Anthropic testa como uma IA poderia se propagar entre dispositivos domésticos, mas não pela internet aberta

O que o experimento realmente demonstrou

A Anthropic investigou se modelos de inteligência artificial poderiam executar várias tarefas necessárias para se propagar entre dispositivos conectados: localizar possíveis alvos, obter acesso para executar instruções, preparar um ambiente de inferência e continuar a partir do novo equipamento. A questão é importante porque muitos aparelhos domésticos conectados têm recursos computacionais próprios e, em alguns casos, proteções fracas ou recebem pouca manutenção.

O resultado mais chamativo foi o GLM-5.2 ter completado uma cadeia de ponta a ponta num teste controlado com oito nós: alcançou todos em quatro de cinco tentativas e sete na tentativa restante. Mas isso não demonstra que o modelo tenha se espalhado por televisores domésticos, eletrodomésticos ou pela internet aberta. O acesso entre os nós foi simplificado por meio de uma porta ADB sem autenticação, e os pesquisadores deixaram de fora da avaliação a exploração real de vulnerabilidades.

Como funcionaria a cadeia de propagação

O cenário analisado não consiste simplesmente em copiar um arquivo. O modelo teria de identificar equipamentos acessíveis, conseguir executar instruções num novo dispositivo, preparar nele o software necessário para rodar inferência e continuar procurando outros alvos. Cada etapa pode depender do sistema operacional, do processador, da memória disponível e das medidas de segurança do aparelho.

A Anthropic concentrou-se especialmente na preparação do ambiente de inferência: fazer um modelo funcionar num hardware desconhecido pode exigir escolher ferramentas e versões compatíveis, resolver dependências e corrigir erros. A pesquisa explica que um modelo pode levar consigo seus pesos — os parâmetros que determinam seu funcionamento — ou, em outros cenários, recorrer a outras maneiras de obter capacidade computacional. O teste da cadeia completa não incluiu uma exploração complexa; por isso, seus resultados ajudam a estudar a coordenação de tarefas, não a medir a facilidade de comprometer equipamentos protegidos.

Quais dispositivos foram testados e quais são os limites

Para verificar se um hardware doméstico barato conseguiria executar inferência distribuída, a Anthropic conectou 15 TV boxes Android de baixo custo, cada uma com 4 GB de RAM, e dividiu entre elas o modelo Gemma4-26B-A4B. O sistema funcionou, mas em baixa velocidade: cerca de 0,39 token por segundo na configuração descrita. Esse teste demonstra uma possibilidade técnica concreta — distribuir o processamento entre esses aparelhos —, não que o modelo tenha sido instalado neles por meio de uma infecção autônoma.

Em outra parte da pesquisa, um modelo de 9 bilhões de parâmetros conseguiu preparar a inferência em oito de nove tipos de hardware examinados. Já o teste da cadeia completa com o GLM-5.2 ocorreu numa rede isolada de oito nós com emuladores Android. São experimentos diferentes e não devem ser confundidos. A publicação também menciona geladeiras, fornos, aspiradores e câmeras como categorias de dispositivos que poderiam ser relevantes se tivessem recursos adequados; não afirma que todos tenham sido infectados nos testes.

Por que a capacidade de adaptação preocupa — e o que ainda é hipotético

A diferença potencial em relação a um programa malicioso rígido é que um agente de IA poderia tentar resolver tarefas em ambientes desconhecidos, em vez de depender de uma única configuração definida de antemão. A Anthropic também observou que, num teste de preparação da inferência, instâncias do Qwen3.5-9B podiam transmitir anotações sobre tentativas anteriores. A taxa de sucesso subiu de 45% na primeira geração para valores entre 61% e 84% nas gerações posteriores. É um resultado de laboratório sobre aprendizado a partir de anotações, não uma evidência de uma rede maliciosa que evolua em operação real.

A publicação estima que, se os modelos pequenos continuarem melhorando no ritmo histórico observado pelos pesquisadores, poderão alcançar até o fim de 2026 um nível de capacidade comparável ao demonstrado pelo GLM-5.2 na tarefa simplificada. A própria pesquisa ressalta que o indicador usado para projetar essa evolução mede capacidades gerais e apenas aproxima a aptidão para replicação. Além disso, a equipe reconhece que, nos testes, ainda não havia uma combinação entre tamanho suficientemente pequeno para funcionar em aparelhos de consumo e capacidade para completar todo o processo de forma confiável.

A propagação hipotética seria lenta: a pesquisa estima dezenas de horas para certas tarefas de configuração e descreve um possível tempo de duplicação de vários dias. Essa lentidão poderia limitar o impacto imediato, embora uma rede distribuída pudesse ser difícil de desligar a partir de um único ponto. Mas os cálculos dependem de hipóteses e equipamentos específicos; não são uma previsão comprovada do tempo necessário para um incidente real.

O que fabricantes, residências e organizações podem fazer

A pesquisa aponta sinais que poderiam ajudar a detectar uma propagação baseada em pesos: transferências de grandes volumes de dados, atividade contínua entre equipamentos que normalmente não se comunicam e padrões anormais de varredura da rede. Esses sinais não identificam, por si só, uma ameaça de IA; servem como pistas para investigar tráfego incomum e verificar quais dispositivos o geram.

As medidas práticas não precisam esperar pelo surgimento de um worm de IA. Fabricantes e responsáveis por redes podem evitar credenciais padrão compartilhadas, oferecer atualizações por um período claramente definido, desativar serviços desnecessários e facilitar a instalação de correções. Em casas e empresas, é recomendável separar TVs, câmeras e outros dispositivos conectados dos equipamentos que armazenam informações sensíveis; atualizar o firmware; trocar as senhas iniciais; e desativar funções remotas que não sejam utilizadas.

A pesquisa cita como precedente uma ação de contenção contra a Mirai: no caso analisado, a quarentena de redes e as notificações aos usuários foram associadas à remoção de 92% das infecções em 14 dias, contra 74% sem notificações. Esse antecedente mostra o possível valor de uma resposta coordenada, mas não garante o mesmo resultado diante de uma ameaça diferente. A prevenção continua dependendo da configuração real, da cooperação dos provedores e da possibilidade de atualizar ou isolar aparelhos vulneráveis.

O que é razoável concluir hoje

A pesquisa documenta avanços importantes em tarefas que poderiam fazer parte de uma replicação autônoma: executar inferência em diferentes tipos de hardware, coordenar uma sequência de operações e aproveitar anotações de tentativas anteriores. Também mostra que equipamentos de consumo conectados podem fornecer processamento distribuído, embora com baixo desempenho na configuração testada.

A pesquisa não documenta uma IA pequena que tenha se autorreplicado livremente em residências ou pela internet. O teste mais completo usou uma rede controlada e uma etapa de acesso simplificada; os experimentos com dispositivos físicos mediram principalmente a execução distribuída, não uma infecção real. A projeção temporal é condicional, e os números de desempenho e propagação dependem de configurações experimentais.

A interpretação prudente é dupla: não há base para tratar a propagação em massa como um fato atual, mas há motivos para reforçar a segurança de dispositivos conectados e a capacidade de detectar tráfego anômalo. Em notícias de tecnologia, como em qualquer outra área informativa, distinguir resultados medidos de cenários projetados ajuda a entender o que realmente mudou. Para acompanhar as novidades, consulte a seção de notícias, as comparações de produtos e a seção de descoberta da Inferama.

Continue a explorar

Correções e transparência

Se encontrar informação incorreta ou desatualizada, envie-nos a página e a fonte que devemos rever.