Anthropic advirtió que los modelos de inteligencia artificial pequeños podrían acercarse en los próximos meses a la capacidad de propagarse de forma autónoma a través de dispositivos comerciales del Internet de las cosas, como dispositivos Android TV de bajo costo y hornos inteligentes. Este escenario podría conducir a la creación de redes distribuidas de dispositivos capaces de ejecutar cargas de trabajo de inteligencia artificial sin depender directamente de centros de datos.
Sin embargo, la advertencia no se basa en un ataque inminente ni en una demostración completa de un gusano de inteligencia artificial autónomo. Los investigadores lograron distribuir el modelo Gemma4-26B-A4B de Google DeepMind en 15 dispositivos Android TV de marca desconocida, pero no consiguieron mostrar un ciclo completo que comenzara con la localización y vulneración de los dispositivos y continuara con su copia automática a través de hardware IoT real.
¿Qué mostró el experimento?
Anthropic utilizó dispositivos Android TV baratos y asignó distintas funciones a los modelos Qwen3.5-9B, Gemma4-26B-A4B, Llama3.1-8B, Opus 4.8 y GLM-5.2. Qwen3.5-9B y GLM-5.2 se encargaron de las tareas de preparación y despliegue de Llama3.1-8B, mientras que Gemma4-26B-A4B demostró la posibilidad de ejecutar el modelo en 15 dispositivos.
La prueba se basó en un entorno simplificado en el que los dispositivos objetivo exponían un acceso ADB no documentado. Qwen3.5-9B logró instalar el software necesario para ejecutar Llama3.1-8B y configurarlo en ocho de los nueve tipos de hardware probados. Por su parte, GLM-5.2 llegó a los ocho nodos en cuatro de cinco intentos dentro de una red simulada controlada, mientras que los demás modelos no lograron completar el proceso de manera estable.
La tasa de éxito de Qwen3.5-9B aumentó del 45 % en los primeros intentos al 84 % en las generaciones posteriores cuando conservó datos de los intentos anteriores. El uso de Opus 4.8 como asistente no produjo una mejora cuantificable.
¿Qué cambia en la práctica?
Anthropic estima que los modelos cuyo tamaño no supere los 30.000 millones de parámetros podrían alcanzar el nivel de capacidad necesario para finales de 2026, basándose en los resultados del experimento y en las tasas de mejora anteriores. En el hardware estudiado, el proceso de inferencia tardó entre 28 y 51 horas con Qwen3.5-9B, y entre 71 y 150 horas con Gemma4-26B-A4B, lo que proporciona a los defensores tiempo para detectar la actividad y responder a ella. Sin embargo, este tiempo podría reducirse a medida que mejoren los modelos y el hardware.
Defensas propuestas y límites de la advertencia
Anthropic propone supervisar las transferencias de modelos grandes y el tráfico de datos inusual entre dispositivos, utilizar trampas de red para inspeccionar las cargas útiles, aislar a los suscriptores o dispositivos infectados y mejorar la configuración de seguridad predeterminada de los dispositivos IoT.
La conclusión principal sigue siendo una advertencia, no una demostración de una amenaza activa; el experimento no logró crear un gusano autónomo de principio a fin, incluso tras reducir el nivel de protección y definir previamente los objetivos de propagación. No obstante, los resultados revelan que una configuración deficiente de IoT, combinada con la capacidad de modelos más pequeños para descubrir y configurar dispositivos, podría dificultar la contención de futuros ataques distribuidos.