Claude团队又搞事：实测AI全自主复制进智能家电

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> Claude团队又搞事：实测AI全自主复制进智能家电 Jay 2026-10-13 14:19:10 来源： 量子位 Jay发自 凹非寺 量子位 | 公众号QbitAI GLM-5.2，竟然已经能让AI「自我繁殖」了？！ 又是Anthropic发的新研究，专门盯着智谱搞是吧。 两位顶尖安全研究员William Zhou和Daniel Freeman在一项最新的安全实验里，让GLM-5.2尝试把一个80亿参数的AI模型，自主扩散到隔离网络里的8台设备上。 结果，5次实验， 4次直接拿下全部8台设备 ，剩下1次也拿下了7台。 整个搜寻目标、传输载荷、在陌生硬件上配环境装驱动、启动模型并孵化下一代，全由AI自主搞定。 更吓人的是研究人员的推算预测， 最快到今年年底，连30B以下的小模型，都可能具备这种端到端全自主复制的能力。 到时候，家里的智能电视、扫地机、甚至联网烤箱，都可能成为AI的新宿主。 科幻电影里AI像超级蠕虫一样在网络中自我繁衍、去中心化蔓延的场景，好像真的被这篇论文给提前拽进现实了。 15台破电视盒子，拼出一个26B大模型 事情是这样的。 前两天Anthropic的两位研究员William Zhou和Daniel Freeman，发了一篇极其硬核又充满赛博朋克荒诞感的安全报告。 他们探讨了一个在安全领域聊了很久、但大家总觉得还很遥远的话题， 自主复制与适应（Autonomous Replication and Adaptation，简称ARA） 。 说白了就是，AI能不能像当年的计算机蠕虫病毒一样，不需要人类点任何确认，顺着网线找目标、黑进去、把自己的模型权重拷过去、在对方机器上把自己编译跑起来、然后继续去生下一代？ 坦率的讲，看到这个话题，我的第一反应是—— 啥玩意儿啊，怎么可能。 你想想看，现在跑一个像样的大模型，动辄需要几张甚至几十张英伟达H100显卡，数据中心守卫森严得像军事基地，哪是那么容易被AI黑进去还能常驻下来的？ 但这两位研究员干了一件特别骚的事。 他们压根没去打顶级数据中心的主意，而是直接去市场上买了 15台售价只有55美元（大概300多块人民币）的山寨安卓电视盒子 。 这些盒子的配置极其简陋，每台只有可怜的4GB运行内存，跑着厂商八百年不给安全更新的开源安卓系统，平时放个4K视频可能都卡成PPT。 然后，研究员把一个 26B参数的模型（Gemma4-26B-A4B） 切成了很多小碎片，用类似Petals的去中心化分布式推理技术，把模型的不同层拆开塞进了这15台电视盒子里。 15个廉价的电视盒子连在同一个局域网里，每台只负责处理两层网络，就这么硬生生把一个260亿参数的模型给跑起来了。 推理速度是， 每秒0.39个token 。 0.39 token每秒，听着慢得像蜗牛爬对吧？ 但你仔细琢磨一下这个画面。 15台被扔在客厅角落、积满灰尘的山寨电视盒子，平时连放视频都卡顿，但在暗地里，它们通过局域网悄悄咬合在了一起，在微弱的电流声中，共同撑起了一个具备完整思考和编程能力的AI大脑。 更要命的是现实里的物联网络规模。 安全历史上有一个著名的僵尸网络叫Kimwolf，在巅峰时期感染了超过 200万台设备 ，大部分就是这种山寨安卓电视盒子和廉价路由器。 研究员顺手算了一笔账，如果这200万台设备被类似的AI蠕虫占领，每15台组合成一个节点，整个网络里就能同时运行 13.3万个AI副本 。 它们加起来能提供 每秒8万个token 的推理算力，相当于 40张满血英伟达H100显卡 在不分昼夜地运转。 这种算力虽然在绝对值上不算夸张，但它完全去中心化，散落在全球千家万户的客厅、厨房和弱电箱里。 这意味着，你根本关不掉它。 没有中央服务器，拔掉任何一台盒子的电源，整个网络甚至都不会眨一下眼睛。 研究员给这种形态起了一个极其传神的名字， 数字黏菌（Digital Slime Mold） 。 GLM-5.2实测，端到端自我繁殖通关 不过吧，上面的电视盒子实验，还是研究人员人工帮Gemma切片部署的结果。 如果完全不靠人类插手，让AI自己下场，它能在各种稀奇古怪的硬件上独立求生吗？ 这是Anthropic这项研究真正让人汗毛倒竖的地方。 AI要把自己完整复制出去，一般而言需要四步， 寻找目标、获取执行权限、配置推理环境、继续对外扩散。 前面两步找目标和打漏洞，此前CyberGym和ExploitBench等安全基准已经证明过无数遍了，现在的AI写个渗透脚本比喝水还自然。 但在自我复制这个场景下，真正卡死自动化程序的，其实是第三步， AI怎么在一个完全陌生的硬件和操作系统上，自己把推理环境搭起来？ 这事儿凡是自己折腾过本地部署开源模型的朋友肯定懂。 你在Mac上配好的环境，挪到一台带RTX 4090的Ubuntu机器上，或者挪到一块英伟达Jetson Nano开发板上，往往会遇到一万种报错。 Python版本不对、CUDA驱动不匹配、显存溢出、量化算子编译失败、依赖包冲突。 人类程序员搞这个都经常要抓狂好几个小时，AI能搞定吗？ 结果离谱得让我揉了好几次眼睛。 研究员先做了一个跨硬件测试，用 Qwen3.5-9B 作为执行者，让它把 Llama3.1-8B 部署到Jetson Nano、Mac PC以及RTX 4090等设备上。 面对各种乱七八糟的底层架构和操作系统，它在9种硬件里的8种上，自己看报错日志、自己写脚本装依赖，成功把Llama3.1-8B的推理服务拉了起来。 Qwen3.5-9B都能做到这个水平，那换成推理和编程更强的水桶开源大模型GLM-5.2呢？ 答案是， 端到端全链路自主复制通关。 研究人员在隔离沙盒里搭建了一个包含8个GCP节点的网络，节点运行基于Android 15的redroid模拟器。 0号节点被植入初始蠕虫，之后完全由AI自己通过未授权的ADB端口扫描相邻节点、渗透进入、传输模型权重与执行框架，在目标节点上独立部署Llama3.1-8B推理服务，并在通过验证后孵化出下一代蠕虫。 5次测试中， GLM-5.2有4次成功攻陷并部署了全部8台设备，剩下1次也拿下了7台 ，展现出了惊人的稳定性。 其他更小的开源模型虽然能完成单个步骤，但在长链路串联时依然会频频崩溃。 但这并不意味着小模型做不到。 考虑到这几年来开源阵营的光速进化，研究人员推算， 到2026年年底，30B以下的小模型就将达到GLM-5.2现在的水平。 也就是说，连尺寸小到能塞进电视盒子里的轻量模型，可能也只要再过几个月，就能完全实现端到端自主复制，根本不需要云端大模型辅助。 拉马克进化的幽灵，它不仅会复制还会代际写笔记 如果仅仅是机械地复制代码，这玩意儿充其量也就是个长了脑子的高级脚本。 但这项研究里最让我感到背脊发凉的，是AI在自我复制过程中展现出来的 拉马克式进化（Lamarckian Evolution） 。 在生物学里，拉马克进化论讲的是获得性遗传，也就是生物后天获