد. ایجاد امضاهای سنگین شبکه هنگام جابه‌جایی وزن‌های مدل، شناسایی آن‌ها را برای سیستم‌های IDS/IPS تسهیل می‌کند. پیاده‌سازی مکانیزم‌های «قرنطینه شبکه» مشابه آنچه در پاکسازی بات‌نت Mirai استفاده شد، در کنار اتخاذ استانداردهای سخت‌گیرانه برای حذف رمزهای عبور پیش‌فرض و اجباری کردن به‌روزرسانی‌های خودکار در تجهیزات IoT، از جمله اقدامات ضروری برای مقابله با این روند در ماه‌های آینده است.
