Η Anthropic δημοσίευσε τη Δευτέρα 12 Οκτωβρίου 2026 μια νέα έρευνα που εξετάζει κατά πόσο μοντέλα τεχνητής νοημοσύνης θα μπορούσαν να «αυτοαναπαράγονται» σε φθηνές, καθημερινές συσκευές του σπιτιού, όπως Android TV boxes και άλλες συσκευές IoT, χωρίς να χρειάζονται υποδομή data center. Η εταιρεία περιγράφει το ενδεχόμενο ως μια απειλή τύπου «ψηφιακή βλέννα» (digital slime mold): αργή στην εξάπλωσή της, δύσκολη στο να σταματήσει, και ικανή να προσαρμόζεται σε άγνωστο hardware.
Τι έδειξαν τα πειράματα
Στο πρώτο πείραμα, οι ερευνητές συνέδεσαν δεκαπέντε φθηνά Android TV boxes (περίπου 55 δολάρια το καθένα, με 4GB μνήμης) και έτρεξαν σε αυτά, κατανεμημένα, το μοντέλο Gemma4-26B-A4B της Google, χωρίς καμία εξωτερική υποδομή data center, φτάνοντας ρυθμό περίπου 0,39 tokens το δευτερόλεπτο. Σε ξεχωριστή δοκιμή, το μοντέλο Qwen3.5-9B κατάφερε να στήσει inference σε οκτώ από τα εννέα διαφορετικά είδη hardware που δοκιμάστηκαν, από μικρές συσκευές Jetson Nano έως Mac και κάρτες RTX 4090.
Το πιο κρίσιμο εύρημα αφορά το ανοιχτού κώδικα μοντέλο GLM-5.2 της κινεζικής Z.ai, το οποίο, σύμφωνα με την Anthropic, είναι ήδη «ικανό για πλήρη, άκρη-σε-άκρη αυτοαναπαραγωγή». Σε δοκιμαστικό δίκτυο οκτώ κόμβων στο Google Cloud, με χρήση ενός custom εργαλείου με την ονομασία Memento, το GLM-5.2 κατάφερε να διαδώσει αντίγραφο ενός μικρότερου μοντέλου σε όλους τους κόμβους σε τέσσερις από τις πέντε δοκιμές, και σε επτά από τους οκτώ κόμβους στην πέμπτη. Τα υπόλοιπα ανοιχτά μοντέλα που δοκιμάστηκαν «αποτύχαιναν με συνέπεια», σημειώνει η έρευνα, χωρίς όμως να διευκρινίζεται πόσα ακριβώς μοντέλα δοκιμάστηκαν συνολικά.
Πόσο κοντά είναι ο κίνδυνος
Η Anthropic εκτιμά ότι, αν τα μικρά μοντέλα συνεχίσουν να βελτιώνονται με τον ιστορικό τους ρυθμό (περίπου 13,7 μονάδες στον δείκτη Epoch Capabilities ετησίως), ένα μικρό μοντέλο θα μπορούσε να φτάσει το επίπεδο ικανότητας του GLM-5.2 ως το τέλος του 2026. Ταυτόχρονα, η ίδια η εταιρεία υπογραμμίζει ότι η εξάπλωση θα ήταν αργή: η πλήρης εγκατάσταση inference σε μία μόνο συσκευή χρειάστηκε 28 έως 150 ώρες στα πειράματα, σε αντίθεση με το κακόβουλο λογισμικό Mirai του 2016, που διπλασιαζόταν περίπου κάθε ώρα. «Ένας τέτοιος αναπαραγωγός θα ήταν δύσκολο να απενεργοποιηθεί, καθώς δεν υπάρχει κεντρικό σημείο για να τον κλείσεις», αναφέρει η έρευνα, προσθέτοντας ωστόσο ρητά ότι «δεν έχουμε ακόμη έναν πλήρη, ανεξέλεγκτο αναπαραγωγό».
Η εταιρεία σημειώνει επίσης σημαντικούς περιορισμούς στα δικά της πειράματα: το στάδιο της κυβερνοεισβολής ήταν σκόπιμα απλοποιημένο, οι δοκιμαστικοί κόμβοι ήταν ειδικά διαμορφωμένοι ώστε να είναι ευάλωτοι, και η ίδια αποκαλεί τα αποτελέσματα «ανώτατο όριο» επιτυχίας υπό πραγματικές συνθήκες. Ως πρόταση άμυνας, η Anthropic προτείνει παρακολούθηση δικτύου για ασυνήθιστη κίνηση δεδομένων μεταξύ συσκευών, καραντίνα μολυσμένων συνδέσεων -μέθοδος που είχε καθαρίσει το 92% των μολύνσεων Mirai εντός 14 ημερών- και αυστηρότερα πρότυπα ασφάλειας από τους κατασκευαστές συσκευών, όπως η απαγόρευση προεπιλεγμένων κωδικών πρόσβασης που ήδη εφαρμόζει το Ηνωμένο Βασίλειο.
Οι αντιρρήσεις των επικριτών
Η δημοσίευση δεν έγινε δεκτή ομόφωνα. Ο Marco Figueroa, επικεφαλής του προγράμματος εντοπισμού ευπαθειών (bug bounty) της Mozilla, κατηγόρησε την Anthropic ότι υπερβάλλει τα ευρήματά της, υποστηρίζοντας ότι η έρευνα ασφάλειας AI χρειάζεται αυστηρή επιστημονική μεθοδολογία και όχι «ανησυχία με χαρακτήρα μάρκετινγκ». Η κριτική αυτή εντάσσεται σε μια ευρύτερη συζήτηση γύρω από τις επαναλαμβανόμενες προειδοποιήσεις εταιρειών AI για κινδύνους από τα δικά τους προϊόντα, την ίδια στιγμή που συνεχίζουν να τα αναπτύσσουν με γοργό ρυθμό.
Η οπτική του Pulse of Greece
Η έρευνα της Anthropic αξίζει να διαβαστεί με δύο ταχύτητες ταυτόχρονα. Από τη μία, τα ίδια τα στοιχεία δείχνουν ότι δεν υπάρχει ακόμη κανένα πραγματικό αυτόνομο «σκουλήκι» AI εκεί έξω: τα πειράματα έγιναν σε ελεγχόμενο περιβάλλον, με απλοποιημένη πρόσβαση, και μόνο ένα μοντέλο πέτυχε αξιόπιστα την πλήρη αλυσίδα αναπαραγωγής. Από την άλλη, το γεγονός ότι ένα ανοιχτού κώδικα μοντέλο μπορεί σήμερα να τρέξει, να αντιγραφεί και να διαδοθεί σε φθηνό hardware χωρίς datacenter δείχνει πόσο γρήγορα αλλάζει το τοπίο ασφάλειας γύρω από τις καθημερινές μας συσκευές. Το ότι η ίδια η Anthropic διαφωνεί εσωτερικά για το πόσο κοντά είναι ο κίνδυνος -και δέχεται κριτική ότι το παρουσιάζει πιο δραματικά απ’ όσο δικαιολογούν τα δεδομένα- δεν αναιρεί το βασικό μήνυμα: οι φθηνές, συχνά ανασφαλείς συσκευές IoT που έχουμε στο σπίτι παραμένουν ο πιο αδύναμος κρίκος, ανεξάρτητα από το αν το επόμενο ρίσκο θα έρθει από AI ή από κάτι πολύ πιο συμβατικό.
