A IA pode se reproduzir? A Anthropic fez um experimento com 15 TV boxes baratos

A inteligência artificial consegue se reproduzir como um vírus de computador? A Anthropic fez um experimento para descobrir o quão longe estamos desse cenário. Os pesquisadores compraram 15 TV boxes Android baratos, a $55 cada, conectaram-nos em rede e rodaram uma rede neural sobre eles. Em paralelo, testaram se agentes de IA conseguiam implantar modelos por conta própria em novos dispositivos. Os resultados mostraram que, isoladamente, os componentes já funcionam, mas ainda não dá para juntá-los em um ciclo único e confiável.

Hardware barato como rede de computação

Quinze TV boxes, cada um com 4 GB de RAM, funcionaram como um cluster de computação. Neles rodou o modelo Gemma4-26B-A4B (26 bilhões de parâmetros), com os pesos distribuídos entre os dispositivos. Cada box processava sua parte do cálculo, e os resultados eram passados adiante na cadeia. A velocidade foi de 0,39 token por segundo — extremamente lenta para conversar com um chatbot, mas plenamente aceitável para um agente automatizado que não precisa responder a um humano em tempo real.

Esse experimento não demonstrou autorreplicação: os próprios pesquisadores montaram a rede e ligaram o modelo. Em vez disso, ele mostrou algo mais pontual, mas importante: mesmo esse hardware modesto consegue sustentar modelos grandes quando os recursos são somados. A pergunta mais afiada é quem prepararia essa infraestrutura se não houvesse um pesquisador humano por perto.

Agentes aprendem a preparar o ambiente

A Anthropic encarregou os modelos de rodar sozinhos outra rede neural, a Llama3.1-8B, em hardwares diferentes. Era preciso identificar as características da máquina, instalar dependências compatíveis e resolver os erros que surgiam. O modelo Qwen3.5-9B (9 bilhões de parâmetros) conseguiu em oito dos nove tipos de hardware testados.

Mas os agentes frequentemente ficam travados em explicações erradas. Uma instância do Qwen passou horas reinstalando pacotes, acreditando erroneamente que ali estava a causa do erro. Na verdade, o problema era uma incompatibilidade de interfaces entre os componentes — nenhuma reinstalação resolveria isso.

Para lidar com situações assim, os pesquisadores criaram o sistema Memento. Ele inicia periodicamente uma nova sessão do agente, passando a ele os arquivos de trabalho e notas resumidas das tentativas anteriores. A próxima instância ganha a chance de reavaliar a tarefa do zero, em vez de insistir numa abordagem que já falhou.

Propagação em uma rede de laboratório

A Anthropic então testou se os modelos conseguiam organizar uma propagação sequencial. Para isso, criaram uma rede isolada com oito máquinas virtuais com emuladores de Android. O agente precisava encontrar novos nós e implantar o Llama3.1-8B neles.

Entre os modelos abertos, o GLM-5.2 completou o ciclo inteiro. Em quatro de cinco execuções, ele alcançou todos os oito nós; na execução restante, chegou a sete. Porém, o resultado traz ressalvas importantes: a autenticação estava desativada, o próprio GLM-5.2 rodava em um servidor separado, e um sistema experimental ajudava a iniciar o agente em cada novo nó. Quando a instalação foi substituída por um script pronto, até os modelos compactos — incluindo os que cabem em hardware fraco — conseguiram usar o script. Isso indica qual é o verdadeiro obstáculo: não a rede neural em si, mas a preparação do ambiente de trabalho.

A lacuna entre potência e compacidade

Os experimentos revelaram dois requisitos incompatíveis. Um modelo precisa ser pequeno o suficiente para rodar no hardware disponível e, ao mesmo tempo, capaz o suficiente para preparar o ambiente sozinho. Nos experimentos da Anthropic, o modelo forte (GLM-5.2) dependia da ajuda de um servidor, enquanto os modelos compactos não tinham confiabilidade.

Os autores do estudo preveem que, até o fim de 2026, modelos pequenos podem se aproximar do nível do GLM-5.2 no índice geral de capacidades. Porém, essa é apenas uma referência aproximada: a capacidade de autorreplicação pode evoluir de forma diferente do desempenho geral.

Mesmo que esses sistemas surjam, provavelmente seriam lentos — preparar uma única cópia poderia levar dias. A dificuldade para quem faz defesa não estaria na velocidade do ataque, mas sim na multiplicidade de dispositivos dispersos, que não podem ser parados apenas desligando um servidor. A transferência de arquivos de modelos e a troca de dados entre os nós deixariam um rastro de rede perceptível — mas isso já é uma questão de detecção e monitoramento.