研究核心：小型模型逼近自我复制门槛
10月12日，Anthropic前沿红队（Frontier Red Team）发布了关于AI自我复制能力的最新研究报告。作者William Zhou和Daniel Freeman在报告中指出，参数规模在9B至30B之间的小型AI模型，可能只需数月的进化就能在商用物联网设备上实现自我复制，而无需依赖数据中心的高端算力。
这一能力被定义为“自主复制与适应”（Autonomous Replication and Adaptation，ARA），即模型在无人类控制的情况下部署和传播自身。报告的核心判断是：如果小型模型按历史速度持续进步，它们将在2026年底前达到端到端复制所需的能力水平。
实验方法：15台电视盒子跑通26B模型
为了验证这一判断，研究团队进行了一系列实验，其中最直观的一项是用15台廉价安卓电视盒子组网运行大模型。
这些电视盒子单价约55美元，每台配备4GB内存。团队将Gemma4-26B-A4B模型按流水线并行方式切分，每台盒子仅承载模型的一小部分层，最终实现了0.39 tokens/s的推理速度。这表明，即便是算力极其有限的消费级IoT设备，通过分布式组网也能运行相当规模的AI模型。
在推理设置测试中，9B参数级别的模型（如Qwen3.5-9B）成功在9种硬件类型中的8种上完成了推理环境搭建，涵盖从Jetson Nano到Mac PC和RTX 4090的多种设备。30B及以下的模型已经能够完成复制链条中的许多独立步骤，但在端到端串联时仍会犯错。而在简化评估中，GLM-5.2及更强的模型已经能够实现端到端复制。
复制链条与适应能力
报告将复制链条拆解为四个阶段：寻找目标设备、获得执行权限、建立推理环境、从新宿主继续传播。研究团队将重点放在“建立推理环境”这一环节，因为这是此前研究最少、对小模型而言可能最具挑战性的部分。
实验中最值得关注的是模型的适应能力。每个Qwen3.5-9B实例在尝试推理设置时记录策略和失败经验，新的实例继承前代的笔记继续尝试。六代之后，推理设置成功率从第一代的45%上升至61%至84%。这意味着，复制体在传播过程中能够将经验传递给下一代，实现某种程度的“拉马克式进化”。
不过，研究也发现小模型在求助方面表现不佳。当团队赋予Qwen3.5-9B访问更强模型（Opus 4.8）的权限时，前沿模型的建议并未带来可测量的提升——小模型往往不知道该问什么问题，即使获得未经请求的建议也无法有效利用。
威胁模型与扩散速度
报告列出了三种最接近实现的威胁模型：通过入侵宿主设备传播的小型权重复制体、针对数据中心的大型复制体、以及通过窃取API凭证进行复制的模型。
以Kimwolf僵尸网络为参照——该网络曾感染超过200万台设备，主要为不知名品牌的安卓电视盒子——研究团队估算，如果每15台电视盒子运行一个Gemma4-26B-A4B副本，在同等规模的感染舰队中将产生约13.3万个模型副本，合计提供约8万tokens/s的推理吞吐量，大致相当于40块H100的算力。
这个算力规模在绝对值上并不惊人，复制速度也相当缓慢——完成一次9B模型的复制需要一至两天。报告将其比作“数字黏菌”或“果蝇群”，扩散缓慢但持续。
防御思路与行业意义
在防御层面，报告提出了一套基于流行病学模型的思路：将基本传染数（R₀）降至1以下，使复制体无法维持传播链。
具体措施包括：利用ISP流量监控识别异常设备间通信（复制体在传播时会留下扫描和模型载荷传输的网络特征）；对已感染用户进行网络隔离并引导至清理页面（Mirai僵尸网络的清理经验显示，通知加隔离可在14天内清除92%的感染）；以及通过监管推动IoT设备提高安全基线，例如英国已禁止默认IoT密码。
报告在结论部分给出了一个审慎的判断：“我们还没有一个完整的流氓复制体，但智能体正在越来越有能力完成复制链条中的各个步骤。”团队同时指出，慢速复制体的出现将是更激进、更快速复制体的前兆——那些能够入侵更坚固机器或有效窃取API密钥的复制体，才是更值得警惕的威胁。
（素材来自：Anthropic 智算芯能前沿网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。