AI能像病毒般自我复制？Anthropic研究引担忧

AI 可能快要学会一件有点可怕的事：自己复制自己。Anthropic 的前沿红队发布新研究，探讨 AI 能否像计算机病毒一样，在不同设备之间自主复制、运行甚至传播。研究发现，随着小模型能力提升，AI 已开始具备适应陌生硬件、自主部署推理环境以及在网络中持续传播的能力。未来它们可能无需依赖昂贵的数据中心，就能利用智能电视、电视盒子甚至智能烤箱等物联网设备运行。Anthropic 预测，按当前小模型进步速度，到 2026 年底，30B 参数及以下的小模型可能达到当前大型模型在模拟环境中展现的自主复制能力水平。

为验证设想，研究人员用 15 台廉价安卓电视盒子运行一个 26B 参数大模型。这些盒子每台约 55 美元，仅 4GB 内存，原本只用于播放视频。研究人员将它们连接，把 Gemma4-26B-A4B 模型拆分到不同设备，采用流水线并行，让每台盒子负责部分计算。最终，这套总价约 825 美元的设备真的运行起了一个 26B 参数大模型，但生成速度仅每秒 0.39 个 Token，远达不到流畅对话水平。通过分布式协作，15 台电视盒子已能共同承担大模型推理任务。

但运行模型和自主复制之间还有一道门槛：AI 必须自己适应陌生设备。研究人员让不同模型识别硬件环境、安装依赖并调试推理程序。结果，Qwen3.5-9B 在测试的 9 类硬件中成功适配 8 类，包括 Jetson Nano、Mac 等设备。一个 9B 小模型已能独立处理相当一部分部署问题。

Anthropic 在隔离环境中搭建了由 8 个 Android 15 模拟节点组成的网络，指定其中一台为起点。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，让复制继续。测试中，GLM-5.2 表现最突出：5 次实验有 4 次成功传播到全部 8 个节点，另一次覆盖 7 个节点。较小模型虽能完成部分步骤，却尚未稳定实现整个传播流程。不过，GLM-5.2 并未直接运行在模拟设备上，实验中它依靠独立推理服务器执行任务，模拟节点上部署的是 Llama3.1-8B 推理服务。研究人员还预先开放了无需认证的 ADB 端口，降低了设备接入难度。因此，这次实验距离 AI 在真实物联网设备之间完全自主传播还有一定距离。

即便如此，AI 蠕虫与传统计算机蠕虫的差异已开始显现。传统蠕虫通常依赖预先编写的攻击代码和传播规则，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 还测试了另一种可能：如果 AI 能继承上一代操作经验，它会不会越传播越熟练？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，第一代只有 45% 的部署成功率，后续代次提升至 61%—84%。模型权重没有改变，真正被传下去的是前一代摸索出的操作办法。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，却没有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里更有用。AI 不需要重新训练，也可能在重复行动中越来越熟练。

眼下，自主复制还卡在两道门槛之间：GLM-5.2 这样的大模型能组织较完整的传播流程，但离不开外部计算资源；Qwen3.5-9B 等小模型更容易部署，却还不具备同样稳定的传播能力。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。传播速度也是限制。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暴发，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。但这项研究把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传播，也能把操作经验交给下一代。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。