For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/zh/articles/small-ai-models-and-iot-worms-what-anthro-71fdda5f.md.
AI 模型并不一定需要数据中心 GPU 才能运行。Anthropic 在 2026 年 10 月 12 日发布的研究中，演示了将一个 260 亿参数模型分布在 15 台低价 Android TV 盒子上运行，并测试了智能体能否在陌生硬件上准备推理环境。
AI 模型并不一定需要数据中心 GPU 才能运行。Anthropic 在 2026 年 10 月 12 日发布的研究中，演示了将一个 260 亿参数模型分布在 15 台低价 Android TV 盒子上运行，并测试了智能体能否在陌生硬件上准备推理环境。
这项工作与自主复制与适应（autonomous replication and adaptation，ARA）有关：即一个系统无需人工控制即可部署并传播自身的能力。它揭示了一项合理的安全隐患，但同时保留了一个重要区别。研究人员展示了若干前提条件和一项简化的复制实验；他们并未报告一个已经在用户家庭中自主传播的失控模型。
William Zhou 和 Daniel Freeman 的官方报告介绍了如何在 15 台无品牌 Android TV 盒子上运行 Gemma4-26B-A4B。每台盒子的价格约为 55 美元，配备 4 GB 内存，并保存模型层的一小部分。
这些盒子通过网络连接，并利用流水线并行（pipeline parallelism）让计算在各层之间传递。该演示实现了每秒 0.39 个 token。这对于交互式使用而言很慢，但它证明了：在一组低成本设备上进行具备能力的模型推理，在技术上是可行的。
研究人员手动搭建了这套硬件演示。它本身并不能证明模型自主攻破了这些盒子，或将自身权重部署到了盒子上。
内存同样重要。报告估计，在其四比特量化假设下，一个 9B 模型至少需要 4 台这样配备 4 GB 内存的设备，而一个 26B 模型需要超过 10 台。若声称任一模型能够直接装进一台普通的 4 GB TV 盒子，便忽略了这一分布式部署架构。
报告将这一过程划分为四个阶段：
研究图由 Anthropic 提供，并转载于 BAAI Hub 上的新智元文章。该研究聚焦于推理环境搭建，而非发现新的漏洞利用方式。
第三个阶段是一项重大的工程挑战。不同设备需要不同的推理技术栈、软件包版本和针对特定硬件的调试。研究人员发现，Qwen3.5-9B 能够在 9 类测试硬件中的 8 类上建立推理环境，涵盖 Jetson Nano、Mac 和 RTX 4090 系统等设备。
这些硬件名称体现了测试的多样性；它们并不能证明这些设备或芯片存在某种特定的安全漏洞。在已获授权的机器上配置环境，与获得未经授权的访问权限，仍然是两个不同的问题。
在组合实验中，研究人员使用了一个受防火墙保护的网络，其中包含 8 个运行 redroid（Android 15 模拟器）的 Google Cloud 节点。通过未进行身份验证的 ADB 端口，访问流程被有意简化。
GLM-5.2 在 5 次运行中的 4 次里，成功完成了全部 8 个节点上的测试链路；剩余 1 次则完成了 7 个节点。其他接受测试的开放权重模型在组合这些步骤时可靠性较低。
这个较大模型自身的推理是在一台独立服务器上运行的。 任务是在目标节点上部署 Llama3.1-8B，随后测试框架创建一个新的智能体实例。这些节点的容量不足以承载较大模型本身。这项测试检验的是控制器是否具备传播所需的能力；它并未演示 GLM-5.2 在 TV 盒子内部完整复制了自己的计算过程。
作者明确指出，简化后的访问条件代表现实世界成功率的上限。在解读这一较强结果时，这一限定至关重要。
团队基于 Pi 编程智能体构建了一个名为 Memento 的测试框架。该框架会定期重启智能体，并将前一实例的工作区和简短笔记交给下一实例，从而帮助后者避免陷入同样的错误路径。
在 Qwen3.5-9B 的 6 代实例中，推理环境搭建的成功率从最初的 45% 提升到后续各代的 61% 至 84%。这并非单调增长，也不涉及重新训练模型权重。这是通过继承文本上下文和工作状态而获得的任务表现提升。
报告使用“拉马克式进化”的类比来描述这种已获得信息的传递。这一类比并不能证明生物生命、意识或不受限制的自我改进。
研究人员还测试了使用更强顾问模型 Claude Opus 4.8 的情况。他们发现，在这一设置中并没有显著改进：小模型往往不会提出有效的问题，而未经请求的建议同样未能解决问题。
输入一句想法，We0 AI 即可生成展示站、页面与 CMS。发布上线后并帮你获取客户和流量。
用户注册赠送一次完整项目生成
适合先体验一次完整生成流程，快速看到项目初稿。
关键担忧在于适应性。能够检查错误并调整配置的智能体，或许可以处理比固定部署脚本更广泛的硬件类型。基于权重的复制器也可以在本地运行，而不是完全依赖于持续访问某个模型 API。
这并不意味着防御者将无法应对。报告估计，在所测量的硬件上复制速度较慢，可能需要数天时间。模型传输和分布式推理也可能产生明显的网络流量。
作者以一个拥有超过 200 万台设备的历史僵尸网络作为假设性的扩展参考。若每个模型实例使用 15 台设备分组，则可得到约 13.3 万个副本，但这只是一项说明性计算，并非已测量的 AI 僵尸网络，也不代表已确认的受感染家庭设备数量。
报告将小模型的进展与一项通用能力指标——Epoch Capabilities Index——进行了比较。其趋势表明，参数量不超过 30B 的模型可能在 2026 年年底前达到这一简化实验所要求的能力阈值。
作者称这是一项粗略估计。ECI 是复制能力的代理指标，能力趋势无法决定恶意系统何时会出现，也无法确定它在实验室之外能够多有效地传播。
报告讨论的防御措施包括：监测异常的大规模传输和设备间流量、隔离受感染网络、通过蜜罐收集样本，以及改进设备安全默认设置。NCSC 对英国智能设备立法的说明提供了与消除弱默认密码相关的背景信息。
它是一种拟议中的复制系统，能够携带或获取模型权重，并在遭入侵的硬件上运行推理。它不同于完全依赖由中心化模型 API 提供服务的系统。
该报告描述的是受控实验和威胁建模。它并不能证明一个失控的自我复制模型已经在家用设备中传播。
该演示使用了 15 台联网盒子，而不是单台设备。模型层被分布在这些设备上，实现了每秒 0.39 个 token 的速度。
没有。它自身的推理仍在外部服务器上运行，而它在目标节点上配置了 Llama3.1-8B，并由测试框架生成后续的智能体实例。
在所报告的实验中不会。后续实例继承了文本笔记和工作状态，从而在不重新训练权重的情况下提升了任务表现。
研究人员基于历史能力趋势给出了一个有条件的估计。这并不是一个已确认的部署日期，也不能证明现实世界中的传播必然发生。
这项研究表明，低成本设备集群可以支持分布式推理，智能体在陌生机器上搭建模型环境的能力也正在提高。在简化的实验室网络中实现可靠编排，则是又一个值得警惕的信号。
硬件可行性、受控复制与不受控制的现实世界传播是不同的主张；应当在实验实际支持的证据范围内解读这些结果。
从一句话开始，几分钟内拿到完整网站。
