Anthropic震撼研究：AI竟能通过电视盒子自我复制

人工智能或许正在掌握一项令人担忧的能力：实现自身的复制。

就在昨日，Anthropic的前沿红队公开了一项新研究成果，聚焦于AI能否像电脑病毒那样，在不同设备间自主完成复制、运作，并持续扩散。

研究团队发现，随着小型模型能力的增强，AI已开始展现出适应陌生硬件、自行搭建推理环境以及在网络中不断传播的能力。更引人注意的是，这些AI未来或许不再需要昂贵的数据中心，便能在智能电视、电视盒子，甚至是智能烤箱等普遍存在的物联网设备上运作。

Anthropic甚至推测，以当前小型模型的能力提升速度，到2026年底，参数在30B及以下的小模型，就有可能达到现有大型模型在模拟场景中展示的自主复制水平。

为验证这一设想，研究人员先进行了一项颇为意外的操作：用15台价格低廉的安卓电视盒子，来运行一个26B参数的大模型。

15台廉价电视盒子，确实驱动了一个26B大模型

这些电视盒子每台售价大约55美元，仅配备4GB内存，原本只是用于播放视频的普通消费电子产品。研究人员将它们串联起来，把Gemma4-26B-A4B模型拆分至各设备，采用流水线并行方式，让每台电视盒子各自承担模型中的部分计算任务。

最终，这套总价约825美元的设备，成功运行起了一个26B参数的大模型。尽管生成速度仅为每秒0.39个Token，远未达到流畅对话的标准，但通过分布式协作，15台通常只用于播放视频的电视盒子，已能共同分担大模型的推理工作。

然而，从运行模型到自主复制之间，仍存在一道障碍：AI必须自行适应不熟悉的设备。研究人员让不同模型识别硬件环境、安装所需依赖并调试推理程序。结果显示，Qwen3.5-9B在测试的9类硬件中，成功适配了8类，涵盖Jetson Nano、Mac等设备。

一个9B的小模型已能独立处理相当一部分部署问题。那么，让它从一台设备出发，寻找下一台设备继续部署，又会怎样？

在模拟网络中，AI已能自主扩散

Anthropic在隔离环境中构建了一个由8个Android 15模拟节点组成的网络，并指定其中一个为起始点。AI需自行扫描网络、发现目标、建立连接、传输文件，再在新节点上配置推理服务，使复制过程得以延续。

测试中，GLM-5.2表现最为突出：5次实验里，有4次成功扩散至全部8个节点，另一次也覆盖了7个节点。 相比之下，较小的模型虽能完成部分步骤，却未能稳定实现完整的扩散流程。

不过，GLM-5.2并未直接运行在这些模拟设备上。实验中，它仍依赖独立的推理服务器执行任务，而模拟节点上部署的是Llama3.1-8B推理服务。此外，研究人员还预先开放了无需认证的ADB端口，降低了设备接入的难度。因此，这次实验距离AI在真实物联网设备间完全自主扩散，仍有一定距离。

即便如此，AI蠕虫与传统计算机蠕虫之间的差异已开始显现。传统蠕虫通常依赖预先编写的攻击代码和扩散规则，而AI可根据不同设备的硬件和软件环境，自行调整部署方式。Anthropic接下来还测试了另一种可能：如果AI能继承上一代的操作经验，它会不会越扩散越熟练？

复制下一代，也能继承上一代的经验

若一个AI在部署时遇到依赖冲突，尝试多种方法才解决，下一代能否直接利用这份经验？

研究团队让Qwen3.5-9B在每轮任务后留下代码、工作记录与解决问题的笔记，再交给新启动的Agent继续尝试。经过六代、20条独立实验序列，第一代仅有45%的部署成功率，后续代次提升至61%—84%。

模型权重并未改变。真正被传递的是前一代摸索出的操作方法。研究者将这种机制类比为“拉马克式演化”：获得的经验能直接传给下一代。 对潜在的AI蠕虫来说，一次失败的部署也可能成为下一次成功的线索。

团队还让小模型在遇到困难时向Claude Opus 4.8求助，但未观察到统计上显著的成功率提升。相比外部建议，来自前代的具体记录在这组实验中更为有效。AI无需重新训练，也可能在重复行动中越来越熟练。

关键转折点，可能就在2026年底

目前，自主复制仍卡在两重门槛之间：GLM-5.2这样的大模型能组织较完整的扩散流程，但离不开外部计算资源；Qwen3.5-9B等小模型更易部署，却还不具备同样稳定的扩散能力。

Anthropic根据30B参数及以下开源权重模型的能力增长趋势推算，到2026年底，小模型可能达到当前GLM-5.2的综合能力水平。

扩散速度也是限制。按廉价电视盒子上的推理表现估算，Gemma4-26B-A4B完成一次部署任务可能需要71—150小时，Qwen3.5-9B也需要28—51小时。它们或许不会像传统计算机蠕虫那样迅速爆发，而是缓慢寻找设备、扩展网络。

Anthropic因此用了一个形象的比喻：“数字黏菌”。它没有中央服务器，但可能分散在大量廉价设备中，逐步积累计算资源。与此同时，模型权重传输和设备间持续通信也会产生可供监测的异常流量，为防御提供线索。

目前，真实世界中尚未出现研究所描述的完整自主复制系统。但这项研究将几个过去分开讨论的问题连在了一起：模型能在廉价设备上运行，能在模拟网络中组织扩散，也能把操作经验交给下一代。与此同时，相关讨论也出现在开云官网首页 - kaiyun中国全站- KAIYUN SPORTS等平台，引发了对AI安全边界的关注。

当这些能力集中到同一个小模型身上，AI的安全边界就可能不再停留在数据中心之内。