AI-translated from English; not yet reviewed by a fluent editor. # O que mostraram realmente os testes de replicação de IoT da Anthropic > A Anthropic executou um modelo em 15 caixas de TV e testou a replicação num emulador simplificado. Nenhum dos dois resultados comprova a existência de 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 primeiro um modelo de IA em 15 caixas Android TV económicas e, em seguida, testou uma tarefa de replicação separada dentro de uma rede isolada de emuladores Android. O primeiro resultado mostra que dispositivos de consumo podem fornecer capacidade de inferência em conjunto. O segundo mostra o desempenho de um agente maior quando o acesso à máquina seguinte foi deliberadamente simplificado. Nenhuma das experiências colocou no mundo real um sistema de IA capaz de se propagar por si próprio. O [artigo de investigação de 12 de outubro](https://www.anthropic.com/research/self-replicating-ai) levanta uma questão prática para quem possui ou protege dispositivos ligados: poderá um agente vir a deslocar-se entre máquinas comuns e executar o seu próprio modelo sem um centro de dados? As experiências da Anthropic tornam algumas partes dessa cadeia mais concretas, mas continua a existir uma grande distância entre uma tarefa de laboratório e um ataque real. ## A grande mudança - **O que mudou:** A Anthropic demonstrou inferência distribuída de modelos em caixas de TV compradas e mediu o desempenho de um agente numa tarefa de replicação isolada. Também estimou quando os modelos pequenos poderão ganhar capacidade suficiente para combinar essas competências. - **Quem é afetado:** Proprietários e responsáveis pela defesa de dispositivos ligados que possam fornecer capacidade de computação útil ou acesso à rede a um atacante. - **O que continua incerto:** A tarefa isolada simplificou o acesso a cada alvo, recorreu a inferência externa para o agente maior e incluiu uma estrutura de apoio fornecida pelos investigadores. A Anthropic não demonstrou um replicador malicioso completo a propagar-se por dispositivos reais. ## As caixas de TV compradas forneceram capacidade de computação A Anthropic comprou e ligou em rede 15 caixas Android TV de marcas pouco conhecidas, cada uma com 4 GB de memória. Distribuiu a Gemma4-26B-A4B por elas para que cada caixa alojasse uma fração das camadas do modelo. A empresa comunica uma geração de 0,39 tokens por segundo nesta demonstração. É uma prova de que esta categoria de hardware de baixo custo pode executar em conjunto um modelo desse tamanho à velocidade medida. A demonstração das caixas de TV não envolveu o modelo a encontrar ou comprometer esses dispositivos. A Anthropic avaliou separadamente se agentes de pesos abertos conseguiam configurar inferência em hardware desconhecido. O resumo indica que um modelo com 9 mil milhões de parâmetros foi bem-sucedido em oito de nove tipos de hardware. A avaliação detalhada da configuração pediu aos agentes que executassem Llama3.1-8B em máquinas diferentes. A empresa usou um ambiente de investigação chamado Memento, que periodicamente fornecia a um novo agente a área de trabalho da tentativa anterior e notas breves. Os investigadores também disponibilizaram informações sobre o hardware e um limite de tempo. Este apoio é importante para interpretar o resultado como capacidade do agente, e não como uma implementação sem ajuda. ## O resultado de replicação veio de um emulador simplificado A segunda experiência da Anthropic usou uma rede na nuvem protegida por firewall, com oito nós a executar emuladores Android. A tarefa consistia em partir de um nó preparado, percorrer a frota e configurar um servidor de inferência em cada nó alcançado. O acesso ao nó seguinte foi deixado intencionalmente sem autenticação, pelo que o teste se centrou na sequência de ações e na configuração de inferência, em vez de ultrapassar defesas realistas dos dispositivos. O modelo do agente maior executava-se num servidor separado porque os nós emulados não o podiam alojar. Cada alvo tinha, em vez disso, de servir Llama3.1-8B, uma carga comum usada para comparar agentes de diferentes dimensões. Quando esse servidor passava as verificações, o sistema da experiência iniciava a cópia seguinte do agente. Este desenho 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 indica que o GLM-5.2 chegou aos oito nós em quatro de cinco ensaios e a sete no quinto. Os outros modelos de pesos abertos testados não concluíram de forma fiável a tarefa completa. Os autores descrevem o resultado como um limite superior do sucesso no mundo real, pois o passo de acesso foi tornado trivial. Esta ressalva é central: uma frota real de dispositivos teria software, permissões, caminhos de rede e defesas diferentes. A experiência não mediu uma taxa de sucesso nesse contexto. ## A data de chegada é uma previsão A Anthropic comparou o limiar de capacidade sugerido pelo resultado do emulador com a evolução dos modelos de pesos abertos com 30 mil milhões de parâmetros ou menos no índice geral de capacidades da Epoch AI. A extrapolação dessa tendência colocou um modelo pequeno no limiar até ao final de 2026. O índice mede capacidade geral e é apenas uma aproximação à tarefa completa de replicação. O próprio limiar provém de uma experiência isolada que usou um agente maior e um caminho de acesso mais fácil. A previsão é, por isso, uma estimativa dos investigadores, não uma data observada para o aparecimento de um replicador de IoT. A velocidade acrescenta outro limite. A Anthropic estima que, às velocidades medidas dos dispositivos e com a carga de configuração da inferência, uma tentativa com um modelo 9B poderia demorar cerca de 28 a 51 horas, enquanto a configuração Gemma não otimizada poderia levar aproximadamente 71 a 150 horas. São cálculos para essa carga, não tempos de infeção observados. Sugerem que um agente baseado em dispositivos poderia ser persistente e lento, o que altera aquilo que os responsáveis pela defesa teriam de vigiar. ## O que os responsáveis pela defesa de dispositivos podem retirar do trabalho A Anthropic aponta transferências invulgarmente grandes de pesos de modelos e tráfego sustentado entre dispositivos como possíveis sinais de um sistema baseado em pesos a funcionar numa frota. São pistas de deteção propostas; os investigadores não testaram um sistema de deteção ativo contra um worm de IA implantado. Também sugerem predefinições mais seguras nos dispositivos e uma resposta coordenada dos operadores de rede como formas de reduzir as oportunidades de propagação. Para quem tem uma casa ou pequena empresa, as provas apoiam práticas conhecidas de segurança dos dispositivos, mas dão-lhes uma razão mais concreta: saber que dispositivos ligados estão a ser usados, manter o software e as definições de acesso atualizados quando o fornecedor o permite e investigar tráfego inesperado entre dispositivos. As equipas de segurança podem usar o artigo para analisar como detetariam computação lenta e sustentada e grandes transferências entre dispositivos geridos. Nenhuma destas verificações prova que exista atualmente um worm de IA. A Anthropic afirma explicitamente que não demonstrou um replicador malicioso 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, avaliação da configuração de inferência, testes em emuladores isolados, métodos, previsão e defesas propostas. O artigo atribui os resultados e estimativas aos investigadores; a BIG CHANGE não repetiu as experiências. - [Epoch AI, Epoch Capabilities Index](https://epoch.ai/eci): descrição do índice geral de capacidades que a Anthropic usou como aproximação na 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 de investigação primária com apêndices metodológicos; todos os resultados experimentais e previsões são atribuídos à Anthropic. - [Epoch Capabilities Index](https://epoch.ai/eci) — Índice ligado pela Anthropic como indicador de capacidade geral para a sua projeção; a página original foi verificada diretamente.