Anthropic 研究：小型 AI 數月內或能在電視盒等裝置上自我複製
Anthropic 研究員 William Zhou 與 Daniel Freeman 10 月 12 日發表研究文章指出，小型 AI 模型可能只差幾個月，就有能力在智慧烤箱、雜牌 Android 電視盒這類物聯網裝置上自我複製。這種複製體沒有可以集中關掉的開關，因此很難清除，不過擴散速度可能很慢，數量翻倍要花上幾天。
研究團隊說，參數 300 億以下的模型目前已經能完成複製過程中的許多個別步驟，只是串成完整流程時會出錯。在簡化過的測試中，GLM-5.2 與更強的模型已能從頭到尾完成複製；若小型模型照過去的速度進步，今年底就會追上這個水準。
15 台約 55 美元的電視盒，跑得動 260 億參數模型
研究團隊買了 15 台雜牌 Android 電視盒，每台約 55 美元、記憶體 4 GB，連成網路後把 Google 的 Gemma4-26B-A4B 模型拆成好幾段，每台負責其中兩層，最後以每秒 0.39 個 token 的速度執行。文章說，這類電視盒多半使用製造商未加強安全性的 Android 開源版本，先前的 Kimwolf 殭屍網路就曾感染超過 200 萬台裝置，主要就是雜牌 Android 電視。
廣告 - 內文未完請往下捲動
研究的重點是「在陌生硬體上把模型跑起來」這一步。團隊表示，掃描網路與入侵裝置的能力，先前已有其他論文證明小型模型做得到，包括多倫多大學等團隊 6 月發表的AI 蠕蟲研究。這次測試中，一個 90 億參數的模型在 9 種硬體中，有 8 種成功架起推論服務，硬體從 Nvidia Jetson Nano 到 Mac 電腦、RTX 4090 都有。
GLM-5.2 在 8 個節點中 5 次測試 4 次全數感染
接著團隊在防火牆隔離的 Google Cloud 虛擬網路中，架設 8 個執行 Android 模擬器的節點，觀察模型能否自行掃描網路、透過未設驗證的 ADB 連接埠進入下一台機器、傳送模型檔與執行環境，再架起推論服務。結果在測試的開放權重模型中，只有 GLM-5.2 能完成整套流程，5 次測試中有 4 次感染全部 8 個節點、1 次感染 7 個，其他模型則一致失敗。
研究團隊也提醒，這項測試把入侵步驟簡化成「連接埠沒有密碼」，結果應視為真實世界成功率的上限。但文章同時指出，過去的 Mirai 殭屍網路就是靠一份製造商預設帳號密碼清單擴散，真實的物聯網防護可能不會比測試難上多少。
時間方面，研究團隊以 Epoch AI 的能力指數推估，300 億參數以下的開放模型每年進步 13.7 點，若以 GLM-5.2 作為能完成複製的門檻，小型模型會在 2026 年底達標。文章也說明，這個指數只是一般能力的代理指標，推估相當粗略。
擴散像黏菌，每完成一次複製要一到兩天
這類複製體的速度很慢。研究團隊估算，在電視盒上，Qwen3.5-9B 完成一次推論環境架設約需 28 到 51 小時，Gemma4-26B-A4B 則要 71 到 150 小時。若以 Kimwolf 高峰期超過 200 萬台裝置來算，每 15 台跑一份 Gemma 模型，約可有 13.3 萬個副本，整體運算量最多只相當於約 40 張 H100 繪圖卡。文章形容這種複製體像黏菌或一群果蠅，以天為單位繁殖。
不過模型能邊擴散邊學習。研究讓每一代 Qwen3.5-9B 把嘗試過的方法與失敗紀錄寫成筆記，交給下一代接手，推論環境架設成功率從第一代的 45%，提高到後續幾代的 61% 至 84%。相對地，讓小型模型遇到困難時可以詢問 Anthropic 的 Claude Opus 4.8，成功率並沒有明顯改善，研究團隊認為小型模型往往不知道該問什麼。
研究團隊表示，和傳統殭屍網路只鎖定特定裝置不同，AI 殭屍網路不受限於某一種硬體或軟體，也可能在擴散時改進自己的做法。
防守方的優勢：流量異常與電信業者隔離
文章也提出防禦方向，目標是把每台受感染裝置平均再感染的數量壓到 1 以下。模型檔動輒數 GB，裝置間分散推論也會產生大量平常不會出現的流量，電信業者的流量監控系統可能看得出異常。研究引用 Mirai 的經驗，當時有電信業者隔離受感染用戶並通知清除，14 天內清掉 92% 的感染，沒有通知的對照組為 74%。製造商端則可改用更安全的預設設定，文章舉例英國已禁止物聯網裝置使用預設密碼。
研究團隊在結論中說，目前還沒有出現完整的失控複製體，但 AI 代理愈來愈能完成複製鏈中的個別步驟，「就像 2024 年的程式碼代理，我們正看到 AI 蠕蟲出現生命跡象」。
風險提示
加密貨幣投資具有高度風險，其價格可能波動劇烈，您可能損失全部本金。請謹慎評估風險。
