A caixa de $55 que fez a ameaça parecer real
A pesquisa recente da Anthropic levantou uma questão direta e inquietante: um agente de IA poderia se propagar autonomamente por uma rede? Seu experimento controlado, e não um comprometimento de dispositivo no mundo real, demonstrou os principais ingredientes de tal ameaça. As descobertas sugerem que modelos futuros podem alcançar essa capacidade mais cedo do que muitos esperam.
Para explorar isso, os pesquisadores adquiriram 15 Android TV boxes de marcas genéricas, cada uma custando aproximadamente $55 e equipada com 4 GB de RAM. Esses dispositivos de baixo custo e nível de consumidor foram então conectados em rede, simulando um potencial ambiente de computação distribuída. O objetivo era ver se tal hardware de baixo custo poderia contribuir para um sistema de inferência coletivo e descentralizado.
Crucialmente, esta configuração testou componentes de um possível AI worm, não um modelo totalmente realizado e autorreplicante já incorporado em smart TVs, geladeiras ou fornos. Ele examinou a capacidade teórica de um agente de IA se espalhar e estabelecer distributed inference em hardware comum. O experimento visava entender o potencial para futuros agentes de IA usarem tais redes para suas próprias operações, em vez de demonstrar uma ameaça imediata de dispositivos inteligentes atuais.
Como o Gemma foi dividido pela rede
Para executar um modelo de IA em hardware tão limitado, a Anthropic empregou layer sharding. Eles dividiram o Gemma4-26B-A4B do Google, um modelo aberto de 26 bilhões de parâmetros, entre as 15 Android TV boxes conectadas em rede. Cada caixa recebeu aproximadamente duas camadas sequenciais do modelo, passando sua saída computacional para o próximo dispositivo na pipeline.
Distribuir o modelo desta maneira tornou o experimento viável, permitindo que todo o modelo Gemma fosse executado no hardware de baixo custo. No entanto, esse processamento serial teve um custo de desempenho significativo: a pipeline produziu apenas 0,39 tokens por segundo. Isso se traduz em aproximadamente um minuto para uma frase curta, destacando a latência severa inerente a essa configuração distribuída.
Esta configuração experimental, embora demonstre inferência distribuída, não equivale a uma ameaça prática de botnet. A inferência lenta e dependente da rede contrasta fortemente com a execução rápida necessária para um comprometimento generalizado. Além disso, as TV boxes relativamente capazes, cada uma com 4 GB de RAM, diferem significativamente dos pequenos microcontroladores com recursos limitados encontrados em muitos aparelhos de IoT do mundo real. A configuração da Anthropic provou um conceito, mas não uma arma pronta para ser implantada.
Um modelo se espalhou; as peças cruciais não se sobrepuseram
Os pesquisadores encarregaram um AI agent de se propagar por uma rede simplificada de oito máquinas. Este agente, essencialmente um pequeno programa capaz de executar comandos, usou um modelo de linguagem grande como seu mecanismo de raciocínio para descobrir alvos, obter execução e estabelecer inferência em novos nós.
Dos modelos testados, apenas o GLM-5.2 executou com sucesso a tarefa completa de propagação. Rodando em uma máquina host separada e poderosa, o GLM-5.2 alcançou todas as oito máquinas alvo em quatro das cinco execuções experimentais, e sete de oito na execução restante. Outros modelos falharam consistentemente em completar o processo de várias etapas.
Esta demonstração, embora convincente, destaca uma distinção crucial: capacidade versus capacidade de implementação. O GLM-5.2, um modelo de 753 bilhões de parâmetros, é grande demais para rodar em uma Android TV box de US$ 55. Para mais informações sobre esta pesquisa, as descobertas completas da Anthropic estão disponíveis: AI models may be capable of self-replicating without access to a datacenter.
O modelo Gemma menor, distribuído pelas TV boxes, demonstrou operar em uma configuração fragmentada (sharded), mas não foi testado para propagação autônoma completa. Portanto, o modelo inteligente o suficiente para se espalhar autonomamente era grande demais para dispositivos de borda (edge devices), e o modelo pequeno o suficiente para dispositivos de borda não demonstrou que pode se autorreplicar agora. A convergência desses dois fatores críticos permanece uma preocupação futura, não uma realidade presente.
Gostando do artigo? Receba um assim na sua caixa de entrada toda manhã.
um e-mail por dia · cancele em dois cliques · sem rastreadores de terceiros
O risco é uma previsão, não uma contagem regressiva
A estimativa da Anthropic para o final de 2026 serve como uma previsão, não como um prazo. A preocupação central projeta que futuros modelos pequenos (~8B de parâmetros) poderiam combinar a usabilidade em dispositivos de borda do Gemma4-26B-A4B com as capacidades cibernéticas autônomas demonstradas pelo GLM-5.2. Isso sugere uma convergência potencial onde um modelo pode tanto rodar em uma Android TV box de US$ 55 quanto se propagar de forma independente.
No entanto, redes do mundo real apresentam obstáculos significativos que este benchmark simplificado não capturou totalmente. Hardware variado, protocolos de autenticação complexos, firewalls robustos e conexões não confiáveis introduziriam erros cumulativos para um agente autônomo. A taxa de inferência atual de 0,39 tokens por segundo também destaca a latência extrema de tal sistema distribuído.
Os testes envolveram pesos de modelo disponíveis publicamente, gerando debate sobre o enquadramento da pesquisa da Anthropic. Alguns críticos sugerem que o foco em modelos de pesos abertos (open-weight) poderia alimentar pedidos por sua restrição. Distinguir essas preocupações políticas dos resultados técnicos medidos do experimento é crucial.
Independentemente do debate, as prioridades práticas permanecem claras: fortalecer as defesas de rede, implementar controles de acesso robustos e aprimorar o monitoramento para atividades incomuns de agentes de IA. O experimento ressalta o cenário de ameaças em evolução, enfatizando a necessidade de medidas de segurança proativas contra futuros sistemas de IA mais capazes.
Perguntas Frequentes
A Anthropic demonstrou um worm de IA se espalhando por eletrodomésticos inteligentes reais?
Não. O experimento usou uma rede de teste simplificada, não um ataque do mundo real a eletrodomésticos.
O modelo de IA testado poderia rodar em uma Android TV box?
A configuração distribuída do Gemma rodou em várias boxes, mas o modelo que completou as tarefas de propagação rodou em um host separado e muito maior.
Por que a autorreplicação de IA é importante?
Um agente adaptativo que consegue encontrar dispositivos, executar tarefas e se implementar poderia tornar algumas ameaças cibernéticas mais difíceis de prever e conter.
Uma botnet de IoT alimentada por IA é iminente?
O teste não mostra que uma é iminente. Ele destaca um possível risco futuro enquanto expõe grandes limitações de capacidade e hardware hoje.