Anthropic ព្រមានថា ម៉ូឌែល AI អាចនឹងចម្លងខ្លួនឯង (Self-Replicate) លើ Smart TV និងឧបករណ៍ IoT ក្នុងពេលឆាប់ៗនេះ

ដោយ៖ Tamilselvan — ថ្ងៃទី១៣ ខែតុលា ឆ្នាំ២០២៦

ក្រុមអ្នកស្រាវជ្រាវរបស់ក្រុមហ៊ុន Anthropic បានចេញការព្រមានថា ម៉ូឌែល AI ខ្នាតតូចអាចនឹងមានសមត្ថភាពចម្លងខ្លួនឯងដោយស្វ័យប្រវត្តិកាត់តាមឧបករណ៍ប្រើប្រាស់ទូទៅដែលរងការវាយប្រហារ (Compromised Devices) ដោយបង្កើតបានជាបណ្តាញចែកចាយ (Distributed Networks) ដែលអាចដំណើរការបានដោយមិនចាំបាច់ពឹងផ្អែកលើហេដ្ឋារចនាសម្ព័ន្ធមជ្ឈមណ្ឌលទិន្នន័យ (Datacenter) ឡើយ។

ការស្រាវជ្រាវដែលបានចេញផ្សាយនៅថ្ងៃទី១២ ខែតុលា ឆ្នាំ២០២៦ ដោយលោក William Zhou និងលោក Daniel Freeman បានសិក្សាពិនិត្យមើលថាតើឧបករណ៍ IoT តម្លៃទាបអាចទ្រទ្រង់ភ្នាក់ងារ AI (AI Agents) ដែលដំណើរការជាប់លាប់ និងចម្លងខ្លួនឯងដោយស្វ័យប្រវត្តិបានដែរឬទេ។

ការពិសោធន៍បានបង្ហាញឱ្យឃើញពីធាតុផ្សំសំខាន់ៗនៃការគំរាមកំហែងនេះ ប៉ុន្តែមិនទាន់ឈានដល់កម្រិតជាមេរោគដង្កូវ AI (Rogue AI Worm) ដែលមានស្វ័យភាពពេញលេញនៅឡើយទេ។ ម៉ូឌែលដែលមានទំហំតូចល្មមអាចដំណើរការលើប្រអប់ Smart TV នៅតែជួបការលំបាកក្នុងការបំពេញដំណើរការចម្លងខ្លួនឯងទាំងស្រុងឱ្យមានប្រសិទ្ធភាព និងស្ថិរភាព។

ទោះជាយ៉ាងណា អ្នកស្រាវជ្រាវបានប៉ាន់ប្រមាណថា ការបន្តអភិវឌ្ឍសមត្ថភាពរបស់ AI អាចនឹងបំពេញចន្លោះប្រហោងនេះបាននៅត្រឹមដំណាច់ឆ្នាំ២០២៦។ ក្រុមការងារបានដំណើរការម៉ូឌែល Gemma4-26B-A4B នៅលើប្រអប់ Android TV គ្មានម៉ាកល្បីចំនួន ១៥ គ្រឿង ដែលមានតម្លៃប្រមាណ ៥៥ ដុល្លារក្នុងមួយគ្រឿង។

ឧបករណ៍នីមួយៗមាន RAM ទំហំ 4GB និងផ្ទុកផ្នែកខ្លះនៃស្រទាប់ (Layers) របស់ម៉ូឌែល ដោយរួមគ្នាបង្កើតបាននូវល្បឿនដំណើរការ (Inference Throughput) ចំនួន ០,៣៩ tokens ក្នុងមួយវិនាទី។

ស្ថាបត្យកម្មនេះប្រើប្រាស់ទម្រង់ pipeline parallelism ដោយបែងចែកការគណនារបស់ម៉ូឌែលទៅលើម៉ាស៊ីនជាច្រើនដែលតភ្ជាប់គ្នា ជាជាងការទាមទារម៉ាស៊ីនមេដ៏មានឥទ្ធិពលមួយ។ ក្រុមអ្នកស្រាវជ្រាវបានហៅភ្នាក់ងារស្វ័យប្រវត្តិដែលផ្ទុក និងដំណើរការទម្ងន់ទិន្នន័យរបស់ម៉ូឌែល (Model Weights) លើឧបករណ៍ដែលរងការវាយប្រហារថាជា «weight-based replicators»។

ផ្ទុយពីភ្នាក់ងារដែលពឹងផ្អែកលើ API ប្រព័ន្ធទាំងនេះមិនចាំបាច់ពឹងលើក្រុមហ៊ុនផ្តល់សេវាកម្មម៉ូឌែលដែលអាចដកហូតសិទ្ធិចូលដំណើរការនោះឡើយ។ ការដំឡើងដំណើរការ inference បានក្លាយជាឧបសគ្គចម្បង ដោយភ្នាក់ងារ AI ត្រូវកំណត់កម្រិតសមត្ថភាពផ្នែករឹង ជ្រើសរើសកម្មវិធីដែលត្រូវគ្នា ដោះស្រាយបញ្ហា dependencies និងជួសជុលបញ្ហាបច្ចេកទេសជាក់លាក់របស់ឧបករណ៍នីមួយៗ។ ម៉ូឌែល Qwen3.5-9B បានដំឡើងដំណើរការ inference បានដោយជោគជ័យលើប្រភេទផ្នែករឹងចំនួន ៨ ក្នុងចំណោម ៩ ប្រភេទដែលបានធ្វើតេស្ត ដែលបង្ហាញថាម៉ូឌែលទំហំតូចល្មមអាចសម្របខ្លួនក្នុងបរិស្ថានកុំព្យូទ័រចម្រុះបាន។

ដើម្បីវាយតម្លៃលើការចម្លងរាលដាល អ្នកស្រាវជ្រាវបានបង្កើតបរិស្ថានដាច់ដោយឡែកមួយលើ Google Cloud ដែលមាន ៨ nodes ដំណើរការដោយ Android 15 តាមរយៈកម្មវិធី redroid emulator។ ភ្នាក់ងារ AI បានជួបប្រទះនឹងច្រក Android Debug Bridge (ADB) ដែលគ្មានប្រព័ន្ធផ្ទៀងផ្ទាត់សុពលភាព ដែលជួយសម្រួលដល់ការជ្រៀតចូលយ៉ាងខ្លាំង បើធៀបនឹងការវាយប្រហារជាក់ស្តែង។

ម៉ូឌែល GLM-5.2 បានជ្រៀតចូលដល់ nodes ទាំង ៨ បានជោគជ័យក្នុងការធ្វើតេស្ត ៤ លើក ក្នុងចំណោម ៥ លើក និងបាន ៧ nodes ក្នុងការធ្វើតេស្តលើកចុងក្រោយ។ ចំណែកម៉ូឌែល open-weight ដទៃទៀតដែលបានធ្វើតេស្ត គឺបរាជ័យជាបន្តបន្ទាប់ក្នុងការបំពេញដំណើរការទាំងស្រុង។

ទោះជាយ៉ាងណា ការពិសោធន៍នេះមិនបានបង្ហាញថា GLM-5.2 ដំណើរការ weights ផ្ទាល់ខ្លួនរបស់វានៅលើឧបករណ៍ទាំងនោះទេ។ ការគិតវិភាគរបស់វាដំណើរការលើម៉ាស៊ីនមេ inference ដាច់ដោយឡែកមួយ ខណៈពេលដែលវាបញ្ជូន និងដំឡើងម៉ូឌែល Llama3.1-8B លើឧបករណ៍គោលដៅ។ ដូច្នេះ លទ្ធផលនេះបង្ហាញត្រឹមតែសមត្ថភាពក្នុងការចាត់ចែង (Orchestration) ក្រោមលក្ខខណ្ឌអំណោយផលប៉ុណ្ណោះ មិនទាន់ជាដង្កូវមេរោគ IoT ដែលដំណើរការដោយឯករាជ្យពេញលេញនៅឡើយទេ។

ការព្យាករណ៍ថានឹងឈានដល់កម្រិតសមត្ថភាពនេះនៅដំណាច់ឆ្នាំ ក៏នៅតែមានភាពមិនប្រាកដប្រជាដែរ។ អ្នកស្រាវជ្រាវបានទាញការសន្និដ្ឋាននេះចេញពីនិន្នាការទូទៅនៃ benchmark ជាជាងការវាស់វែងជាក់ស្តែងទៅលើសមត្ថភាពចម្លងខ្លួនឯងនាពេលអនាគត។

ទំហំអង្គចងចាំ (Memory) និងកម្រិតបញ្ជូនទិន្នន័យ (Bandwidth) កម្រិតទាប នឹងក្លាយជារបាំងរារាំងល្បឿននៃការដំឡើង។ ពេលវេលាប៉ាន់ស្មានក្នុងការដំឡើង inference មានចាប់ពី ២៨ ទៅ ៥១ ម៉ោងសម្រាប់ Qwen3.5-9B និងពី ៧១ ទៅ ១៥០ ម៉ោងសម្រាប់ទម្រង់ Gemma ដែលមិនទាន់ត្រូវបាន optimize។

ទោះជាយ៉ាងណាក៏ដោយ ការសម្របខ្លួនអាចបង្កើនស្ថិរភាពដំណើរការ។ នៅពេលដែល instance របស់ Qwen3.5-9B ទទួលបានកំណត់ត្រាដោះស្រាយបញ្ហាពីជំនាន់មុនៗ ភាពជោគជ័យនៃការដំឡើងបានកើនឡើងពី ៤៥% នៅដំណាក់កាលដំបូង រហូតដល់ចន្លោះពី ៦១% ទៅ ៨៤% នៅក្នុងជំនាន់ក្រោយៗ។ នេះគឺជាការផ្ទេរចំណេះដឹងផ្នែកប្រតិបត្តិការ ជាជាងការកែប្រែ weights របស់ម៉ូឌែលដោយស្វ័យប្រវត្តិ។

Anthropic បានកំណត់ការត្រួតពិនិត្យបណ្តាញ, ប្រព័ន្ធ honeypots, ការដាក់អ្នកប្រើប្រាស់ឱ្យនៅដាច់ដោយឡែក (Quarantine), និងការពង្រឹងការកំណត់លំនាំដើមរបស់ឧបករណ៍ (Device Defaults) ថាជាវិធានការការពារដ៏មានសក្តានុពល។ ការផ្ទេរទិន្នន័យទំហំធំកម្រិត Gigabyte, ចរាចរណ៍ inference ជាប់គ្នារវាងឧបករណ៍និងឧបករណ៍, ការស្កេនបណ្តាញ, និងការភ្ជាប់ចេញក្រៅមិនប្រក្រតី សុទ្ធសឹងតែអាចបង្ហាញឱ្យឃើញពីការឆ្លងមេរោគ។

ការព្រមានចម្បងគឺផ្តោតលើភាពស៊ីសង្វាក់គ្នា (Convergence) រវាងម៉ូឌែលខ្នាតតូចដែលមានសមត្ថភាពកាន់តែខ្ពស់ និងភាពងាយស្រួលក្នុងការទាញយកបច្ចេកវិទ្យា edge computing ដែលអាចបើកផ្លូវឱ្យកើតមានមេរោគឆ្លាតវៃគ្មានមជ្ឈមណ្ឌលគ្រប់គ្រង (Decentralized Malware)។ ការស្រាវជ្រាវនេះគ្រាន់តែបង្ហាញជាសញ្ញានៃលទ្ធភាពដែលអាចកើតឡើងថ្មីមួយប៉ុណ្ណោះ ពុំមែនជាភស្តុតាងបញ្ជាក់ថាមានមេរោគដង្កូវស្វ័យប្រវត្តិកំពុងចរាចរណ៍រីករាលដាលរួចហើយនោះទេ។

ប្រភព៖ https://cyberpress.org/anthropic-warns-ai-models/

អត្ថបទនេះផ្តល់ជូនដោយ Bitdefender Total Security

Bitdefender Total Security គឺជាកញ្ចប់កម្មវិធីការពារឧបករណ៍របស់អ្នកដែលអាចតំឡើងនៅលើប្រព័ន្ធប្រតិបត្តិការ (Windows, macOS, iOS, Android) ដែលប្រមូលផ្តុំនូវមុខងារជាច្រើន មានដូចជា មុខការទប់ស្កាត់និងកម្ចាត់មេរោគ មុខងារឯកជនភាព និងមុខងារសុវត្ថិភាពសំខាន់ៗផ្សេងទៀត ទៅក្នុងកញ្ចប់កម្មវិធីតែមួយ។ Bitdefender អាចបញ្ឈប់មេរោគកុំព្យូទ័រមិនឱ្យឆ្លង ទប់ស្កាត់មោរោគចាប់ជំរិតទារប្រាក់ (ransomware) ការវាយប្រហារតាមភាពងាយរងគ្រោះ/ចន្លោះប្រហោងទើបប្រទះឃើញ (zero-day exploits) និងមេរោគស៊ើបការណ៍ (spyware) មុនពេលដែលវាបង្កការខូចខាតដល់កុំព្យូទ័រ/ប្រព័ន្ធរបស់យើង។ លើសពីនេះ វាក៏មានការការពារនៅកម្រិតបណ្តាញ ដើម្បីរារាំងគេហទំព័រឆបោក (phishing) និងតំណភ្ជាប់ដែលមានមេរោគផងដែរ៕