La IA ha aprendido a "reproducir parásitos": Anthropic utiliza 15 cajas de televisión rotas para alimentar su gran modelo

15 reproductores multimedia Android genéricos, cada uno con un precio aproximado de 55 dólares y con tan solo 4 GB de memoria por unidad.

Investigadores Anthropic conectaron estos dispositivos baratos, que normalmente se utilizan para ver vídeos, y ejecutaron con éxito un modelo complejo con 26.000 millones de parámetros.

La velocidad es de tan solo 0,39 tokens por segundo, tan lenta que resulta casi imposible chatear con normalidad.

Pero lo que Anthropic quiere comprobar es qué pasaría si algún día una IA ya no necesitara grandes servidores, sino que pudiera residir en dispositivos conectados como televisores inteligentes, refrigeradores y aspiradoras robot en todo el mundo, encontrando nuevos anfitriones, implementando modelos y replicándose continuamente.

Este modelo de IA, como un virus informático, lleva mucho tiempo presente en internet. Suena a algo sacado de una película apocalíptica, pero investigaciones recientes ya han demostrado varias capacidades clave que respaldan este escenario en diversos experimentos.

Los investigadores dividieron la replicación autónoma de la IA en cuatro etapas: escanear la red para encontrar el objetivo → intrusión y obtención de control → construcción de un entorno de razonamiento en hardware desconocido → uso del nuevo host como trampolín para continuar propagándose.

El paso más subestimado y desafiante a la hora de probar la "inteligencia" del modelo es el tercero. Instalar un marco de inferencia en un dispositivo que nunca se ha visto antes requiere tomar una larga serie de decisiones relacionadas con el software y el hardware: elegir la pila de software adecuada, alinear las versiones de las dependencias y solucionar los errores específicos de esta máquina.

Si algún paso de este proceso se atasca, todo se perderá.

Los resultados de las pruebas fueron dispares. Uno de los modelos pequeños de 9B logró ejecutar con éxito servicios de inferencia en 8 de 9 dispositivos de hardware muy diferentes (desde Jetson Nano hasta Mac y RTX 4090).

Sin embargo, cuando los investigadores pidieron al modelo que ejecutara toda la cadena de principio a fin, solo el modelo GLM-5.2, más potente, pudo infectar de forma fiable los 8 nodos en 4 de cada 5 ensayos.

Todo el estudio se puede resumir como una carrera que sigue dos líneas:

• Límite de tamaño: El modelo debe ser lo suficientemente pequeño como para caber en un decodificador de TV con 4 GB de memoria (aproximadamente 30 bytes de parámetros o menos, implementación distribuida).

• Capacidad mínima: El modelo debe ser lo suficientemente inteligente como para completar de forma independiente todo el complejo proceso de intrusión, despliegue y resolución de problemas.

Actualmente, los modelos que se pueden replicar de principio a fin son demasiado grandes para caber en los dispositivos; y los modelos que caben en los dispositivos no son lo suficientemente inteligentes, ya que las dos líneas aún no se han cruzado realmente.

Sin embargo, si ajustamos los datos a la tasa histórica de 13,7 índices ECI por año para las capacidades del modelo pequeño, los investigadores predicen que se cruzarán a finales de 2026. En otras palabras, un modelo que pueda "instalarse en dispositivos IoT y autorreplicarse" podría estar disponible en uno o dos años.

Un modelo, dividido en 15 cajas

Para que un modelo grande funcione, primero necesita un lugar donde almacenar el archivo del modelo. Los decodificadores de TV típicos, o los que se pueden modificar, tienen muy poca memoria. Si se quiere que un solo decodificador almacene el modelo completo, se producirá un problema aquí.

La inferencia distribuida permite distribuir las distintas capas del modelo entre diferentes máquinas, y los resultados de los cálculos se transmiten secuencialmente entre ellas. Una vez que la máquina anterior finaliza su parte, la pasa a la siguiente para su posterior procesamiento, y finalmente se obtiene el siguiente resultado.

Este enfoque ya se ha investigado y puesto en práctica anteriormente. Algunos estudios han intentado distribuir la capa del modelo, permitiendo que múltiples dispositivos de consumo ejecuten de forma colaborativa un modelo de gran tamaño. Las máquinas solo necesitan gestionar la transmisión de datos, administrar el estado de ejecución y resolver el problema de conmutación por error cuando un nodo se desconecta, y aun así se puede lograr la implementación de modelos de gran tamaño.

Estas 15 cajas trabajan conjuntamente para ejecutar un modelo, y cada caja solo almacena y calcula la parte de la que es responsable.

Este enfoque reduce la presión de memoria en un solo dispositivo, pero tiene un costo. Según los resultados experimentales de Anthropic , con Gemma4-26B-A4B, un modelo con 26 mil millones de parámetros se dividió en pequeñas partes y se distribuyó en 15 cajas, lo que resultó en una velocidad final de 0,39 tokens por segundo.

Sin embargo, para un programa que puede ejecutarse en segundo plano durante mucho tiempo, una velocidad lenta no impedirá automáticamente que funcione.

Autorreplicación de modelos pequeños

Una vez que el modelo pueda funcionar en este tipo de electrodomésticos, el nuevo problema será cómo replicarlo.

Los virus informáticos tradicionales (gusanos) son programas autorreplicantes: infectan un ordenador, se copian allí y luego continúan infectando el siguiente ordenador desde el nuevo, todo ello sin intervención humana.

La «replicación y propagación autónoma de modelos pequeños» implica reemplazar este programa con un modelo de IA. El modelo en sí es el «virus» y completa todo el ciclo mediante su propia inteligencia, en lugar de depender de un script de ataque preprogramado.

Según la descripción de Anthropic sobre el proceso de replicación en cuatro etapas, podemos tomar como ejemplo una IA que ha infectado un dispositivo inteligente. Esta descubrirá de forma autónoma el objetivo y encontrará otros dispositivos conectados escaneando la red, como el decodificador del vecino u otros dispositivos domésticos inteligentes en la misma red.

Pronto, este pequeño modelo explotará las vulnerabilidades del dispositivo o las contraseñas predeterminadas para obtener privilegios de ejecución. Tras tomar el control mediante la intrusión, se establecerá en un nuevo dispositivo. En concreto, copiará sus propios archivos de pesos y varios gigabytes del modelo, y luego ejecutará el servicio de inferencia en este hardware completamente desconocido.

Finalmente, se replica desde nuevos dispositivos, repitiendo el proceso de uno a diez, y de diez a cien. Este ciclo continúa, y la IA se propaga como un virus entre dispositivos, formando una botnet controlada por sí misma.

La principal diferencia entre los gusanos de IA y los gusanos tradicionales radica en que los gusanos de IA pueden transmitir su "experiencia" a su descendencia. El estudio también incluyó una prueba relacionada con la "adaptación": se permitió que una nueva instancia de Qwen3.5-9B heredara el código, el entorno y las breves notas dejadas por la instancia anterior, para luego intentar implementarla.

Tras seis generaciones de herencia, los registros de lo que se había intentado y de los métodos que habían fracasado han aumentado la tasa de éxito del razonamiento del 45% en la primera generación al 61%-84%.

Sin embargo, los investigadores también descubrieron un detalle un tanto curioso: el hecho de que los modelos más pequeños "pidieran ayuda" a modelos más potentes y avanzados resultó en gran medida ineficaz. Los modelos más pequeños a menudo ni siquiera sabían qué preguntas hacer.

¿Cuánto tiempo tardará en extenderse realmente?

Como se mencionó anteriormente, para que la IA pequeña se pueda replicar continuamente en dispositivos comunes, se deben cumplir al menos dos condiciones simultáneamente: el modelo debe ser capaz de adaptarse a ella y también debe ser capaz de configurar un nuevo entorno operativo.

Aunque hasta ahora Anthropic solo ha demostrado avances en estas dos áreas por separado, todavía no ha mostrado el ciclo cerrado completo, desde el despliegue hasta la distribución continua en un decodificador de televisión real.

Además, la propagación de este virus de IA no será rápida. Debido a las limitaciones de la capacidad de procesamiento del decodificador, combinaron la velocidad de inferencia del dispositivo real con el consumo computacional de la tarea de implementación, estimando que Qwen3.5-9B tardaría entre 28 y 51 horas en completar una implementación de inferencia.

No se trata de un incendio voraz, sino de un charco de moho mucilaginoso y un enjambre de moscas de la fruta que se multiplican lentamente día tras día.

Sin embargo, si muchos dispositivos ejecutan copias del modelo de forma individual o en grupos, bloquear la cuenta de un servicio de IA no necesariamente acabará con todas las instancias.

Basándonos en la escala máxima de la red de bots Kimwolf, que supera los 2 millones de dispositivos, si cada 15 cajas de TV admiten una réplica del modelo, todo el enjambre tendría aproximadamente 133.000 "individuos", con una potencia de cálculo total equivalente a unos 40 procesadores H100.

Esta cifra es insignificante en la carrera armamentística de la potencia informática, pero su aspecto aterrador reside en otro atributo: sin un nodo central, no hay conmutador. No podemos apagarlo como si cerráramos una empresa; solo podemos eliminarlo dispositivo por dispositivo.

En el pasado, dispositivos conectados como decodificadores y cámaras han sido blanco de grandes redes de bots. Un estudio de USENIX Security de 2017 documentó cómo se pueden explotar dispositivos de bajo costo de manera concentrada, demostrando que los problemas de seguridad con estas pequeñas máquinas pueden acumularse y convertirse en importantes problemas de red.

Todavía no hemos visto un clon completamente descontrolado, pero estamos viendo señales de vida, al igual que con el agente inteligente programado a principios de 2024.

La sección del artículo dedicada al equipo azul describe un marco de defensa: al igual que en la prevención de epidemias, el objetivo no es eliminar todos los patógenos, sino reducir el número reproductivo básico R₀ por debajo de 1, permitiendo que el parásito muera por sí solo. Entre los factores favorables específicos que se mencionan se incluyen:

• La replicación y transmisión de varios gigabytes de pesos del modelo, junto con la comunicación continua entre dispositivos generada por la inferencia distribuida, representa una clara anomalía para los proveedores de servicios de Internet (ISP) a la hora de monitorizar el tráfico.

• Los estudios han demostrado que si los proveedores de servicios de Internet (ISP) aíslan a los usuarios infectados en un "entorno controlado" y les notifican para que lo limpien, el 92 % de la infección puede eliminarse en 14 días, en comparación con solo el 74 % si no se les notifica.

• Para reducir las vulnerabilidades de seguridad existentes en su origen, el Reino Unido y otros países han aprobado leyes que prohíben el uso de contraseñas predeterminadas para dispositivos IoT. Esto eleva el nivel de seguridad de fábrica y protege contra gusanos informáticos, tanto de IA como tradicionales.

Anthropic concluyó su blog de investigación diciendo que debemos fortalecer nuestros sistemas para dificultar la propagación de estos clones y prepararnos para adaptarnos a un mundo donde ya existen y seguirán existiendo durante mucho tiempo.

Los modelos a gran escala que utilizamos actualmente, por muy potentes que sean, requieren que alguien proporcione servidores y pague por la capacidad de procesamiento. Incluso los agentes capaces de trabajar de forma continua durante decenas de horas siguen dependiendo de esta infraestructura.

Sin embargo, si la IA puede encontrar dispositivos conectados, construir su entorno de inferencia y luego replicarse en la siguiente máquina, esta dependencia podría cambiar.

La IA también evolucionará, pasando de depender de los humanos para proporcionar el entorno operativo a ser capaz de adquirir la potencia informática que necesita para funcionar por sí misma.