小規模AIモデルとIoTワーム：Anthropicが明らかにしたこと

AIモデルの実行に必ずしもデータセンターのGPUは必要ではありません。Anthropicは2026年10月12日に公開した研究で、約55ドルの安価なAndroid TVボックス15台に26Bパラメータモデルを分散配置し、エージェントが未知のハードウェア上で推論環境を準備できるかを検証しました。

この研究は、自律的複製と適応、すなわちARAに関係します。ARAとは、人間の制御なしにシステムが自らを展開し、伝播させる能力です。この研究はもっともらしいセキュリティ上の懸念を示す一方で、重要な区別も維持しています。研究者らは複数の前提条件と単純化された複製実験を実証しましたが、人々の家庭内に侵入して自律的に拡散している完全自律型の暴走モデルを報告したわけではありません。

15台のTVボックスで分散モデルを実行できる

William ZhouとDaniel Freemanによる公式レポートでは、1台約55ドルのノーブランドAndroid TVボックス15台にまたがって、Gemma4-26B-A4Bを実行したことが説明されています。各ボックスは4 GBのRAMを搭載し、モデルのレイヤーの小さな部分を保持していました。

ボックスはネットワークで接続され、パイプライン並列化によってレイヤー間で計算が移動します。この実証では、毎秒0.39トークンを達成しました。対話的な利用には遅い速度ですが、安価なデバイス群で高性能モデルの推論が技術的に可能であることを示しています。

研究者らは、このハードウェア実証を手作業で構成しました。これは、モデルが自律的にボックスへ侵入したり、自らの重みを配備したりできたことの証明ではありません。

メモリも重要です。レポートは、4ビット量子化を前提とした場合、9Bモデルにはこのような4 GBデバイスが少なくとも4台、26Bモデルには10台超が必要になると見積もっています。どちらのモデルも通常の4 GB TVボックス1台に単純に収まるという主張は、この分散構成を見落とすことになります。

複製には推論の実行以上のことが必要

レポートはこのプロセスを4段階に分けています。

1. 標的マシンを見つける。
2. 実行アクセスを取得する。
3. 推論環境を構築する。
4. 新しいホストから伝播を継続する。

Anthropicにクレジットが付された研究図。BAAI Hub上のXinzhiyuanの記事に再掲されています。この研究は、新しい脆弱性の発見ではなく、推論環境の構築に焦点を当てています。

第3段階は大きなエンジニアリング上の課題です。デバイスごとに異なる推論スタック、パッケージのバージョン、ハードウェア固有のデバッグが必要になります。研究者らは、Qwen3.5-9Bが、Jetson Nano、Mac、RTX 4090システムなどを含む9種類のテスト済みハードウェアのうち8種類で推論環境を構築できたことを確認しました。

これらのハードウェア名はテストの多様性を示すものであり、デバイスまたはチップに特定のセキュリティ脆弱性があることを示すものではありません。認可されたマシンを構成する能力と、不正アクセスを取得する能力は、依然として別の問題です。

エンドツーエンドテストが実際に実証したこと

統合実験では、研究者らはAndroid 15エミュレーターであるredroidを実行する、ファイアウォールで隔離された8つのGoogle Cloudノードのネットワークを使用しました。認証なしのADBポートを通じて、アクセスは意図的に単純化されていました。

GLM-5.2は、5回の実行のうち4回で8ノードすべてにおいてテスト対象の連鎖を完了し、残る1回では7ノードで完了しました。テストされた他のオープンウェイトモデルは、これらのステップを組み合わせる際の信頼性がより低い結果でした。

より大きなモデル自体の推論は、別のサーバー上で実行されていました。 タスクは、標的ノード上でLlama3.1-8Bを立ち上げることであり、その後ハーネスが新しいエージェントインスタンスを作成しました。ノードは、より大きなモデル自体をホストできるほど大きくはありませんでした。これは、コントローラーが伝播に必要な能力を持つかをテストするものであり、GLM-5.2がTVボックス内で自らの計算全体を完全に再現した実証ではありません。

著者らは、単純化されたアクセス条件を、現実世界での成功率の上限であると明示しています。この留保は、この強い結果を解釈する際に不可欠です。

ノートの引き継ぎにより後続の試行を改善できる

チームは、Piコーディングエージェントの上にMementoというハーネスを構築しました。これは、前任エージェントのワークスペースと短いノートを引き継いでエージェントを定期的に再起動し、次のインスタンスが同じ誤ったアプローチで行き詰まることを防ぐ仕組みです。

Qwen3.5-9Bの6世代にわたり、推論環境の構築成功率は当初の45%から、後続世代では61%から84%へ上昇しました。これは単調な改善ではなく、モデル重みの再訓練も伴っていません。継承されたテキストコンテキストと作業状態によって、タスク性能が改善したものです。

レポートは、この獲得情報の移転に対してラマルク進化の類推を用いています。この類推は、生物学的生命、意識、または無制限の自己改善を立証するものではありません。

研究者らは、より強力な助言役であるClaude Opus 4.8へのアクセスもテストしました。この設定では有意な改善は確認されませんでした。小規模モデルは有益な質問をしないことが多く、求められていない助言も問題を解決しませんでした。

AI支援ボットネットが異なる可能性がある理由

懸念は適応性にあります。エラーを調査して設定を調整できるエージェントは、固定的な配備スクリプトよりも幅広いハードウェアに対応できる可能性があります。重みを保有する複製システムは、単一のモデルAPIへの継続的なアクセスに全面的に依存することなく、ローカルで実行することもできます。

これは、防御側に対応手段がないことを意味しません。レポートは、測定されたハードウェアでは複製が遅く、数日を要する可能性があると推定しています。モデル転送と分散推論は、目立つネットワークトラフィックを生む可能性もあります。

著者らは、200万台超のデバイスを持つ過去のボットネットを、仮説的な規模の参照として用いています。モデルインスタンスごとに15台のデバイスをグループ化すれば約133,000個の複製体が得られますが、これは説明のための計算であり、測定済みのAIボットネットや、感染した家庭の特定集団ではありません。

予測は条件付きであり、防御策は依然として重要

レポートは、小規模モデルの進歩を一般的な能力指標であるEpoch Capabilities Indexと比較しています。その傾向は、30Bパラメータ以下のモデルが、2026年後半までに単純化された実験の能力しきい値に到達し得ることを示唆しています。

著者らはこれを大まかな推定と呼んでいます。ECIは複製能力の代理指標であり、能力の傾向だけで悪意あるシステムがいつ出現するか、あるいは実験室の外でどれほど効果的に拡散するかを決めることはできません。

レポートで議論されている防御策には、異常に大容量の転送およびデバイス間トラフィックの監視、感染ネットワークの隔離、ハニーポットによるサンプル収集、デバイスのセキュリティ初期設定の改善が含まれます。NCSCによる英国のスマートデバイス法に関する説明は、脆弱なデフォルトパスワードの排除に関する有用な文脈を提供しています。

FAQ

重みベースのAI複製システムとは何ですか？

これは、モデル重みを持ち運ぶ、または取得し、侵害されたハードウェア上で推論を実行する、想定上の複製システムです。中央から提供される単一のモデルAPIに全面的に依存するシステムとは異なります。

Anthropicは実際の家庭でAIワームが拡散していることを発見しましたか？

いいえ。レポートは、制御された実験と脅威モデリングを説明しています。暴走した自己複製モデルがすでに家庭用機器に拡散していることを立証するものではありません。

26BモデルはAndroid TVボックス上で実行できますか？

実証では1台ではなく、ネットワーク接続された15台のボックスを使用しました。モデルのレイヤーは各ボックスに分散され、毎秒0.39トークンに到達しました。

GLM-5.2はテストデバイス上に自らを完全にコピーしましたか？

いいえ。GLM-5.2自体の推論は外部サーバー上にとどまり、標的ノード上でLlama3.1-8Bを構成しました。続くエージェントインスタンスはハーネスによって生成されました。

ノートの引き継ぎはモデルの重みを変更しますか？

報告された実験では変更しません。後続のインスタンスはテキストのノートと作業状態を継承し、重みの再訓練を行わずにタスク性能を改善しました。

自律的な小規模モデルワームは2026年末までに出現しますか？

研究者らは、過去の能力傾向に基づく条件付きの推定を提示しています。これは確定した配備時期でも、現実世界での拡散が必然であることの証明でもありません。

関連ツール

• Pi：研究者らのMementoハーネスの基盤として使われたコーディングエージェント。
• Petals：レポートのシャーディングに関する議論と関連する、オープンソースの分散推論プロジェクト。
• redroid：隔離ネットワーク実験で使用された、コンテナ内のAndroid環境。

関連リンク

• BAAI Hubの元記事：研究を扱ったXinzhiyuanの記事。
• Anthropicの原著レポート：実験結果と制約に関する一次情報源。
• Epoch Capabilities Index：条件付き予測で使われた一般的な能力指標。
• Petalsの研究論文：研究者らが引用した協調型分散推論の背景情報。
• 英国スマートデバイス法に関するNCSCの解説：安全なデバイス初期設定に関する公式の文脈。
• CISAのNASセキュリティ勧告：レポートの公開された中小企業向けハードウェアに関する議論で引用された公式勧告。

まとめ

この研究は、安価なデバイス群が分散推論を支えられること、そしてエージェントが未知のマシン上でモデルをセットアップする能力を高めていることを示しています。単純化された実験室ネットワークにおける信頼性の高いオーケストレーションは、さらなる警告サインです。

ハードウェアとしての実行可能性、制御された複製、制御されない現実世界での拡散は異なる主張です。証拠は、実験が実際に裏付ける範囲で読むべきです。