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。
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：
https://www.anthropic.com/research/self-replicating-ai
https://x.com/__alpoge__/status/2109765982634008868
本文来自微信公众号“机器之心”（ID：almosthuman2014），作者：Neo，36氪经授权发布。