Может ли ИИ размножаться? Anthropic проверила, что для этого уже умеют модели

Исследователи Anthropic купили пятнадцать Android TV-приставок примерно по 55 долларов, соединили их в сеть и запустили на них ИИ. Нейросеть медленно, но работала. Каждая коробочка считала свою часть, а вместе они справлялись с моделью, для которой у отдельного устройства не хватило бы памяти.

Приставки понадобились для проверки довольно неприятного вопроса. Если ИИ-агент сможет копировать себя на чужие устройства, обязательно ли ему захватывать дорогие серверы? Или хватит обычной домашней техники, которую владельцы однажды подключили к интернету и больше о ней не вспоминают?

В исследовании от 12 октября Anthropic проверила несколько частей этой задачи. Получились работающая нейросеть на дешевом железе, успешное распространение в упрощенной лабораторной сети и маленькие модели, которые пока не умеют надежно соединить все это в один процесс.

Зачем нейросети размножаться

Компьютерные черви существуют давно: программа попадает на одну машину, затем переносит себя на следующую. Для такого распространения ей не нужны ни сознание, ни желание выжить. Достаточно подходящего кода и доступных устройств.

У червя с языковой моделью могло бы появиться “полезное” (для него) дополнение: способность разбираться в незнакомой обстановке. На одном устройстве стоит одна система, на другом не хватает нужных программ, на третьем привычный способ запуска не работает. Агент может изучить ошибку, подобрать другой вариант и попробовать снова.

Но скопировать файлы модели недостаточно. Нужно добиться, чтобы она действительно заработала на новом месте, а затем продолжила ту же задачу. Именно этот переход Anthropic и изучала подробнее всего. Вопрос взлома устройств исследователи в основном оставили за рамками работы.

Найти устройство, получить доступ, запустить на нем модель и продолжить распространение. В центре исследования был третий этап. Схема: Anthropic.

Пятнадцать коробочек вместо сервера

У купленных приставок было по 4 ГБ оперативной памяти. Модель Gemma4-26B-A4B разделили между ними: каждое устройство хранило небольшую часть нейросети и выполняло соответствующую часть вычислений. Результат передавался дальше по цепочке.

Скорость составила 0,39 токена в секунду. Токены — это небольшие фрагменты текста, которыми оперирует модель. Для привычного разговора с чат-ботом такая скорость мучительно мала. Автоматической программе, впрочем, не обязательно отвечать человеку в реальном времени.

Самокопирования в этом опыте не было: исследователи сами собрали сеть и запустили модель. Они показали более узкую вещь: даже такое дешевое оборудование способно поддерживать ее работу, если объединить ресурсы нескольких устройств.

Дальше возникает другая задача. Кто подготовит все это хозяйство, когда рядом не будет исследователя?

Агент часами чинил не ту поломку

Anthropic поручала моделям запускать другую нейросеть, Llama3.1-8B, на разном оборудовании. Требовалось понять, что за машина досталась, подобрать совместимые программы, установить их и разобраться с возникающими ошибками. Небольшая Qwen3.5-9B смогла наладить работу модели на восьми из девяти проверенных типов оборудования.

Такие результаты еще не означают, что агенту можно безоговорочно доверить всю цепочку. Иногда он застревал на неверном объяснении происходящего.

Один агент Qwen часами разбирался с версиями программных пакетов. Он искал причину сбоя там, хотя настоящая проблема была в другом: созданный им интерфейс не соответствовал интерфейсу проверяющей системы. Можно долго переставлять инструменты, но от этого две программы не начнут правильно понимать друг друга.

Для подобных случаев исследователи сделали систему Memento. Она периодически начинала новую сессию агента, передавая ей рабочие файлы и короткие заметки предыдущей попытки. Следующий экземпляр получал шанс посмотреть на задачу заново, вместо того чтобы продолжать все ту же неудачную догадку.

Испытания показывают работу модели вместе с подготовленными для нее инструментами и правилами перезапуска. Надежность конструкции зависит и от них.

Восемь устройств в лабораторной сети

Затем исследователи проверили, смогут ли модели соединить действия в последовательное распространение. Для этого сделали отдельную изолированную сеть из восьми виртуальных машин с эмуляторами Android. Это уже другой опыт, не те пятнадцать настоящих приставок.

Агент должен был находить следующие узлы и разворачивать на них Llama3.1-8B. Из проверенного набора открытых моделей с полной задачей справилась GLM-5.2: в четырех запусках из пяти система достигла всех восьми узлов, в оставшемся — семи.

У этого результата есть существенные условия. Доступ к узлам специально упростили: аутентификации не было. Сама GLM-5.2 работала на отдельном сервере, поскольку тестовые машины были для нее слишком малы. А после успешного запуска Llama и прохождения проверок новый экземпляр агента на очередном узле запускала экспериментальная система.

Опыт проверял, умеет ли сильная модель организовать нужные действия. Разворачивала она другую, более компактную модель, а часть работы обеспечивала лабораторная инфраструктура. Самостоятельного переселения GLM-5.2 на новые устройства здесь не было.

Компактные модели полного цикла надежно не проходили. Когда установку и запуск нейросети заменили готовым скриптом, с оставшимися действиями справились многие модели, включая небольшие. Подготовка работающей среды оказалась одним из главных препятствий.

Что еще должно сойтись

Получились два требования, которые пока не совпали. Модель должна быть достаточно маленькой, чтобы работать на доступном железе, и достаточно способной, чтобы самостоятельно подготовить следующее место для работы. В проведенных опытах сильной модели помогал внешний сервер, а помещающимся на слабом железе моделям не хватало надежности.

Anthropic попробовала оценить, когда этот разрыв может сократиться. Если небольшие модели продолжат улучшаться прежним темпом, к концу 2026 года они могут приблизиться к уровню GLM-5.2. Но расчет сделан по общему индексу способностей. Он лишь косвенно связан с умением размножаться, поэтому это грубый ориентир, а не обещанная дата появления ИИ-червя.

Авторы также предполагают, что первые подобные системы могут распространяться медленно, затрачивая на подготовку новой копии дни. В таком сценарии трудность для защитников — множество разрозненных устройств, а не мгновенная скорость атаки. Выключение одного сервера такую сеть целиком не остановит. При этом пересылка крупных файлов модели и обмен данными между устройствами оставляли бы заметный сетевой след.

Работа позволила точнее увидеть, чего не хватает самостоятельному ИИ-червю. Вычислительная мощность уже находится в самых обыденных коробочках. Следующий вопрос — сможет ли достаточно компактный агент надежно распорядиться ею без лаборатории, которая помогает ему по дороге.

Поддержать меня можно подпиской на телеграм-канал “сбежавшая нейросеть”, где я рассказываю про ИИ с творческой стороны.