L'IA peut-elle se répliquer elle-même ? Anthropic a lancé une expérience sur 15 boîtiers Android bon marché

L'intelligence artificielle peut-elle se propager comme un virus informatique ? Anthropic a mené une expérience pour mesurer à quel point nous sommes éloignés d'un tel scénario. Les chercheurs ont acheté 15 boîtiers Android TV bon marché à 55 $ pièce, les ont reliés en réseau et y ont fait tourner un réseau de neurones. Parallèlement, ils ont testé si des agents IA pouvaient déployer eux-mêmes des modèles sur de nouveaux appareils. Résultat : chaque composant fonctionne isolément, mais les assembler en un cycle fiable reste hors de portée pour l'instant.

Du matériel bon marché transformé en réseau de calcul

Quinze boîtiers de 4 Go de RAM chacun ont servi de cluster de calcul. Le modèle Gemma4-26B-A4B (26 milliards de paramètres) y a tourné, ses poids répartis entre les appareils. Chaque boîtier calculait sa portion, et les résultats circulaient en chaîne. La vitesse atteinte — 0,39 token par seconde — est dérisoire pour une conversation avec un chatbot, mais tout à fait acceptable pour un agent automatisé qui n'a pas besoin de répondre à un humain en temps réel.

Cette expérience ne démontrait pas une auto-réplication : ce sont les chercheurs eux-mêmes qui ont monté le réseau et lancé le modèle. Elle a néanmoins mis en évidence un point plus restreint mais important — même du matériel aussi modeste peut soutenir de grands modèles dès que les ressources sont mutualisées. La question suivante est plus épineuse : qui préparera cette infrastructure en l'absence d'un chercheur humain ?

Des agents qui apprennent à préparer l'environnement

Anthropic a chargé des modèles de déployer eux-mêmes un autre réseau de neurones, Llama3.1-8B, sur du matériel varié. Il fallait identifier les caractéristiques de la machine, installer des dépendances compatibles et corriger les erreurs rencontrées. Le modèle Qwen3.5-9B (9 milliards de paramètres) a réussi sur huit des neuf types de matériel testés.

Mais les agents restent souvent bloqués sur de mauvaises explications. Une instance de Qwen a passé des heures à réinstaller des paquets, convaincue que le problème venait de là. En réalité, la cause était une incompatibilité d'interfaces entre les composants — aucune réinstallation ne pouvait résoudre cela.

Pour contrer ce type de blocage, les chercheurs ont conçu le système Memento. Il relance périodiquement une nouvelle session d'agent, en lui transmettant les fichiers de travail et de brèves notes sur les tentatives précédentes. L'instance suivante a ainsi la possibilité de réévaluer la tâche à neuf, plutôt que de s'enfoncer dans un échec.

Propagation sur un réseau de laboratoire

Anthropic a ensuite vérifié si les modèles pouvaient organiser une propagation séquentielle. Pour cela, les chercheurs ont créé un réseau isolé de huit machines virtuelles équipées d'émulateurs Android. L'agent devait repérer de nouveaux nœuds et y déployer Llama3.1-8B.

Parmi les modèles ouverts, GLM-5.2 a réussi le cycle complet. Sur cinq essais, elle a atteint les huit nœuds quatre fois, et sept nœuds lors du cinquième. Le résultat comporte toutefois des réserves importantes : l'authentification était désactivée, GLM-5.2 fonctionnait elle-même sur un serveur séparé, et un système expérimental aidait au lancement de l'agent sur chaque nouveau nœud. Lorsque l'installation a été remplacée par un script prêt à l'emploi, même des modèles compacts — capables de tourner sur du matériel modeste — s'en sont sortis. Cela désigne le véritable obstacle : non pas le réseau de neurones lui-même, mais la préparation de l'environnement de travail.

Un écart entre puissance et compacité

Ces expériences révèlent deux exigences incompatibles. Le modèle doit être assez petit pour tourner sur du matériel accessible, tout en étant assez capable pour préparer seul son environnement. Dans les tests d'Anthropic, le modèle le plus puissant (GLM-5.2) dépendait de l'aide d'un serveur, tandis que les modèles compacts manquaient de fiabilité.

Les auteurs de l'étude estiment que, d'ici fin 2026, des modèles de petite taille pourraient approcher le niveau de GLM-5.2 sur l'indice de capacités générales. Mais ce n'est qu'un repère approximatif : la capacité d'auto-réplication pourrait évoluer différemment de la performance générale.

Même si de tels systèmes apparaissaient, ils seraient probablement lents — la préparation d'une seule copie prendrait des jours. Pour les défenseurs, la difficulté ne viendrait pas de la vitesse de l'attaque, mais de la multiplicité d'appareils dispersés, impossibles à neutraliser en coupant un seul serveur. Le transfert des fichiers de modèles et les échanges entre nœuds laisseraient toutefois une trace réseau visible — mais cela relève déjà d'une question de détection et de surveillance.