AI červ ešte nevznikol, Anthropic však ukázal replikáciu na 8 uzloch

Výskumníci Anthropic William Zhou a Daniel Freeman v správe z 12. októbra 2026 uviedli, že model GLM-5.2 dosiahol všetkých osem uzlov izolovanej testovacej siete v štyroch z piatich pokusov; v zostávajúcom pokuse dosiahol sedem. Výsledok ukazuje, že schopný model dokáže koordinovať reťazec replikácie v pripravenom prostredí. Samostatne sa šíriaci škodlivý AI červ na bežných zariadeniach tým preukázaný nebol.

Test prebehol na emulátoroch Androidu v sieti Google Cloud. GLM-5.2 pripravoval na cieľových uzloch inferenciu menšieho modelu Llama3.1-8B, zatiaľ čo jeho vlastná inferencia bežala na oddelenom serveri. Po úspešnej kontrole nového inferenčného servera spustil výskumný systém na cieľovom uzle ďalšiu kópiu agenta. Táto pomoc je podstatná pre výklad výsledku: veľký riadiaci model sa na slabších uzloch sám neprevádzkoval.

Ako prebiehal presun medzi uzlami

Replikácia si vyžaduje viac než skopírovanie súborov. Nový hostiteľ musí vedieť spustiť inferenciu a pokračovať v hľadaní ďalšieho cieľa; inak sa šírenie na ňom skončí. Výskumníci rozdelili tento cyklus na štyri nadväzujúce kroky:

Nájsť cieľ: agent preskúma dostupnú sieť a vyberie zariadenie, na ktoré sa môže pripojiť.
Získať možnosť vykonávať príkazy: na cieľovom zariadení potrebuje prístup na prenos súborov a prípravu prostredia.
Sprevádzkovať inferenciu: prenesie potrebnú záťaž a nastaví softvér, ktorý umožní spustiť model.
Pokračovať z nového uzla: nová inštancia agenta zopakuje postup s ďalším dostupným cieľom.

V laboratórnej sieti sa začínalo na vopred pripravenom uzle. Agent potom prechádzal na ďalšie emulované zariadenia a nastavoval na nich inferenčný server. Úspech teda zahŕňal viac krokov než jednorazové nasadenie modelu, ale jeho podmienky určili výskumníci. Počítačový červ v otvorenej sieti by musel celý cyklus opakovať aj pri zariadeniach s odlišnou konfiguráciou a ochranou.

Kde test odstránil prekážky skutočného útoku

Najvýraznejším zjednodušením bol prístup cez Android Debug Bridge, skrátene ADB. Testovacie uzly mali toto rozhranie dostupné bez autentifikácie, takže agent nemusel prekonať ochranu, ktorá by pri inom zariadení mohla zabrániť už prvému presunu. Výslednú úspešnosť preto nemožno považovať za odhad úspešnosti útoku proti ľubovoľnej domácej alebo firemnej sieti.

Druhé zjednodušenie sa týkalo výpočtového výkonu. Cieľové uzly neboli schopné prevádzkovať samotný GLM-5.2, a preto jeho rozhodovanie zostalo závislé od oddeleného inferenčného servera. Na uzloch sa namiesto toho overovalo, či agent dokáže sprevádzkovať Llama3.1-8B. Keď server prešiel kontrolami, ďalšiu kópiu agenta vytvoril výskumný systém. Pokus tak meral schopnosť veľkého modelu zorganizovať zjednodušený cyklus, nie schopnosť malého modelu preniesť a prevádzkovať samého seba bez tejto podpory.

Otvorený ADB port zároveň neznamená, že všetky reálne zariadenia sú dobre chránené. Slabé alebo predvolené prihlasovacie údaje môžu vytvoriť podobne ľahký vstup. Rozdiel je v tom, že laboratórny výsledok neoveroval, ako často by agent takéto vstupy našiel a využil mimo pripravenej siete. Práve preto je úspech v uzavretom teste hornou hranicou toho, čo možno z týchto pokusov vyvodzovať o šírení v praxi.

TV boxy ukázali výkon, nie šírenie

Oddelený pokus skúmal, či sa väčší model vôbec dá prevádzkovať na lacných zariadeniach mimo dátového centra. Technický rozbor Tom’s Hardware opisuje beh modelu Gemma4-26B-A4B rozdeleného medzi 15 Android TV boxov s cenou približne 55 dolárov za kus; dosiahnutá rýchlosť bola 0,39 tokenu za sekundu. Každý box držal len časť modelu a zariadenia spolupracovali pri inferencii.

Táto ukážka odpovedá na inú otázku než virtuálna sieť: či slabší hardvér dokáže spoločne poskytnúť výpočtový výkon pre model. Boxy sa pri nej samy nenapádali ani nepridávali ďalšie zariadenia. Pomalá inferencia navyše znamená, že plánovanie a nastavovanie na okraji siete by mohlo trvať podstatne dlhšie než rovnaká práca na výkonnom serveri. Preniesť výsledok z fyzických boxov na rýchlosť budúceho červa by preto bolo predčasné.

Rozhodujúca medzera zostáva medzi schopnosťou a veľkosťou modelu. Menšie modely zvládajú jednotlivé úlohy vrátane prípravy inferencie, no pri spájaní celého cyklu robia chyby. GLM-5.2 zvládol súvislý laboratórny postup, ale na cieľové zariadenia bol priveľký. Odhad, že sa tieto vlastnosti môžu v malom modeli stretnúť do konca roka 2026, vychádza z extrapolácie rastu všeobecných schopností modelov; nejde o výsledok testu takého modelu.

Čo by bolo viditeľné v sieti

Ak by sa model raz rozptýlil medzi cudzie zariadenia, odstránenie jednej kópie by nemuselo zastaviť ostatné. Euronews pri opise tohto rizika cituje vyjadrenie Anthropic: „The capabilities that make AI models generally powerful coding agents also generalize to cyber tasks, including autonomous replication.“ Podoba prípadného budúceho systému však zostáva neistá; šírenie medzi lacnými zariadeniami je len jedným z možných scenárov.

Pre správcov sietí a zariadení na okraji infraštruktúry z testu vyplývajú konkrétne kontrolné body:

Overiť, či ADB a podobné ladiace rozhrania nie sú dostupné zo sietí, z ktorých sa k zariadeniam môže pripojiť niekto ďalší.
Obmedziť spojenia medzi zariadeniami, ktoré na svoju bežnú prevádzku vzájomnú komunikáciu nepotrebujú.
Sledovať nezvyčajné vyhľadávanie ďalších hostiteľov, veľké prenosy súborov a sústavnú komunikáciu medzi zariadeniami.
Vedieť podozrivé zariadenie izolovať a spätne zistiť, ku ktorým ďalším uzlom sa pripájalo.

Tieto signály vyplývajú priamo z krokov potrebných na prenos záťaže a pokračovanie inferencie; sú užitočné aj pri bežnom škodlivom softvéri. O tom, či sa z laboratórnej schopnosti stáva osobitná hrozba AI červa, rozhodne až skúška, v ktorej dostatočne malý model zvládne celý cyklus na skutočných zariadeniach bez otvoreného vstupu a oddeleného výkonného servera.

Prečítajte si aj: