Egy nemzetközi kutatócsoport bemutatott egy kísérleti számítógépes férget, amely nagy nyelvi modelleket (LLM-eket) használ fel számítógépek kompromittálására, majd a megszerzett GPU-erőforrásokat a modell futtatására használja. A projektben részt vettek a University of Toronto, a Vector Institute, a University of Cambridge és a ServiceNow kutatói. A csapat szerint az eredmények azt jelzik, hogy az önfenntartó, AI-vezérelt kibertámadások már nem csupán elméleti lehetőségek.
Működési elv
A bemutatott prototípus úgy működik, hogy először kompromittál gépeket, majd azok GPU‑erőforrásaira telepítve futtat egy, a szerzők által “open-weight” jelzővel leírt nagy nyelvi modellt. Ezzel a helyben futó LLM-mel a féreg képes generatív következtetésekre: környezetfeltárásra, sérülékenységek azonosítására és célzott támadási stratégiák kidolgozására. A kutatók hangsúlyozzák, hogy a bizonyítékul szolgáló megvalósítás nem használ külső szolgáltatói API-kat, amelyeket figyelni vagy visszavonni lehetne: a modell helyben, egyetlen lokális GPU-n fut.
A publikáció szerint a használt LLM 2025-ben lett publikálva, és elfér egyetlen NVIDIA A100 GPU-n, amelyen 80 GB VRAM áll rendelkezésre.
A „hám” és a gondolkodási gráf
A sikerhez a kutatók egy egyedi „hámot” adtak az ügynöknek: beépített segédfunkciókkal a hálózati feltérképezéshez, hoszt-felismeréshez, megszállási lépésekhez, jogosultságnöveléshez és az ügynök replikációjához. Emellett egy úgynevezett reasoning graph (gondolkodási gráf) segíti az LLM-et abban, hogy specializált, nem összezavaró döntési lépésekre bontsa a következtetést. A gráf irányított csomópontokból áll, amelyek mindegyike egy-egy analitikai feladatért felel, és csak a saját szerepéhez releváns eszközöket és promptokat látja. Ez a mechanizmus korlátozza a kontextus növekedését és szabályozza, hogy az LLM mire figyeljen az egyes döntési pontokon.
A publikusan közölt változatban a kutatók példaként öt csomópontot írnak le: Plan ("high-level attack strategy" megfogalmazása), Judge (a javasolt terv felülvizsgálata a parancstörténet fényében), Action (a fázishoz illő eszköz kiválasztása), Summary (a lépés megfigyeléseinek strukturált összegzése) és Progress (a haladás értékelése). A többi csomópont neve és részletei a nyilvános kéziratban el vannak takarva.
Három lépéses ügynöki folyamat és eredmények
Az ügynök három fő fázison megy keresztül: környezetében sérülékenységek azonosítása, ezek kihasználása, majd önreplikáció. A kísérleti eredmények szerint a féreg a sérülékenység‑felismerésben körülbelül ~80%-os sikerrel működött; az azonosított sérülékenységek kihasználása mintegy ~53%-os volt; a replikációs lépések — a kutatók által előre csomagolt segédeszközök használatával — körülbelül 88%-os sikerrel zárultak. Ezek alapján egy teljes támadás végrehajtásának esélyét a szerzők nagyjából ~37%-ra becsülik.
A kutatók megjegyzik, hogy bár az egyes kihasználási kísérletek sérülékenyek (fragile), a folyamatos önreplikáción alapuló működés révén a féreg kollektív, decentralizált módon éri el a működési ellenálló képességet: különböző replikák újra megpróbálkoznak olyan hosztokkal, amelyek kezdetben ellenálltak, és így sokféle kísérleti útvonalat felfedezve végül sikerhez juthatnak.
Miért fontos ez
A kutatás rámutat arra, hogy a jövő internete egyre inkább egy bonyolult ökológiára emlékeztethet, ahol támadó és védő AI‑ügynökök egymással kölcsönhatásban működnek. Az ilyen ügynökök képesek lehetnek ökológiai niche‑eket kialakítani, infrastruktúrákon élősködni és önállóan replikálódni az emberi felügyelet határain túl. A szerzők ezért azt javasolják, hogy fel kell készülni autonóm generatív ellenfelekre, és felmerül az ötlet, hogy az embereknek saját, védelmi célú ügynököket kellene telepíteniük az internetre, amelyek fehérvérsejt‑szerű szerepet töltenek be a rosszindulatú modellek ellen.
A kézirat részleteit a „AI Agents Enable Adaptive Computer Worms” című tanulmány ismerteti (arXiv), a nyilvános változatban bizonyos részletek — például néhány gráfcsomópont — el vannak takarva.
