¿Puede la IA reproducirse? Anthropic lanzó un experimento con 15 dispositivos baratos

¿Puede la inteligencia artificial reproducirse como un virus informático? Anthropic realizó un experimento para averiguar cuán lejos estamos de ese escenario. Los investigadores compraron 15 dispositivos Android TV baratos a $55 cada uno, los conectaron en red y ejecutaron una red neuronal sobre ellos. En paralelo, probaron si los agentes de IA podían desplegar modelos por sí mismos en nuevos dispositivos. Los resultados mostraron que, por separado, los componentes ya funcionan, pero todavía no es posible unirlos en un ciclo fiable.

Hardware barato como red de cómputo

Quince dispositivos con 4 GB de RAM cada uno hicieron de clúster de cómputo. Sobre ellos se ejecutó el modelo Gemma4-26B-A4B (26.000 millones de parámetros), distribuyendo sus pesos entre los dispositivos. Cada dispositivo calculaba su parte, y los resultados se transmitían en cadena. La velocidad fue de 0,39 tokens por segundo, extremadamente lenta para conversar con un chatbot, pero bastante aceptable para un agente automatizado que no necesita responder a un humano en tiempo real.

Este experimento no demostró autorreplicación: los propios investigadores armaron la red y lanzaron el modelo. En cambio, mostró algo más acotado pero importante: incluso este hardware tan modesto puede soportar modelos grandes cuando se combinan los recursos. La pregunta más urgente es quién prepararía esa infraestructura si no hubiera un investigador humano cerca.

Los agentes aprenden a preparar el entorno

Anthropic encargó a los modelos que ejecutaran por su cuenta otra red neuronal, Llama3.1-8B, en distinto hardware. Había que identificar las características de la máquina, instalar dependencias compatibles y resolver los errores que iban surgiendo. El modelo Qwen3.5-9B (9.000 millones de parámetros) lo logró en ocho de los nueve tipos de hardware probados.

Pero los agentes a menudo se quedan atascados en explicaciones equivocadas. Una instancia de Qwen pasó horas reinstalando paquetes, convencida erróneamente de que ahí estaba la causa del error. En realidad, el problema era una incompatibilidad de interfaces entre componentes, algo que ninguna reinstalación podía resolver.

Para lidiar con estas situaciones, los investigadores desarrollaron el sistema Memento. Este lanza periódicamente una nueva sesión del agente, pasándole los archivos de trabajo y notas breves sobre los intentos anteriores. La siguiente instancia tiene así la oportunidad de reevaluar la tarea desde cero, en lugar de insistir en un enfoque fallido.

Propagación en una red de laboratorio

Anthropic probó después si los modelos podían organizar una propagación secuencial. Para ello crearon una red aislada de ocho máquinas virtuales con emuladores de Android. El agente debía encontrar nuevos nodos y desplegar Llama3.1-8B en ellos.

Entre los modelos abiertos, GLM-5.2 completó el ciclo entero. En cuatro de cinco ejecuciones alcanzó los ocho nodos, y en la restante llegó a siete. Sin embargo, el resultado tiene salvedades importantes: la autenticación estaba desactivada, GLM-5.2 corría en un servidor aparte, y un sistema experimental ayudaba a lanzar al agente en cada nodo nuevo. Cuando la instalación se sustituyó por un script ya preparado, hasta los modelos compactos —incluidos los que caben en hardware modesto— pudieron usar ese script. Esto señala el verdadero obstáculo: no la red neuronal en sí, sino la preparación del entorno de trabajo.

La brecha entre potencia y compacidad

Los experimentos revelaron dos requisitos incompatibles. Un modelo debe ser lo bastante pequeño para funcionar en el hardware disponible y, a la vez, lo bastante capaz para preparar el entorno por su cuenta. En los experimentos de Anthropic, el modelo potente (GLM-5.2) dependía de la ayuda de un servidor, mientras que los modelos compactos no eran fiables.

Los autores del estudio prevén que, para finales de 2026, los modelos pequeños podrían acercarse al nivel de GLM-5.2 en el índice general de capacidades. Sin embargo, se trata de una referencia aproximada: la capacidad de autorreplicación podría evolucionar de forma distinta al rendimiento general.

Incluso si llegaran a aparecer estos sistemas, probablemente serían lentos: preparar una sola copia podría tardar días. La dificultad para quienes se dedican a la defensa no estaría en la velocidad del ataque, sino en la multitud de dispositivos dispersos que no se pueden detener apagando un solo servidor. El envío de archivos de modelos y el intercambio de datos entre nodos dejarían un rastro de red notable, pero eso ya es cuestión de detección y monitorización.