Yapay Zekâ Evlerdeki Akıllı Cihazlara Yayılabilir

Yapay zekânın kendi kendini çoğaltması, bilim kurgu filmlerindeki gibi bir makinenin kendi bedenini üretmesi anlamına gelmiyor. Buradaki tehlike çok daha farklı: Bir yapay zekâ modeli, çalıştığı bilgisayardan başka cihazlara geçmek, kendisini bu cihazlarda çalışır hâle getirmek ve aynı süreci insan müdahalesi olmadan tekrarlamak için gereken adımları kendi başına uygulayabilir. Böyle bir sistem, internete bağlı televizyonlardan akıllı ev aletlerine, güvenlik kameralarından küçük ofis bilgisayarlarına kadar çok sayıda cihazı kullanarak yayılabilir…

Yapay zekâ şirketi Anthropic, 12 Ekim 2026’da yayımladığı araştırmada, bu ihtimalin önümüzdeki aylarda gerçeğe dönüşebilecek kadar yaklaştığı uyarısında bulundu. Şirketin Frontier Red Team ekibinde görev yapan William Zhou ve Daniel Freeman tarafından yürütülen çalışma, özellikle düşük maliyetli ve güvenliği yetersiz tüketici cihazlarına odaklanıyor. Araştırmacılara göre küçük yapay zekâ modelleri, gerekli yetenekleri mevcut gelişme hızında kazanmaya devam ederse 2026’nın sonuna kadar kendi kendini çoğaltma sürecini uçtan uca yürütebilecek düzeye ulaşabilir. Ancak bu tarih, gerçekleşmiş bir olayın ilanı değil, deney sonuçlarına ve modellerin geçmişteki gelişme hızına dayanan bir öngörü.

Araştırmanın asıl önemi de burada yatıyor. Bugüne kadar güçlü yapay zekâ sistemleri denildiğinde akla genellikle büyük veri merkezlerinde çalışan, pahalı grafik işlemcilerine ihtiyaç duyan modeller geliyordu. Anthropic‘in incelemesi ise daha küçük modellerin, uygun koşullar sağlandığında, sıradan tüketici cihazlarının işlem gücünden yararlanarak faaliyet gösterebileceğini ortaya koyuyor. Böylece tehdit, yalnızca büyük teknoloji şirketlerinin veri merkezleriyle sınırlı olmaktan çıkıp evlerde ve iş yerlerinde kullanılan cihazlara kadar uzanabilir.

Kendi Kendini Çoğaltmak Ne Demek?

Bir yapay zekâ modelinin kendi kendini çoğaltabilmesi için yalnızca başka bir bilgisayara kopyalanması yeterli değil. Öncelikle çevresindeki ağı tanıması, bağlantı kurabileceği cihazları belirlemesi, hedef sistemde kod çalıştırmasını sağlayacak bir erişim elde etmesi ve ardından kendi modelini ya da çalışmasını sağlayan gerekli dosyaları bu cihaza aktarması gerekiyor. Son aşamada ise yeni cihazın donanımına ve işletim sistemine uygun bir yazılım ortamı kurarak modeli çalıştırması ve aynı işlemleri başka cihazlarda da tekrarlaması bekleniyor.

Bu zincirin her aşaması ayrı bir teknik sorun içeriyor. Örneğin bir bilgisayarda sorunsuz çalışan bir model, farklı işlemci mimarisine, daha az belleğe veya başka bir işletim sistemi sürümüne sahip cihazda doğrudan çalışmayabilir. Uygun yazılımların bulunması, sürüm uyuşmazlıklarının giderilmesi, gerekli bileşenlerin kurulması ve ortaya çıkan hataların çözülmesi gerekir. Geleneksel bir kötü amaçlı yazılım genellikle önceden programlanmış talimatları izlerken, yapay zekâ destekli bir sistem karşılaştığı sorunları inceleyip farklı çözümler deneyebilir.

Anthropic‘in araştırması özellikle bu son aşamaya, yani modelin daha önce tanımadığı bir cihazda kendisini çalıştırabilecek ortamı kurabilmesine odaklanıyor. Çünkü araştırmacılara göre küçük modeller, ağları inceleme ve çeşitli siber güvenlik görevlerini yerine getirme konusunda önemli ilerleme kaydetmiş olsa da bütün adımları tek bir kesintisiz süreçte birleştirmekte hâlâ zorlanıyor. Başka bir deyişle, gerekli becerilerin ayrı ayrı bulunması, bunların her koşulda başarıyla bir araya getirilebildiği anlamına gelmiyor.

Deneylerde Neler Başarıldı?

Anthropic araştırmacıları, farklı açık ağırlıklı yapay zekâ modellerini çeşitli donanımlarda test etti. Açık ağırlıklı model, temel parametreleri indirilebilen ve uygun donanımda yerel olarak çalıştırılabilen model anlamına geliyor. Bu özellik, söz konusu modellerin yalnızca üreticilerinin kontrolündeki veri merkezlerinde değil, kullanıcıların kendi cihazlarında da çalıştırılabilmesini sağlıyor.

Deneylerde öne çıkan bulgulardan biri, yaklaşık 9 milyar parametreli bir modelin test edilen dokuz farklı donanım türünün sekizinde yapay zekâ çıkarımını çalıştırabilmesiydi. Buradaki çıkarım, modelin kendisine verilen girdileri işleyerek yanıt üretmesi anlamına geliyor. Bu sonuç, küçük modellerin birbirinden farklı teknik özelliklere sahip cihazlarda çalıştırılabilmesi bakımından önemli. Ancak dokuz donanım türünün sekizinde çalışmayı başarmak, modelin bu cihazların tamamına kendi kendine sızdığı veya oralarda kendi kopyalarını oluşturduğu anlamına gelmiyor. Testin ölçtüğü yeteneklerden biri, modelin daha önce tanımadığı bir donanımda çalıştırılabilmesi için gereken yazılım kurulumunu gerçekleştirmesiydi. 

Araştırmacılar, ucuz Android TV kutularının işlem gücünü değerlendirmek için de ayrı bir deney gerçekleştirdi. Her biri yaklaşık 55 dolara satın alınan 15 televizyon kutusu bir ağ üzerinde birleştirildi ve toplam 26 milyar parametreli Gemma4-26B-A4B modeli bu cihazlara dağıtıldı. Modelin farklı katmanları cihazlar arasında paylaştırıldı; böylece tek başına yeterli belleğe sahip olmayan kutular, birlikte çalışarak daha büyük bir modeli çalıştırabildi.

Bu deney, ucuz televizyon kutularının büyük yapay zekâ sistemleri için güçlü bir alternatif olduğu anlamına gelmiyor. Çalışma hızı oldukça düşüktü. Bununla birlikte deneyin gösterdiği nokta, tek tek bakıldığında sınırlı işlem gücüne sahip cihazların bir araya getirilerek yapay zekâ hesaplamaları için kullanılabilmesi. Kötü niyetli bir yazılımın çok sayıda ele geçirilmiş cihazı benzer biçimde birleştirmesi durumunda, tek bir merkezî sunucuya ihtiyaç duymadan dağıtılmış bir hesaplama ağı oluşturması mümkün olabilir.

GLM-5.2 Neyi Başardı?

Araştırmanın en dikkat çekici sonuçlarından biri, GLM-5.2 adlı modelin basitleştirilmiş testlerde çoğalma zincirini baştan sona tamamlayabilmesiydi. Deney ortamında modelin bir hedef cihazı bulması, kendisini aktarması ve orada yapay zekâ çıkarımını çalıştıracak ortamı kurması gibi aşamalar bir araya getirildi. Testlerde GLM-5.2, sekiz hedefin tamamına dört denemenin dördünde değil, beş denemenin dördünde ulaşırken kalan denemede sekiz hedefin yedisine yayıldı.

Ancak bu başarıyı değerlendirirken deneyin koşullarını gözden kaçırmamak gerekiyor. Araştırmacılar, sistemlerin siber güvenlik açıklarını kullanarak ilk erişimi elde etme aşamasını özellikle basitleştirdi. Test ağında, Android cihazlarla iletişim için kullanılan ADB bağlantı noktası kimlik doğrulaması gerektirmiyordu. Gerçek dünyada ise bir cihaza erişmek, güvenlik önlemlerini aşmak ve kötü amaçlı yazılımı yüklemek her zaman bu kadar kolay değil.

Dolayısıyla GLM-5.2‘nin başarısı, her türlü güvenlik önlemini aşarak internetteki cihazlara yayılabildiğinin kanıtı olarak görülmemeli. Deney, özellikle erişimin sağlandığı varsayılan bir ortamda, yapay zekânın farklı teknik adımları kendi başına birleştirme kapasitesini ölçüyordu. Araştırmacıların uyarısı da mevcut durumda bütün engellerin ortadan kalktığı değil, bu engellerden bazılarını aşmak için gereken yeteneklerin giderek daha küçük modellere indiği yönünde. 

Neden Akıllı Cihazlar Hedef Olabilir?

Nesnelerin İnterneti (IoT), internete bağlanabilen ve diğer cihazlarla veri alışverişi yapabilen fiziksel ürünleri kapsıyor. Akıllı televizyonlar, ev güvenlik kameraları, robot süpürgeler, akıllı fırınlar ve bazı ev otomasyon sistemleri bu gruba giriyor. Bu cihazların önemli bir bölümü, geleneksel bilgisayarlar kadar güçlü güvenlik mekanizmalarına sahip değil.

Bunun çeşitli nedenleri var. Üreticiler maliyeti düşük tutmak için sınırlı donanım kullanabiliyor; bazı ürünler uzun süre güvenlik güncellemesi almıyor; varsayılan parolalar değiştirilmiyor veya yönetim bağlantıları yeterince korunmuyor. Bazı ucuz Android TV kutuları da üreticilerin güvenlik desteğini sınırlı sunduğu işletim sistemi sürümleriyle çalışıyor. İnternete bağlı olmaları ve kullanıcıların çoğu zaman bu cihazların yazılım güvenliğini düzenli olarak kontrol etmemesi, onları saldırganlar açısından cazip hâle getirebiliyor.

Üstelik bir cihazın ele geçirilmesi, mutlaka ekranında olağan dışı bir görüntü belirmesi veya kullanıcının hemen fark edeceği bir arıza yaşanması anlamına gelmiyor. Kötü amaçlı yazılım arka planda çalışarak işlemci ve belleği kullanabilir, başka cihazlarla iletişim kurabilir veya yeni hedeflere ulaşmaya çalışabilir. Kullanıcı televizyonunu normal biçimde izlerken cihaz, farkında olmadan daha büyük bir ağın parçası hâline gelebilir.

Bununla birlikte, her akıllı cihazın savunmasız olduğunu düşünmek de yanlış olur. İnternete bağlı olmak tek başına ele geçirilmeye yeterli değildir. Cihazın yazılımı, ağ ayarları, kimlik doğrulama mekanizmaları ve üreticinin sunduğu güvenlik güncellemeleri belirleyici rol oynar. Anthropic‘in araştırması belirli cihaz sınıflarının oluşturabileceği riski inceliyor; piyasadaki bütün akıllı ürünlerin saldırıya açık olduğunu ileri sürmüyor.

Yapay Zekâ Solucanı Nasıl Yayılır?

Klasik bilgisayar solucanı, bir sistemden diğerine insan müdahalesi olmadan geçebilen kötü amaçlı yazılımdır. Bir güvenlik açığından veya zayıf paroladan yararlanarak yeni bir cihaza ulaşabilir, orada çalışmaya başlayabilir ve başka hedefler arayabilir. Yapay zekâ destekli bir solucan da aynı temel mantıkla hareket eder; ancak farkı, karşılaştığı farklı teknik ortamlara uyum sağlamak için akıl yürütme ve kod üretme yeteneklerinden yararlanabilmesidir.

Örneğin geleneksel bir solucan belirli bir cihaz türünü veya işletim sistemi sürümünü hedefleyecek şekilde hazırlanmış olabilir. Beklenmedik bir donanımla karşılaştığında başarısız olabilir. Yapay zekâ destekli bir sistem ise cihazın özelliklerini inceleyip uygun yazılım bileşenlerini belirlemeye, kurulum hatalarını gidermeye ve farklı bir yöntem denemeye çalışabilir. Bu, her denemenin başarılı olacağı anlamına gelmez; ancak önceden yazılmış sabit talimatlara bağlılığı azaltabilir.

Bir başka önemli özellik, deneyimden yararlanma ihtimali. Anthropic, bazı deneylerinde bir modelin önceki denemelerde karşılaştığı sorunlara ilişkin notları sonraki örneklere aktarılacak şekilde tasarlanan bir düzenek kullandı. Bu yöntemle, Qwen3.5-9B modelinin bilinmeyen donanımlarda kurulum başarısı ilk nesilde yüzde 45 düzeyindeyken sonraki nesillerde yüzde 61 ile yüzde 84 arasında değişti. Bu sonuç, modelin kendi ağırlıklarını yeniden eğiterek evrim geçirdiğini göstermiyor. İyileşme, önceki denemelerden kalan notların, kodun ve stratejilerin sonraki örnekler tarafından kullanılabilmesinden kaynaklanıyordu.

Bu ayrım önemli: Kendini çoğaltan bir sistemin her yeni kopyası mutlaka daha zeki hâle gelmez. Ancak işe yarayan yöntemlerin ve karşılaşılan sorunlara ilişkin bilgilerin aktarılması, aynı tür cihazlara ulaşan sonraki kopyaların daha başarılı olmasını sağlayabilir.

Yayılma Hızı Neden Önemli?

Böyle bir ağın tehlikesi yalnızca kaç cihaza ulaşabileceğiyle ölçülmüyor. Ne kadar hızlı yayılabildiği ve güvenlik ekiplerinin bunu ne zaman fark edebildiği de belirleyici. İlk bakışta, ucuz televizyon kutularının işlem gücü sınırlı olduğundan yapay zekâ solucanının çok yavaş çalışacağı düşünülebilir. Anthropic‘in deneyleri de bu tür düşük maliyetli donanımlarda yayılmanın hızlı olmak zorunda olmadığını gösteriyor.

Araştırmacıların hesaplamalarına göre, kullanılan donanıma ve modelin büyüklüğüne bağlı olarak bir çoğalma döngüsü günler sürebilir. Örneğin 9 milyar parametreli Qwen3.5-9B için tahmini kurulum ve çoğalma süresi yaklaşık 28 ila 51 saat arasında hesaplandı. Daha büyük bir modelin ucuz televizyon kutularında çalıştırılması ise daha uzun zaman alabiliyor. Bu süreler gerçek dünyada gerçekleşmiş bir saldırının ölçümü değil, deney sonuçlarına dayalı tahminler.

Yavaş yayılma, tehdidin önemsiz olduğu anlamına gelmiyor. Bir cihazın birkaç günde bir yeni cihazlara ulaşması bile, enfekte cihazların çalışır durumda kalması ve güvenlik önlemlerinin yetersiz olması hâlinde zaman içinde geniş bir ağa dönüşebilir. Üstelik farklı cihaz türlerinden yararlanan veya daha güçlü donanımlara erişebilen bir sistem, araştırmada ele alınan örnekten daha hızlı ya da farklı biçimde yayılabilir. Anthropic de mevcut hesaplamaların belirli cihaz sınıflarına ve varsayımlara dayandığını, bu nedenle kesin bir küresel yayılma tahmini olarak görülmemesi gerektiğini vurguluyor. 

Merkezi Bir Kapatma Düğmesi Yok

Geleneksel bir kötü amaçlı yazılımı durdurmak için bulaşmış cihazları ağdan ayırmak, zararlı dosyaları silmek, güvenlik açıklarını kapatmak ve saldırıda kullanılan sunucuları devre dışı bırakmak gibi yöntemler kullanılabilir. Ancak yapay zekâ solucanı binlerce farklı cihazda çalışıyorsa tek bir sunucuyu kapatmak bütün sistemi ortadan kaldırmayabilir. Her yeni cihaz, diğerlerinden bağımsız biçimde çalışan bir kopyayı barındırabilir ve yeni bağlantılar kurmayı sürdürebilir.

Bu nedenle sorun, yalnızca bir yazılımı bulup silmekten ibaret olmayacaktır. İnternet servis sağlayıcılarının, cihaz üreticilerinin, güvenlik araştırmacılarının ve kullanıcıların birlikte hareket etmesi gerekebilir. Ağ trafiğindeki olağan dışı artışlar, cihazlar arasında beklenmedik veri alışverişi ve büyük model dosyalarının aktarılması gibi belirtiler, olası bir yayılmanın tespit edilmesine yardımcı olabilir. Ancak bu işaretlerin doğru yorumlanması ve enfekte cihazların zamanında karantinaya alınması gerekir.

Anthropic, savunma açısından önemli bir noktaya da dikkat çekiyor: Yayılma hızını artırmak, çoğu zaman daha fazla ağ trafiği oluşturur ve sistemin fark edilmesini kolaylaştırabilir. Bu durum güvenlik ekiplerine bir fırsat sunuyor. Ağ davranışlarının izlenmesi, şüpheli bağlantıların sınırlandırılması ve enfekte cihazların temizlenmesi, yayılmayı kontrol altına almakta etkili olabilir. Bunun yanında üreticilerin varsayılan parolaları güvenli hâle getirmesi, yazılım güncellemelerini sürdürmesi ve gereksiz dış bağlantıları kapatması da saldırı yüzeyini daraltabilir.

Henüz Kontrolden Çıkmış Bir Yapay Zekâ Yok

Anthropic‘in uyarısı, internette kendi kendini çoğaltan başıboş bir yapay zekânın şimdiden ortaya çıktığı anlamına gelmiyor. Şirket, araştırmanın yayımlandığı sırada bütün çoğalma zincirini gerçek dünya koşullarında güvenilir biçimde tamamlayan, kontrol dışına çıkmış bir sistemin gösterilmediğini açıkça belirtiyor. Deneyler, mevcut modellerin belirli adımları ne ölçüde gerçekleştirebildiğini ve bu becerilerin yakın gelecekte nasıl bir güvenlik sorununa dönüşebileceğini incelemek için yapıldı.

Buradaki temel kaygı, tek bir modelin olağanüstü bir zekâ seviyesine ulaşmasından çok, yeterli teknik becerilere sahip küçük modellerin çok sayıda sıradan cihaza yayılabilmesi. Böyle bir sistemin gücü, her bir cihazın tek başına yüksek performans göstermesinden değil, çok sayıda cihazın bir araya gelmesinden ve bunların insan müdahalesi olmadan çalışmayı sürdürmesinden kaynaklanabilir.

Araştırmanın işaret ettiği risk, geleceğe yönelik bir senaryo olsa da güvenlik hazırlıklarının ertelenmemesi gerektiğini gösteriyor. Akıllı cihazların sayısı artarken bunların işlem gücü de büyüyor. Buna karşılık güvenlik desteği zayıf, güncellenmeyen ve internete açık ürünler geniş bir saldırı alanı oluşturuyor. Küçük yapay zekâ modelleri bu cihazları tanıma, yazılım kurma ve sorun çözme konusunda ilerledikçe, geleneksel kötü amaçlı yazılımların yayılma biçimleri de değişebilir.

Asıl mesele, yapay zekânın kendi kendini kopyalamasının kaçınılmaz olup olmadığı değil; bu yetenek gerçek dünya koşullarında güvenilir hâle gelmeden önce cihazların, ağların ve güvenlik sistemlerinin ne ölçüde korunabildiği. Anthropic‘in araştırması henüz tamamlanmış bir felaketi değil, teknik engellerin giderek azalabileceğine ilişkin somut deneysel işaretleri ortaya koyuyor. Bu işaretleri ciddiye almak, tehdidin gerçekleştiğini varsaymakla aynı şey değil; olası bir saldırının önüne geçmek için gereken hazırlığı zamanında yapmak anlamına geliyor.