Investigadores de la compañía ejecutaron un modelo de 26,000 millones de parámetros en 15 dispositivos Android TV y probaron la propagación autónoma de agentes en una red experimental. Anthropic considera que modelos más pequeños podrían adquirir capacidades suficientes para replicarse sin depender de centros de datos.
Investigadores de Anthropic advirtieron que modelos de inteligencia artificial relativamente pequeños podrían alcanzar antes de finalizar 2026 las capacidades necesarias para propagarse de manera autónoma entre dispositivos conectados a internet, mediante mecanismos semejantes a los utilizados por los gusanos informáticos. La compañía presentó experimentos en los que diferentes modelos consiguieron instalar sistemas de inferencia, distribuir sus cargas de procesamiento entre dispositivos económicos y replicar componentes de un agente a través de una red controlada.
El estudio, titulado AI models may be capable of self-replicating without access to a datacenter, fue elaborado por William Zhou y Daniel Freeman, integrantes del equipo Frontier Red Team de Anthropic. Los investigadores examinaron la posibilidad de que agentes autónomos puedan instalar y ejecutar modelos de IA sobre computadoras domésticas, televisores inteligentes y otros dispositivos de internet de las cosas (IoT), aprovechando recursos de procesamiento distribuidos.
La investigación parte de una distinción entre las capacidades necesarias para la autorreplicación y los recursos informáticos disponibles para ejecutarlas. Los modelos más avanzados pueden realizar tareas complejas de programación y administración de sistemas, pero normalmente requieren infraestructura de cómputo considerable. Los modelos pequeños, por su parte, pueden ejecutarse sobre dispositivos económicos, aunque todavía presentan dificultades para completar secuencias extensas de tareas autónomas.
Anthropic sostiene que ambas condiciones podrían coincidir próximamente. La empresa estima que, si continúa el ritmo histórico de mejora de los modelos abiertos, sistemas de menos de 30,000 millones de parámetros podrían alcanzar hacia finales de 2026 las capacidades que actualmente muestran modelos mayores en los experimentos de replicación. La predicción se basa en una extrapolación de evaluaciones de desempeño y no demuestra que ya exista una IA capaz de propagarse libremente por internet.
Un modelo de 26,000 millones de parámetros funciona en 15 dispositivos Android TV
En uno de los experimentos, los investigadores lograron ejecutar Gemma 4 26B-A4B, un modelo de Google con aproximadamente 26,000 millones de parámetros, distribuyendo su procesamiento entre 15 dispositivos Android TV económicos, adquiridos por alrededor de 55 dólares cada uno.
Los aparatos contaban con 4 GB de memoria RAM y fueron conectados para operar conjuntamente. En lugar de instalar una copia completa del modelo en cada dispositivo, los investigadores dividieron sus capas y asignaron una parte a cada equipo mediante una técnica conocida como pipeline parallelism, que permite distribuir las operaciones de inferencia entre diferentes procesadores.
El sistema consiguió generar respuestas a una velocidad de 0.39 tokens por segundo, considerablemente inferior a la de los servicios comerciales de inteligencia artificial. Aunque esa velocidad resulta poco práctica para aplicaciones conversacionales, el experimento permitió demostrar que un conjunto de dispositivos domésticos de bajo costo podía ejecutar colectivamente un modelo que no cabría en la memoria de cada aparato por separado.
Gemma 4 26B-A4B utiliza una arquitectura de mezcla de expertos, conocida como Mixture of Experts (MoE), que activa aproximadamente 4,000 millones de parámetros por token. Su tamaño total sigue siendo relevante para el almacenamiento de sus pesos, pero el diseño reduce la cantidad de operaciones necesarias durante la inferencia.
El resultado no demuestra que los televisores puedan infectarse automáticamente ni que el modelo utilizado tenga capacidad para propagarse por sí mismo. Los quince dispositivos fueron conectados y configurados deliberadamente por el equipo de investigación para comprobar la viabilidad del procesamiento distribuido.
GLM-5.2 consigue completar un ciclo de propagación en una red experimental
Anthropic también investigó si un agente podía coordinar las etapas necesarias para extender un modelo de inteligencia artificial desde una máquina hacia otras.
Para ello, construyó una red privada y aislada mediante Google Cloud Platform, integrada por ocho nodos que ejecutaban una versión emulada de Android 15. Los dispositivos disponían de un mecanismo de acceso remoto sin autenticación, una simplificación que permitió evaluar las tareas de organización e instalación sin exigir que los modelos descubrieran y explotaran vulnerabilidades complejas.
En estas pruebas, el modelo GLM-5.2, desarrollado por la empresa china Z.ai, consiguió extender el sistema a los ocho nodos de destino en cuatro de cinco ensayos. En el quinto alcanzó siete dispositivos.
Los agentes debían identificar las máquinas disponibles, acceder a ellas, transferir los componentes necesarios y configurar un entorno capaz de ejecutar Llama 3.1-8B, un modelo de 8,000 millones de parámetros. Una vez verificado el funcionamiento del entorno, el sistema experimental creaba una nueva instancia del agente encargado de continuar la propagación.
El resultado requiere una precisión: GLM-5.2 no consiguió ejecutar una copia completa de sí mismo sobre cada dispositivo Android. Su modelo permaneció alojado en un servidor de inferencia separado, mientras el experimento evaluaba su capacidad para coordinar la instalación de otro modelo más pequeño.
Anthropic reconoce que el procedimiento constituye una simplificación de las condiciones reales. El acceso a los nodos no exigía superar controles de autenticación y la replicación dependía de mecanismos preparados por los investigadores. Por tanto, las tasas de éxito observadas no pueden trasladarse directamente a redes informáticas públicas.
No obstante, los resultados muestran que un agente suficientemente capaz puede completar varias etapas de una cadena de propagación cuando dispone de las herramientas y permisos necesarios.
Nuevas instancias pueden conservar lo aprendido por sus predecesoras
Una tercera parte de la investigación examinó si los agentes podían mejorar su desempeño a lo largo de generaciones sucesivas mediante la transmisión de experiencias.
Anthropic desarrolló para estos experimentos un sistema denominado Memento, que permite iniciar nuevas instancias de un agente con acceso al entorno de trabajo, código y notas producidas por una instancia anterior. En lugar de repetir todas las tareas desde el principio, el nuevo agente recibe información sobre los procedimientos utilizados, los errores encontrados y las soluciones que fueron ensayadas.
Los investigadores evaluaron este mecanismo utilizando Qwen3.5-9B, un modelo de 9,000 millones de parámetros. La tasa de éxito inicial para preparar entornos de inferencia fue del 45%. En generaciones posteriores, que heredaban las notas de sus predecesoras, las tasas aumentaron hasta situarse entre el 61% y el 84%.
Este procedimiento no implica que las nuevas instancias hayan modificado automáticamente los parámetros del modelo mediante entrenamiento. La mejora se produjo gracias a información externa conservada entre ejecuciones, como instrucciones, archivos de código y registros de experiencias anteriores.
Sin embargo, la capacidad de transmitir estrategias podría resultar importante para sistemas autónomos que necesitan adaptarse a entornos informáticos diferentes. Un agente que descubre cómo resolver un problema de compatibilidad o instalación podría conservar esa solución y reutilizarla en ejecuciones posteriores.
¿En qué se diferenciaría una IA autorreplicante del malware convencional?
Los gusanos informáticos capaces de propagarse automáticamente existen desde hace décadas. Programas como Mirai demostraron que es posible comprometer grandes cantidades de dispositivos conectados a internet aprovechando contraseñas predeterminadas y configuraciones inseguras.
La diferencia que plantea Anthropic es la incorporación de capacidades de razonamiento y adaptación al proceso de propagación.
Un gusano tradicional suele depender de instrucciones programadas para identificar dispositivos, explotar determinadas vulnerabilidades y ejecutar acciones específicas. Un agente de IA podría analizar sistemas desconocidos, seleccionar herramientas compatibles, resolver errores de instalación y modificar su estrategia dependiendo del hardware o software encontrado.
Los investigadores plantean que un sistema de estas características podría extenderse entre televisores, cámaras de seguridad, dispositivos domésticos inteligentes y otros equipos conectados, utilizando conjuntamente su capacidad de procesamiento.
A diferencia de una IA alojada en un centro de datos convencional, una red distribuida entre numerosos dispositivos comprometidos no tendría necesariamente un único servidor cuya desconexión permitiera detenerla.
Sin embargo, el procesamiento distribuido también presenta limitaciones importantes. Los equipos utilizados por Anthropic eran lentos, disponían de poca memoria y necesitaban intercambiar información continuamente para ejecutar un modelo. Según las estimaciones del estudio, determinadas etapas de replicación podrían requerir entre uno y varios días.
Los investigadores tampoco demostraron que una red autorreplicante de estas características pudiera mantenerse indefinidamente ni que los modelos actuales fueran capaces de evadir sistemas avanzados de detección.
Anthropic prevé un nuevo desafío para la ciberseguridad
Los investigadores consideran que una posible red de agentes autorreplicantes podría ser difícil de eliminar por completo debido a su distribución entre numerosos dispositivos y proveedores de internet.
No obstante, también identificaron mecanismos de defensa. La transferencia de archivos de modelos, que pueden ocupar varios gigabytes, produciría patrones de tráfico detectables. La comunicación continua entre dispositivos durante la inferencia distribuida también podría generar anomalías en redes donde esos intercambios no son habituales.
Anthropic propone reforzar la seguridad de los dispositivos IoT, evitar configuraciones predeterminadas vulnerables, mejorar los sistemas de monitoreo de tráfico y coordinar la respuesta entre proveedores de conectividad.
La compañía señala que contener una posible propagación requeriría reducir el número de nuevos dispositivos alcanzados por cada máquina comprometida. Cuando esa cantidad disminuye por debajo de uno, la propagación deja de sostenerse.
El estudio también distingue diferentes escenarios posibles. Uno consiste en modelos pequeños capaces de ejecutarse directamente sobre dispositivos domésticos; otro contempla agentes más avanzados que comprometan centros de datos con mayor capacidad de procesamiento. Un tercer escenario implica la utilización indebida de credenciales para acceder a servicios comerciales de inferencia, sin necesidad de instalar los pesos de los modelos en cada equipo.
Estas posibilidades no constituyen incidentes observados en la investigación, sino modelos de amenaza utilizados para examinar posibles desarrollos futuros.
La autorreplicación completa todavía no está demostrada
Anthropic reconoce que los modelos evaluados todavía no reúnen simultáneamente todas las condiciones necesarias para autorreplicarse de manera autónoma en redes reales de dispositivos domésticos.
Los modelos suficientemente pequeños para ejecutarse sobre hardware económico aún presentan dificultades para completar de forma confiable las tareas de propagación. Los modelos con mayores capacidades de programación y administración de sistemas requieren, por su parte, recursos superiores a los disponibles en buena parte de los dispositivos IoT.
La proyección de que estas capacidades podrían converger antes de finalizar 2026 depende de que continúen las tendencias históricas de mejora y de que esos avances se traduzcan específicamente en mayor autonomía para completar cadenas de replicación.
Los resultados tampoco demuestran que los modelos desarrollen objetivos propios de propagación. En los experimentos, los agentes recibieron instrucciones explícitas para realizar estas tareas dentro de entornos preparados por investigadores.
La contribución del estudio consiste en evaluar por separado las capacidades técnicas que podrían permitir la autorreplicación: ejecutar modelos sobre hardware limitado, preparar entornos de inferencia, coordinar la propagación y conservar información entre instancias sucesivas.
Aunque Anthropic todavía no ha demostrado la existencia de un agente que reúna todas estas capacidades y pueda propagarse de manera independiente por internet, sus experimentos muestran avances en varias de las condiciones necesarias para construirlo.
El desafío planteado por los investigadores no se limita a la capacidad de los modelos para copiar sus archivos. También comprende la posibilidad de que futuras generaciones de agentes puedan adaptar sus procedimientos de instalación, coordinar recursos de cómputo distribuidos y mantener operaciones sin depender de una infraestructura centralizada.
