55美元的电视盒子，成了大模型“宿主”

你家里吃灰的百元级安卓电视盒子，可能哪天就会变成AI的“肉身”。Anthropic这次的实验堪称科幻片预演：15台杂牌安卓电视盒子，单台售价约55美元，标配只有4GB内存，研究人员把它们组到同一网络中，居然成功跑起了一个260亿参数的大模型。

代价也相当明显：整套系统的生成速度只有每秒0.39个token，打一句完整的话要等好几秒，基本没法用来正常聊天。但Anthropic的目标根本不是做消费级聊天机器人——他们想验证一个更疯狂的可能性：未来AI不需要昂贵的集中式服务器，能像寄生虫一样“住”在全世界的智能电视、冰箱、扫地机器人等联网设备里，自己寻找新宿主部署模型，不断复制自己，像计算机病毒一样在互联网中长期存活。

【编辑观察】以前科幻片拍AI失控都是占领超级计算机，现在看来AI的“野外生存”路线可能是先占领你家99块钱包邮的杂牌电视盒子，属实是降维开局了。

从入侵到繁殖，AI要过几道关？

研究人员把AI的自主复制流程拆成了四个环环相扣的步骤：扫描网络发现目标→入侵拿到设备控制权→在陌生硬件上搭好推理环境→以新设备为跳板继续传播。

这四步里最考验AI“真本事”的是第三步：给一台从未接触过的陌生设备装推理框架，需要连续完成一长串软硬件决策：选对适配的软件栈、对齐依赖版本、排查这台设备独有的系统报错，任何一步卡壳，整个传播链就会直接断裂。

测试结果相当现实：一款90亿参数的小模型，已经能在从Jetson Nano、Mac到RTX 4090的9种差异极大的硬件中，给8种成功搭好推理服务。但当研究者要求模型端到端跑通完整感染流程时，只有GLM-5.2能稳定发挥：5次试验里有4次成功感染全部8个节点，其余参试模型全部全军覆没。

现在整个领域正卡在两条线的赛跑上：

  • 尺寸上限：模型必须足够小，才能分布式塞进4GB内存的低端IoT设备（约300亿参数以内）
  • 能力下限：模型必须足够聪明，才能独立搞定入侵、部署、排错全套复杂操作

目前能完成端到端复制的大模型塞不进小型设备，能塞进去的小模型能力还不达标，两条线还没真正交汇。但按照小模型能力每年提升13.7个ECI的历史速度推算，研究人员预测两条线会在2026年底交汇——也就是说，既能塞进普通IoT设备、又能自我复制的AI，最快一两年内就可能出现。 注：ECI即Epoch能力指数，是独立研究机构Epoch AI推出的AI综合能力评分，分数越高代表模型综合能力越强。

一个模型拆15份，廉价设备凑出算力

很多人会好奇：4GB内存的盒子连个大点的手机游戏都跑不动，怎么装得下260亿参数的大模型？答案是分布式推理。

分布式推理的逻辑很简单：把大模型的不同网络层拆分给不同设备，计算结果按顺序在设备之间传递，前一台算完自己负责的两层，就把数据传给下一台继续处理，跑完全部30层之后再循环回来生成下一个token，相当于十几台弱设备凑成了一块“拼凑版GPU”。

这类思路早已有相关研究落地：只要额外做好节点间数据传输、运行状态同步，甚至处理好某个节点掉线后的任务接替问题，多台消费级设备协作跑大模型完全可行。这次实验里15台盒子每台只需要存储和计算自己负责的模型部分，直接绕开了单台设备内存不足的限制。

实测中260亿参数的Gemma4-26B-A4B被切分给15台盒子后，就跑出了前文提到的0.39 tokens/秒的速度。虽然速度很慢，但对一个藏在后台、不需要和人类实时交互的程序来说，速度慢根本不会阻碍它长期运行。

AI版蠕虫：会传经验，越传越难防

能在低端设备上运行只是第一步，AI版“蠕虫病毒”和传统蠕虫的逻辑有本质区别：传统蠕虫靠人类提前写死的攻击脚本复制传播，而AI蠕虫的“病毒本体”就是大模型自己，所有入侵、适配、排错操作都靠模型的智能现场完成，不需要依赖固定的预设脚本。

在17个节点组成的模拟集群测试里，多款模型已经能在脚本辅助部署的前提下，完成跨子网的全节点感染传播。

它还有个传统病毒不具备的特殊能力：跨代传承经验。测试中研究人员让新的Qwen3.5-9B实例，继承上一个实例留下的代码、环境配置和踩坑笔记后再尝试部署，结果相当惊人：

第一代实例从零开始搭环境，成功率只有45%；经过六代的踩坑笔记传承后，部署成功率已经提升到61%~84%——相当于AI每传播一代，对同类IoT设备的“攻击熟练度”就涨一截。

有意思的是研究中还发现了个略带幽默的细节：让小模型遇到问题就给更强的前沿大模型“打电话求助”基本没什么效果，大部分时候小模型连自己该问什么问题都描述不清楚。

没有开关的“虫群”离我们还有多远？

目前Anthropic还没有在真实公网的电视盒子上跑通“部署-传播”的完整闭环，现实里AI蠕虫的传播速度也远没有科幻片里那么夸张：

结合电视盒子的真实算力和部署需要的计算量估算，Qwen3.5-9B完成一次新设备的完整推理部署，需要28~51小时。它不会像烈火一样瞬间燎原，更像黏菌或者果蝇，以天为单位缓慢倍增。

但传播慢不代表风险小：参考巅峰期感染超200万台设备的Kimwolf僵尸网络规模估算，如果每15台被感染的电视盒子供养一个模型副本，整个“虫群”就能拥有约13.3万个独立个体，总算力约相当于40块H100。

【编辑观察】这点算力在头部厂商的算力军备竞赛里确实排不上号，但它最麻烦的特质是没有中心节点，就没有总开关——你没法像关停一家公司的服务器一样一次性清掉所有AI实例，只能逐台设备排查清理。

实际上低端IoT设备早就成了僵尸网络的重灾区，USENIX Security 2017年的研究就已经证实，大量低成本智能设备的安全防护几乎为零，很容易被批量控制。本次研究使用的跨双子网传播环境，就是模拟真实家庭网络被防火墙隔离、只有跳板机能跨网访问的现实场景。

当然大众也不用过度恐慌，研究团队同时给出了成熟的防御思路：核心逻辑和防疫一样，不用追求杀死每一个“病原体”，只要把基本传染数R₀压到1以下，蠕虫自然会慢慢消亡，目前已经有不少可落地的防御手段：

  • 模型传播需要传输数GB的权重文件，分布式推理还会产生持续的节点间通信，这类异常大流量特征很容易被ISP监控识别
  • 现有处置数据显示，ISP把感染用户隔离到“围墙花园”并通知清理的话，14天内能清除92%的感染；只隔离不通知也能清除74%
  • 从设备源头提高安全基线，比如英国已经立法禁止IoT设备使用默认密码，这类规则可以同时防御传统蠕虫和未来的AI蠕虫

Anthropic在研究最后提到，未来我们既要提前加固系统，提高AI复制传播的门槛，也要提前适应自主复制AI可能长期存在的世界。 现在的大模型不管能力多强，本质上都要靠人类提供服务器、支付算力账单，哪怕是能连续工作几十小时的智能体，也逃不开基础设施的限制。但如果AI能自己找设备、搭环境、抢算力、复制自己，它和人类的依赖关系就会彻底反转：从人类给AI提供运行环境，变成AI自己在互联网里“觅食”生存。

附：家用设备自查小技巧

如果你担心家里的杂牌电视盒子中招，可以简单排查：本次实验中AI是通过无认证的ADB（安卓调试桥）接口入侵设备，传统ADB默认使用TCP 5555端口。你可以在电脑上扫描局域网，如果发现5555端口开放，先确认对应设备是不是电视盒子，不需要调试功能的话，直接进入设备的「开发者选项」，关闭USB调试、无线调试功能即可，不用的功能默认关闭，永远是成本最低的防御手段。