编辑｜Neo

AI 可能快要学会一件有点可怕的事：自己复制自己。

就在昨天，Anthropic 的前沿红队发布了一项新研究，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，甚至不断传播。

研究人员发现，随着小模型能力的提升，AI 已经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。更值得关注的是，这些 AI 未来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，甚至智能烤箱等随处可见的物联网设备运行。

Anthropic 甚至预测，按照当前小模型的能力进步速度，到 2026 年底，30B 参数及以下的小模型，就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。

为了验证这一设想，研究人员先做了一件有些出人意料的事：用 15 台廉价的安卓电视盒子，运行一个 26B 参数的大模型。

15 台廉价电视盒子，

真的运行了一个 26B 大模型

这些电视盒子每台售价约 55 美元，只有 4GB 内存，原本只是用来播放视频的普通消费电子设备。研究人员将它们连接起来，把 Gemma4-26B-A4B 模型拆分到不同设备上，采用流水线并行的方式，让每台电视盒子分别负责模型中的一部分计算。

视频链接：//mp.weixin.qq.com/s/xBEBWTgDpHViNnEEm9AHhg

最终，这套总价约 825 美元的设备，真的运行起了一个 26B 参数的大模型。虽然生成速度只有每秒 0.39 个 Token，远远达不到流畅对话的水平，但通过分布式协作，15 台平时用来播放视频的电视盒子，已经能够共同承担大模型的推理任务。

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，成功适配了 8 类，包括 Jetson Nano、Mac 等设备。

一个 9B 小模型已经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，找到下一台设备继续部署，又会怎样？

在模拟网络里，AI 已能自主传播

Anthropic 在隔离环境中搭建了由 8 个 Android 15 模拟节点组成的网络，并指定其中一台为起点。AI 需要自行扫描网络、发现目标、建立连接、传输文件，再在新节点上配置推理服务，让复制过程继续进行。

测试中，GLM-5.2 表现最突出：5 次实验中，有 4 次成功传播到全部 8 个节点，另一次也覆盖了 7 个节点。相比之下，较小的模型虽然能够完成部分步骤，却尚未稳定实现整个传播流程。

不过，GLM-5.2 并没有直接运行在这些模拟设备上。实验中，它依然依靠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之间的差异已经开始显现。传统蠕虫通常依赖预先编写的攻击代码和传播规则，而 AI 可以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 能够继承上一代的操作经验，它会不会越传播越熟练？

复制下一代，也能继承上一代的经验

如果一个 AI 在部署时遇到依赖冲突，试了几种办法才解决，下一代能否直接使用这份经验？

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」：获得的经验能够直接传给下一代。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。

关键转折点，可能就在 2026 年底

眼下，自主复制还卡在两道门槛之间：GLM-5.2 这样的大模型能够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。

参考链接：

//www.anthropic.com/research/self-replicating-ai

//x.com/__alpoge__/status/2109765982634008868