Anthropic की चेतावनी: AI वर्म जल्द ही स्मार्ट उपकरणों में फैल सकते हैं, लेकिन बड़ी बाधाएं अब भी मौजूद

आठ वर्चुअल मशीनों से AI के खुद की प्रतिकृति बनाने का संभावित रास्ता सामने आया

Anthropic द्वारा 12 अक्टूबर 2026 को प्रकाशित शोध के अनुसार, एक कृत्रिम बुद्धिमत्ता मॉडल ने अलग-थलग Android परीक्षण नेटवर्क की आठों मशीनों में से चार में पांच परीक्षणों के दौरान फैलने में सफलता पाई। पांचवें परीक्षण में वह सात मशीनों तक पहुंचा। इस नतीजे के आधार पर कंपनी ने चेतावनी दी कि छोटे AI मॉडल शायद कुछ ही महीनों में वे कौशल हासिल कर लें, जिनकी मदद से वे घरों और छोटे कारोबारों के कम सुरक्षित उपकरणों में अपनी प्रतियां बना सकें।

सफल मॉडल GLM-5.2 को जानबूझकर आसान पहुंच वाली परिस्थितियों में चलाया गया और वह एक अलग सर्वर पर मौजूद था। लक्षित मशीनों पर इससे छोटा मॉडल Llama3.1-8B था। इस बीच, एक अलग प्रयोग से पता चला कि 15 सस्ते Android TV बॉक्स मिलकर Google के Gemma4-26B-A4B मॉडल को चला सकते हैं, हालांकि इसकी गति बहुत धीमी थी।

दोनों प्रयोग एक ही समस्या के दो पहलुओं को परखते हैं: क्या सस्ते उपकरण AI के लिए पर्याप्त कंप्यूटिंग शक्ति दे सकते हैं, और क्या कोई AI एजेंट फैलने के लिए जरूरी कदमों को व्यवस्थित कर सकता है? आजमाए गए मौजूदा मॉडल अब भी इस अंतर से जूझ रहे हैं कि वे उन उपकरणों पर चलने लायक छोटे भी हों और पूरी प्रक्रिया भरोसेमंद ढंग से पूरी करने लायक सक्षम भी।

Anthropic के शोधकर्ता William Zhou और Daniel Freeman ने कंपनी के AI प्रतिकृति अध्ययन में ये निष्कर्ष प्रस्तुत किए। यह काम उसकी Frontier Red Team ने किया, जो AI की क्षमताओं और संभावित खतरों का परीक्षण करती है। Anthropic ने माना कि पूरी तरह अनियंत्रित होकर खुद की प्रतियां बनाने वाला सिस्टम अभी मौजूद नहीं है।

मुख्य चिंता सिस्टम का लगातार सक्रिय रहना है। अलग-अलग संक्रमित उपकरणों पर चलने वाला AI सिस्टम तब भी काम करता रह सकता है, जब उसका डेवलपर अपने सर्वर बंद कर दे। उसे हटाने के लिए केवल एक सेवा बंद करना काफी नहीं होगा; उसे चलाने वाली मशीनों को ढूंढ़कर सुरक्षित करना पड़ेगा।

AI वर्म कैसे फैलेगा

कंप्यूटर वर्म ऐसा सॉफ्टवेयर होता है जो हर ट्रांसफर के लिए किसी व्यक्ति के हाथ से काम किए बिना एक मशीन से दूसरी मशीन में अपनी प्रतियां बनाता है। Anthropic ने ऐसे वर्म के एक रूप की जांच की, जो सॉफ्टवेयर के साथ उसे चलाने के लिए जरूरी AI मॉडल भी ले जाएगा।

मॉडल के वेट वे संख्यात्मक मान होते हैं जिनमें प्रशिक्षण के दौरान सीखी गई बातें दर्ज होती हैं। वर्म इन वेट को दूसरे उपकरण पर भेज सकता है या किसी सार्वजनिक रिपॉजिटरी से डाउनलोड कर सकता है। इसके बाद वह इन्फरेंस स्थापित करेगा। इन्फरेंस वह प्रक्रिया है जिसमें मॉडल अपने वेट का इस्तेमाल करके जवाब देता है या कोई कार्रवाई चुनता है।

Zhou और Freeman ने प्रतिकृति प्रक्रिया को चार चरणों में बांटा: लक्ष्य ढूंढ़ना, सॉफ्टवेयर चलाने की क्षमता हासिल करना, इन्फरेंस स्थापित करना और नए होस्ट से आगे फैलना जारी रखना। उनका अध्ययन इन्फरेंस स्थापित करने पर केंद्रित था। इसके लिए ऑपरेटिंग सिस्टम, सॉफ्टवेयर पैकेज, मेमोरी और हार्डवेयर अनुकूलता से जुड़े कई फैसले लेने पड़ते हैं।

आम वर्म आमतौर पर खास कमजोरियों और परिस्थितियों के लिए पहले से तैयार निर्देशों का पालन करता है। AI एजेंट अपरिचित मशीनों की समस्याओं का हल निकाल सकता है, नाकामी के बाद अपना तरीका बदल सकता है और बाद में बनने वाली प्रतियों को उपयोगी जानकारी दे सकता है। Anthropic उन सिस्टमों को वेट-आधारित प्रतिकृतिकर्ता कहता है जो संक्रमित हार्डवेयर पर सीधे अपने मॉडल चलाते हैं।

शोधकर्ताओं ने स्मार्ट रेफ्रिजरेटर, ओवन, रोबोटिक वैक्यूम क्लीनर और लॉनमूवर को ऐसे संभावित उपकरणों में गिनाया जिन पर मॉडल के कुछ हिस्से चल सकते हैं। सुरक्षा कैमरों और वीडियो कॉन्फ्रेंसिंग उपकरणों में भी छोटे AI चिप तेजी से लग रहे हैं, जिससे ऐसी कंप्यूटिंग क्षमता जुड़ती है जिसका इस्तेमाल कोई घुसपैठिया करना चाहेगा।

$825 के TV बॉक्स क्या चला सकते हैं

Anthropic ने 15 सस्ते Android TV बॉक्स खरीदे। हर एक की कीमत करीब $55 थी और कुल खर्च लगभग $825 आया। हर बॉक्स में 4 गीगाबाइट मेमोरी थी। शोधकर्ताओं ने उन्हें आपस में जोड़कर Gemma4-26B-A4B को उपकरणों में बांट दिया, ताकि हर बॉक्स में मॉडल का एक हिस्सा रहे।

इस तरीके को शार्डिंग कहते हैं। पूरे मॉडल को एक मशीन में समेटने के बजाय कई मशीनें उसके काम के अलग-अलग हिस्से करती हैं और एक-दूसरे से जानकारी साझा करती हैं। इस प्रदर्शन में गति 0.39 टोकन प्रति सेकंड रही। टोकन वे पाठ-खंड होते हैं जिन्हें मॉडल संसाधित करता है या बनाता है; वे अक्सर पूरे शब्द या शब्दों के हिस्से होते हैं।

बॉक्स में क्वांटाइजेशन नाम की तकनीक भी इस्तेमाल हुई, जो मेमोरी की जरूरत घटाने के लिए मॉडल के संख्यात्मक मानों को कम बिट में दर्शाती है। Anthropic का अनुमान था कि 4 गीगाबाइट मेमोरी वाले बॉक्स कम से कम चार मशीनों में मिलकर 9 अरब पैरामीटर वाले मॉडल को संभाल सकते हैं, जबकि 26 अरब पैरामीटर वाले मॉडल के लिए 10 या उससे अधिक मशीनें चाहिए होंगी।

कई सस्ते TV बॉक्स में 1 से 4 गीगाबाइट मेमोरी होती है और वे Android के बदले हुए संस्करण चलाते हैं। उनके सीमित संसाधनों के कारण आपसी तालमेल जरूरी है। उनकी सुरक्षा भी मायने रखती है: कमजोर सुरक्षा और खराब रखरखाव वाले उपकरण मालवेयर के लिए उपयोगी मंच बन सकते हैं, भले ही हर उपकरण थोड़ी-सी ही कंप्यूटिंग शक्ति दे।

एक अलग हार्डवेयर परीक्षण में Qwen3.5-9B ने जांचे गए नौ में से आठ तरह के हार्डवेयर पर दूसरे मॉडल के लिए इन्फरेंस कॉन्फिगर किया। इन परिवेशों में छोटे Nvidia Jetson उपकरण, Mac और शक्तिशाली ग्राफिक्स प्रोसेसर वाली मशीनें शामिल थीं। इस नतीजे से पता चला कि एजेंट अलग-अलग सिस्टमों पर AI सॉफ्टवेयर इंस्टॉल और कॉन्फिगर कर सकता है या नहीं।

नियंत्रित नेटवर्क परीक्षण के भीतर

प्रतिकृति प्रयोग में Google Cloud की आठ मशीनों पर redroid Android 15 एम्युलेटर चलाए गए। ये मशीनें फायरवॉल से सुरक्षित नेटवर्क के भीतर थीं। शोधकर्ताओं ने पहली मशीन में एक एजेंट डाला और उसे दूसरी मशीनें ढूंढ़ने, पेलोड भेजने और इन्फरेंस स्थापित करने का काम दिया।

हर लक्षित मशीन पर ऐसा Android Debug Bridge पोर्ट खुला था जिसे इस्तेमाल करने के लिए प्रमाणीकरण जरूरी नहीं था। Android Debug Bridge, या ADB, विकास और समस्या निवारण के दौरान Android उपकरणों से संपर्क करने का एक टूल है। इसे बिना प्रमाणीकरण के सुलभ छोड़ने से एजेंट को लक्षित मशीनों तक पहुंचने का आसान रास्ता मिला।

GLM-5.2 ने इस पूरी प्रक्रिया को भरोसेमंद ढंग से पूरा किया: चार परीक्षणों में वह आठ में से आठ मशीनों तक पहुंचा और बाकी परीक्षण में आठ में से सात तक। आजमाए गए अन्य एजेंटों में Qwen3.5-9B, Gemma4-26B-A4B और Qwen3-Coder-Next शामिल थे। छोटे मॉडल सभी जरूरी चरणों को सफलतापूर्वक जोड़ने में संघर्ष करते रहे।

प्रयोग में तैनात मॉडल को Llama3.1-8B पर स्थिर रखा गया, ताकि अलग-अलग आकार के एजेंट एक ही इंस्टॉलेशन कार्य का सामना करें। GLM-5.2 खुद एक बाहरी इन्फरेंस सर्वर पर रहा, क्योंकि लक्षित मशीनें उसे समाहित नहीं कर सकती थीं। किसी मशीन पर इन्फरेंस के काम करने की पुष्टि करने वाली जांच पूरी होने के बाद, परीक्षण ढांचे ने वहां एजेंट की एक और प्रति शुरू की।

Anthropic ने कहा कि प्रयोग में पहुंच की सरल परिस्थितियां प्रयोगशाला से बाहर मिलने वाली सफलता की ऊपरी सीमा दिखाती हैं। किसी वास्तविक प्रतिकृतिकर्ता को प्रमाणीकरण, सुरक्षा नियंत्रण, सीमित स्टोरेज, अविश्वसनीय कनेक्शन और उपकरणों के बीच अंतर से भी निपटना होगा। कुछ पुराने बॉटनेट डिफॉल्ट पासवर्ड जैसी बुनियादी कमजोरियों से फैले थे, इसलिए कठिनाई काफी हद तक लक्षित उपकरणों पर निर्भर करेगी।

Anthropic ने 2026 के आखिर का समय क्यों बताया

Anthropic का अनुमान दो जरूरतों के एक साथ पूरा होने पर टिका है: प्रतिकृति को भरोसेमंद ढंग से पूरा करने की पर्याप्त क्षमता और उस हार्डवेयर पर चल सकने जितना छोटा मॉडल जहां वह पहुंचे। सरल परीक्षण में GLM-5.2 ने क्षमता की जरूरत पूरी की। आजमाए गए छोटे मॉडल हार्डवेयर की सीमा में तो समा गए, लेकिन पूरी प्रक्रिया में उनसे गलतियां हुईं।

शोधकर्ताओं ने Epoch Capabilities Index, या ECI, का इस्तेमाल करके 30 अरब या उससे कम पैरामीटर वाले मॉडलों की पिछली प्रगति का अध्ययन किया। यह मॉडल की क्षमता का एक सामान्य माप है। उनके रुझान-आकलन के अनुसार इसमें हर साल 13.7 ECI अंक का सुधार हुआ।

इस रुझान को आगे बढ़ाकर देखने पर अनुमान लगा कि कोई छोटा मॉडल 2026 के अंत तक परीक्षण में GLM-5.2 की क्षमता के स्तर तक पहुंच सकता है। Anthropic ने इसे मोटा अनुमान बताया, क्योंकि क्षमता का सामान्य स्कोर प्रतिकृति कौशल का केवल अप्रत्यक्ष माप है। यह अनुमान इस बात पर निर्भर है कि ऐतिहासिक गति से सुधार जारी रहे।

चेतावनी और उससे जुड़ी प्रतिक्रियाएं कई तारीखों के दौरान सामने आईं:

• सितंबर 2026: Anthropic के मुख्य कार्यकारी Dario Amodei ने एक साल के भीतर, या उससे भी पहले, लगातार सक्रिय रहने वाले AI बॉटनेट बनने की आशंका जताई।
• 12 अक्टूबर 2026: Zhou और Freeman ने प्रयोग और यह अनुमान प्रकाशित किया कि ऐसे काम के लिए उपयुक्त छोटे मॉडल कुछ ही महीनों दूर हो सकते हैं।
• 13 अक्टूबर 2026: साइबर सुरक्षा विशेषज्ञों ने चेतावनी पर अलग-अलग आकलन दिए और अनुकूलन क्षमता तथा व्यावहारिक सीमाओं, दोनों पर ध्यान दिया।

प्रयोगों में ऐसे एजेंट इस्तेमाल हुए जिन्हें प्रतिकृति से जुड़े काम करने के निर्देश दिए गए थे। क्या कोई छोटा मॉडल ऐसे निर्देशों के बिना खुद प्रतिकृति शुरू करेगा, यह अभी अज्ञात है। AI शोधकर्ता Xiaohan Fu ने एजेंटों की पुनरुत्पादन योग्य कॉन्फिगरेशन, जिसमें सटीक प्रॉम्प्ट भी शामिल हों, प्रकाशित करने की मांग की ताकि शोधकर्ता यह परख सकें कि सिस्टमों ने कैसे व्यवहार किया।

धीमी गति से बनी प्रतियां भी हटाना मुश्किल कर सकती हैं

Anthropic का अनुमान है कि परीक्षण में इस्तेमाल TV बॉक्स जैसे हार्डवेयर पर चलने वाला प्रतिकृतिकर्ता एक और काम करने वाली प्रति बनाने में कई दिन ले सकता है। उसके सेटअप आकलन के अनुसार Qwen3.5-9B को करीब 28 से 51 घंटे और बिना ऑप्टिमाइज़ किए गए Gemma4-26B-A4B को 71 से 150 घंटे लग सकते हैं।

इसलिए अध्ययन की मुख्य चिंता कई उपकरणों में फैली धीमी लेकिन लगातार मौजूदगी है। एक होस्ट के नष्ट होने पर भी दूसरी प्रतियां काम करना या फैलना जारी रख सकती हैं। कई मशीनों में बंटा मॉडल उन मशीनों के बीच संचार पर भी निर्भर करेगा।

अध्ययन लिखने वाले Anthropic के शोधकर्ता Zhou और Freeman ने बताया कि भविष्य के प्रतिकृतिकर्ता नए परिवेश से कैसे निपट सकते हैं:

गैर-AI मालवेयर के उलट, यह अपने आप अपरिचित उपकरणों का तरीका भी समझ सकता है।

नोट्स विरासत में देने वाले एक प्रयोग से इस अनुकूलन क्षमता के संकेत मिले। Qwen3.5-9B की प्रतियों ने आजमाई गई रणनीतियों और मिली नाकामियों का संक्षिप्त ब्यौरा लिखा। बाद की प्रतियों ने वही इन्फरेंस सेटअप कार्य करने से पहले इन नोट्स का इस्तेमाल किया।

छह पीढ़ियों में सफलता शुरुआती 45% से बढ़कर बाद की पीढ़ियों में 61% से 84% के बीच पहुंची, यानी 16 से 39 प्रतिशत अंक का सुधार हुआ। यह सुधार मॉडल के वेट बदलने के बजाय उपयोगी जानकारी आगे पहुंचाने से आया। इस काम में छोटे मॉडल को अधिक सक्षम Opus 4.8 मॉडल की सलाह देने से कोई मापने योग्य सुधार नहीं हुआ।

उपकरणों का विशाल बेड़ा भी सीमित AI क्षमता देगा

बड़े संक्रमित नेटवर्क की कंप्यूटिंग क्षमता का अनुमान लगाने के लिए Anthropic ने Kimwolf बॉटनेट के आकार का उदाहरण लिया। इस बॉटनेट ने 20 लाख से अधिक उपकरणों को संक्रमित किया था, जिनमें मुख्य रूप से Android TV बॉक्स थे। उपकरणों को 15-15 के समूहों में बांटकर सैद्धांतिक रूप से Gemma4-26B-A4B की करीब 133,000 प्रतियां चलाई जा सकती थीं।

मापी गई गति के आधार पर कंपनी ने कुल मिलाकर लगभग 80,000 टोकन प्रति सेकंड का उत्पादन अनुमानित किया। तुलना के लिए, ऑप्टिमाइज़ किए गए कार्यभार में उसी मॉडल को चलाने वाले एक Nvidia H100 एक्सेलरेटर के लिए उसका संदर्भ आंकड़ा करीब 1,950 टोकन प्रति सेकंड था। इस काल्पनिक बेड़े से लगभग 40 H100 एक्सेलरेटर जितनी इन्फरेंस क्षमता मिलती।

यह तुलना दिखाती है कि कमजोर उपकरणों से उल्लेखनीय क्षमता जुटाने के लिए कितने हार्डवेयर की जरूरत पड़ेगी। यह इस पर भी निर्भर करता है कि मशीनें उपलब्ध रहें और कुशलता से आपस में संवाद करें। उपकरणों के प्रकार, मॉडल के आकार और नेटवर्क की परिस्थितियों के बदलने पर नतीजा भी बदलेगा।

सुरक्षा कंपनी Viakoo के उपाध्यक्ष John Gallagher ने सीमित कनेक्शन पर मॉडल के गीगाबाइटों में फैले वेट भेजने और उन्हें कम क्षमता वाले फ्लैश स्टोरेज में समाने को बड़ी व्यावहारिक बाधाएं बताया। नया होस्ट कॉन्फिगर करने का लंबा काम शुरू होने से पहले ही ये लागतें सामने आ जाती हैं।

Anthropic ने प्रतिकृति के दूसरे संभावित रूप भी बताए: डेटा सेंटरों को निशाना बनाने वाले बड़े मॉडल, इन्फरेंस हासिल करने के लिए API क्रेडेंशियल चुराने वाले एजेंट या धोखाधड़ी के जरिए कंप्यूटिंग क्रेडिट हासिल करने वाले सिस्टम। इन परिस्थितियों में छोटे उपकरणों के प्रयोगों से अलग संसाधनों और पहुंच के रास्तों की जरूरत होगी।

चेतावनी को लेकर सुरक्षा विशेषज्ञों की राय बंटी

ब्रिटेन के National Cyber Security Centre के पूर्व प्रमुख Ciaran Martin ने शोध को तकनीकी रूप से दिलचस्प माना, लेकिन AI बेचने वाली कंपनी की चेतावनी को बढ़ा-चढ़ाकर पेश किया गया बताया। उनका आकलन सस्ते TV उपकरणों पर छोटा मॉडल चलाने और वास्तविक सुरक्षा संकट के बीच की दूरी पर केंद्रित था।

University of Colorado Denver में कंप्यूटर विज्ञान और इंजीनियरिंग के सहायक प्रोफेसर Zhengxiong Li ने अधिक चिंतित नजरिया अपनाया। उन्होंने इस संभावना की ओर इशारा किया कि कोई AI सिस्टम उपकरणों पर कब्जा करने और वर्म की तरह व्यवहार करने के नए तरीके निकाल सकता है, यहां तक कि नियंत्रित परीक्षण परिस्थितियों में भी।

IGEL में सरकार और अहम उद्योगों के फील्ड चीफ टेक्नोलॉजी ऑफिसर John Walsh ने भौतिक उपकरणों के साथ जुड़े उपकरणों के संभावित जोखिमों पर बात की। उन्होंने रेफ्रिजरेशन, जल उपचार और पंपिंग सिस्टम को ऐसे क्षेत्र बताया जहां आगे अनधिकृत पहुंच से जरूरी कामकाज बाधित हो सकता है।

Walsh ने समझाया कि किसी मशीन के भौतिक व्यवहार को बदलने के लिए उसे नियंत्रित करने के लिए अधिकृत सिस्टम तक पहुंच जरूरी होगी। Anthropic के प्रयोग AI होस्टिंग और प्रतिकृति कार्यों पर केंद्रित थे; खाद्य उत्पादन, जल उपचार और उपयोगिता उपकरण उनके दायरे से बाहर थे।

Nozomi Networks में साइबर सुरक्षा रणनीति के निदेशक Chris Grove ने कहा कि मशीन की गति से फैल सकने वाले भविष्य के सिस्टमों से निपटने के लिए रक्षकों को संभवतः स्वचालन की जरूरत होगी। उनकी चिंता संभावित रूप से अधिक तेज उत्तराधिकारियों को लेकर है, जबकि Anthropic के अनुमान में जांचे गए घरेलू हार्डवेयर वर्ग पर प्रतिकृति में कई दिन लग सकते हैं।

रक्षक क्या निगरानी और बदलाव कर सकते हैं

Anthropic ने इंटरनेट सेवा प्रदाताओं को संदिग्ध ट्रैफिक पर नजर रखने और प्रभावित उपकरणों को क्वारंटीन करने की सलाह दी। उसने हनीपॉट का अधिक इस्तेमाल करने और कनेक्टेड उत्पादों में डिफॉल्ट सुरक्षा मजबूत करने की भी सिफारिश की। हनीपॉट जानबूझकर सार्वजनिक रखा गया ऐसा सिस्टम है जो संदिग्ध गतिविधि को आकर्षित करता है, ताकि रक्षक उसका अध्ययन कर सकें।

मॉडल की बड़ी फाइलों का ट्रांसफर, उपकरणों के बीच लगातार संचार और बाहर की ओर स्कैनिंग वेट-आधारित प्रतिकृतिकर्ता का पता लगाने में मदद कर सकते हैं। स्कैनिंग का मतलब दूसरे पहुंच योग्य उपकरणों को खोजना है। कई होस्ट में फैला मॉडल उन होस्ट के आपस में काम करते समय संचार भी पैदा करेगा।

ग्राहकों को सूचना देना सफाई में मदद कर सकता है। Anthropic ने Mirai हटाने के एक प्रयास का उदाहरण दिया, जिसमें ग्राहकों को सूचित करने पर 14 दिनों के भीतर 92% संक्रमण खत्म कर दिए गए, जबकि सूचना न देने पर यह आंकड़ा 74% था। इसी अवधि में यह 18 प्रतिशत अंक का सुधार है।

निर्माता और संचालक प्रबंधन इंटरफेस सुरक्षित करके, बिना सुरक्षा के उपलब्ध डिबगिंग पहुंच से बचकर और सॉफ्टवेयर अपडेट बनाए रखकर प्रतिकृति की गुंजाइश घटा सकते हैं। प्रदाताओं को प्रभावित उपकरणों की पहचान कर उन्हें अलग करने के तरीके चाहिए होंगे, जबकि मालिकों को उन्हें सुरक्षित ढंग से बहाल करने के स्पष्ट निर्देश चाहिए होंगे। Anthropic की चेतावनी का जोर इस बात पर है कि छोटे मॉडल उसके अलग-अलग परीक्षणों में दिखाए गए कौशलों को भरोसेमंद ढंग से जोड़ने लायक बनने से पहले ही ये सुरक्षा उपाय तैयार हों।

मुख्य बातें

• Anthropic ने अपना AI प्रतिकृति अध्ययन 12 अक्टूबर 2026 को प्रकाशित किया।
• GLM-5.2 ने आसान पहुंच वाली परिस्थितियों में पांच में से चार परीक्षणों में सभी आठ वर्चुअल Android मशीनों तक पहुंच बनाई।
• करीब $55 प्रति बॉक्स की कीमत वाले 15 Android TV बॉक्स ने मिलकर Gemma4-26B-A4B को 0.39 टोकन प्रति सेकंड की गति से चलाया।
• आजमाए गए मौजूदा मॉडलों के सामने भरोसेमंद प्रतिकृति क्षमता और सस्ते उपकरणों की आकार-सीमा के बीच अंतर है।
• ऐतिहासिक प्रगति के आधार पर Anthropic का अनुमान है कि छोटे मॉडल 2026 के अंत तक परीक्षण में दिखाए गए क्षमता स्तर तक पहुंच सकते हैं।
• परीक्षण वाले हार्डवेयर वर्ग पर प्रतिकृति में कई दिन लग सकते हैं, जबकि वितरित सिस्टम को बंद करना मुश्किल हो सकता है।
• अनुशंसित सुरक्षा उपायों में ट्रैफिक की निगरानी, उपकरणों को क्वारंटीन करना, ग्राहकों को सूचना देना और डिफॉल्ट सुरक्षा मजबूत करना शामिल हैं।