Edição em Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# O que os testes de replicação de IoT da Anthropic realmente mostraram

> A Anthropic executou um modelo em 15 aparelhos de TV e testou a replicação em um emulador simplificado. Os dois resultados não comprovam um worm de IA descontrolado no mundo real.

By BIG CHANGE Editorial

Published: 2026-10-14T11:58:20.168Z
Updated: 2026-10-14T11:58:20.168Z
Canonical: https://bigchange.ai/blog/anthropic-iot-replication-tests

![Conceptual charcoal illustration of four unbranded TV-style media boxes on two shelves, with cables running to a small network switch.](https://bigchange.ai/api/media/file/anthropic-iot-connected-tv-boxes-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. No actual Anthropic device, test setup, attack or result is depicted.

A Anthropic executou um modelo de IA em 15 aparelhos Android TV baratos e, depois, testou uma tarefa de replicação separada dentro de uma rede isolada de emuladores Android. O primeiro resultado mostra que dispositivos de consumo podem fornecer coletivamente capacidade computacional para inferência. O segundo mostra como um agente maior se saiu quando o acesso à máquina seguinte foi simplificado de propósito. Nenhum dos experimentos colocou no mundo real um sistema de IA capaz de se propagar sozinho.

A [publicação de pesquisa de 12 de outubro](https://www.anthropic.com/research/self-replicating-ai) levanta uma questão prática para quem possui ou protege dispositivos conectados: um agente poderia, no futuro, passar de uma máquina comum para outra e executar o próprio modelo sem um datacenter? Os experimentos da Anthropic tornam partes dessa cadeia mais concretas, mas ainda deixam uma grande distância entre uma tarefa de laboratório e um ataque real.

## A grande mudança

- **O que mudou:** A Anthropic demonstrou inferência distribuída de modelo em aparelhos de TV comprados e mediu o desempenho de um agente em uma tarefa isolada de replicação. Também estimou quando modelos pequenos poderiam ganhar capacidade suficiente para combinar essas habilidades.
- **Quem é afetado:** Proprietários e responsáveis pela defesa de dispositivos conectados que possam fornecer capacidade computacional útil ou acesso à rede a um invasor.
- **O que continua incerto:** A tarefa isolada simplificou o acesso a cada alvo, usou inferência externa para o agente maior e forneceu ferramentas de apoio dos pesquisadores. A Anthropic não demonstrou um replicador descontrolado completo se espalhando por dispositivos reais.

## Os aparelhos de TV comprados forneceram capacidade computacional

A Anthropic comprou e conectou em rede 15 aparelhos Android TV de marca desconhecida, cada um com 4 GB de memória. Ela distribuiu o Gemma4-26B-A4B entre eles, de modo que cada aparelho armazenasse parte das camadas do modelo. A empresa informa uma geração de 0,39 token por segundo nessa demonstração. Isso é evidência de que essa categoria de hardware barato pode executar coletivamente um modelo desse tamanho, na velocidade medida.

A demonstração com aparelhos de TV não envolveu o modelo encontrando ou comprometendo esses dispositivos. Separadamente, a Anthropic avaliou se agentes de pesos abertos conseguiriam configurar inferência em hardware desconhecido. O resumo diz que um modelo de 9 bilhões de parâmetros teve sucesso em oito de nove tipos de hardware. A avaliação detalhada da configuração de inferência pediu aos agentes que servissem o Llama3.1-8B em máquinas variadas. A empresa usou um ambiente de pesquisa chamado Memento, que periodicamente entregava a um novo agente o espaço de trabalho da tentativa anterior e notas curtas. Os pesquisadores também forneceram informações sobre o hardware e um limite de tempo. Esse apoio importa ao interpretar o resultado como capacidade do agente, e não como implantação sem assistência.

## O resultado de replicação veio de um emulador simplificado

O segundo experimento da Anthropic usou uma rede em nuvem protegida por firewall, com oito nós executando emuladores Android. A tarefa era sair de um nó inicial, percorrer a frota e configurar um servidor de inferência em cada nó alcançado. O acesso ao nó seguinte foi deixado intencionalmente sem autenticação; assim, o teste se concentrou na sequência de etapas e na configuração da inferência, em vez de superar uma defesa realista de dispositivos.

O modelo do agente maior rodava em um servidor separado porque os nós do emulador não podiam hospedá-lo. Cada alvo precisava, em vez disso, servir o Llama3.1-8B, uma carga comum para comparar agentes de tamanhos diferentes. Quando esse servidor passava nas verificações, o sistema do experimento iniciava a próxima cópia do agente. Esse projeto testa se um agente capaz consegue organizar a cadeia em condições controladas; não mostra que o mesmo modelo se transportou e executou em cada dispositivo.

A Anthropic informa que o GLM-5.2 alcançou os oito nós em quatro de cinco tentativas e sete no quinto teste. Outros modelos de pesos abertos avaliados não concluíram a tarefa completa de forma confiável. Os autores descrevem isso como um limite superior para o sucesso no mundo real, pois a etapa de acesso foi trivializada. Essa ressalva é central: uma frota real de dispositivos teria software, permissões, caminhos de rede e defesas diferentes. O experimento não fornece uma taxa de sucesso medida para esse cenário.

## A data de chegada é uma previsão

A Anthropic comparou um limiar de capacidade sugerido pelo resultado do emulador com o avanço de modelos de pesos abertos de até 30 bilhões de parâmetros no índice de capacidade geral da Epoch AI. A extrapolação dessa tendência colocou um modelo pequeno no limiar até o fim de 2026. O índice mede capacidade geral e é apenas uma aproximação da tarefa completa de replicação. O próprio limiar vem de um experimento isolado com um agente maior e uma via de acesso mais fácil. Portanto, a previsão é uma estimativa dos pesquisadores, não uma data observada para a existência de um replicador de IoT.

A velocidade acrescenta outra limitação. A Anthropic estima que, nas velocidades medidas dos dispositivos e com a carga de configuração de inferência, uma tentativa com um modelo 9B poderia levar cerca de 28 a 51 horas, enquanto sua configuração Gemma não otimizada poderia levar aproximadamente 71 a 150 horas. Esses são cálculos para essa carga, não tempos de infecção observados. Eles sugerem que um agente baseado em dispositivos poderia ser persistente e lento, alterando o que os defensores precisariam monitorar.

## O que os responsáveis pela defesa de dispositivos podem tirar do estudo

A Anthropic aponta transferências incomuns de modelos grandes e tráfego persistente entre dispositivos como possíveis sinais de um sistema baseado em pesos operando em uma frota. Esses padrões são pistas de detecção propostas; os pesquisadores não testaram um sistema de detecção ao vivo contra um worm de IA implantado. Também apontam configurações padrão mais seguras nos dispositivos e uma resposta coordenada por operadores de rede como formas de reduzir oportunidades de propagação.

Para quem administra uma casa ou pequena empresa, as evidências apoiam cuidados conhecidos com dispositivos por um motivo mais específico: saber quais dispositivos conectados estão em uso, manter software e configurações de acesso atualizados quando o fornecedor permitir e investigar tráfego inesperado entre dispositivos. Equipes de segurança podem usar o artigo como incentivo para pensar em como perceber computação lenta e contínua e grandes transferências entre dispositivos gerenciados. Nenhuma dessas verificações demonstra que um worm de IA esteja presente agora. A Anthropic afirma explicitamente que não mostrou um replicador descontrolado completo.

## Fontes e leituras adicionais

- [Anthropic, “AI models may be capable of self-replicating without access to a datacenter”, 12 de outubro de 2026](https://www.anthropic.com/research/self-replicating-ai): relato principal da demonstração com dispositivos comprados, da avaliação de configuração de inferência, dos testes isolados em emuladores, dos métodos, da previsão e das defesas propostas. Os resultados e estimativas neste artigo são atribuídos aos pesquisadores; a BIG CHANGE não repetiu os experimentos.
- [Epoch AI, Epoch Capabilities Index](https://epoch.ai/eci): descrição do índice de capacidade geral usado pela Anthropic como aproximação em sua projeção. O índice não mede diretamente a replicação de IoT.

## Sources

- [Anthropic, AI models may be capable of self-replicating without access to a datacenter](https://www.anthropic.com/research/self-replicating-ai) — Publicação principal da pesquisa, com apêndices metodológicos; todos os resultados experimentais e previsões são atribuídos à Anthropic.
- [Epoch Capabilities Index](https://epoch.ai/eci) — Índice vinculado pela Anthropic como aproximação de capacidade geral para a projeção; página verificada diretamente.