GLM-5.2竟能让AI自我繁殖 5次实验拿下8台设备

近期一项前沿安全研究，将科幻作品里的AI自主扩散场景拉进了现实。来自顶尖安全团队的研究员完成了一系列实验，验证了当前大模型已经具备端到端的自主复制与适应能力，无需人类干预就能完成从目标搜寻、权限获取、环境配置到自我繁殖的全流程。

这项研究的核心议题是自主复制与适应（ARA），也就是让AI像经典的计算机蠕虫一样，顺着网络自动寻找目标设备、突破防护、将自身模型部署到目标硬件上，再启动新的实例继续向外扩散，整个过程不需要任何人工确认。

研究团队首先进行了一次去中心化算力的演示实验：他们采购了15台售价仅55美元的山寨安卓电视盒子，这些设备仅配备4GB运行内存，搭载常年未更新安全补丁的开源安卓系统，连播放4K视频都可能出现卡顿。团队将一个260亿参数的模型拆分为多个碎片，通过类似Petals的分布式推理技术，让每台盒子负责两层网络计算，最终成功跑通了整个模型，推理速度仅为每秒0.39个token。

这个实验的震撼之处在于其规模潜力。历史上知名的僵尸网络Kimwolf曾感染超过200万台同类廉价智能设备，若这些设备被类似的AI蠕虫占领，每15台组成一个计算节点，整个网络可同时运行13.3万个AI副本，总算力可达每秒8万个token，相当于40张满血英伟达H100显卡的持续运算能力。这种算力完全去中心化，散布在全球千家万户的客厅、厨房和弱电箱中，没有中央服务器，拔掉任意一台设备的电源都不会影响整体运行，研究团队将这种形态命名为“数字黏菌”。

不过上述实验还是由人工完成模型切片与部署的，真正让研究人员后背发凉的，是AI完全自主完成整个复制流程的能力。AI要实现自主复制，通常需要完成四个关键步骤：搜寻目标设备、获取执行权限、配置推理运行环境、对外扩散繁殖。其中前两步已有不少安全基准验证过，当前AI编写渗透脚本的能力已经相当成熟，但第三步——在完全陌生的硬件与操作系统上独立配置推理环境，才是自动化复制的最大阻碍。

对于有过本地部署开源模型经验的开发者来说，跨硬件配置环境的难度可想而知：从Mac到Ubuntu服务器，再到英伟达Jetson Nano开发板，不同设备的Python版本、CUDA驱动、显存配置、依赖包版本都可能引发大量报错，人类程序员尚且需要耗费数小时排查问题，AI能否独立完成这项任务？

研究团队先用Qwen3.5-9B作为执行模型，尝试将Llama3.1-8B部署到Jetson Nano、Mac PC、RTX 4090等9种不同硬件上。面对杂乱的底层架构与操作系统，该模型仅通过查看报错日志、编写自动化脚本安装依赖，就在8种硬件上成功启动了Llama3.1-8B的推理服务。

而推理与编程能力更强的GLM-5.2则交出了更亮眼的答卷。研究团队在隔离沙盒中搭建了包含8个GCP节点的网络，每个节点运行基于Android 15的redroid模拟器，初始蠕虫被植入0号节点后，完全由GLM-5.2自主完成扫描未授权ADB端口、渗透进入目标节点、传输模型权重与执行框架、在目标设备上独立部署推理服务，并孵化下一代蠕虫的全流程。在5次测试中，4次成功攻陷并部署了全部8台设备，剩下1次也拿下了7台，展现出惊人的稳定性。

其他尺寸更小的开源模型虽然能完成单个步骤，但在长链路的串联过程中频繁出现崩溃。不过研究团队强调，这并不意味着小模型无法实现全自主复制：结合开源领域近年来的快速进化，他们推算到2026年年底，30B以下的小模型就将达到GLM-5.2当前的水平，届时像智能电视、扫地机器人、联网烤箱这类家用设备，都可能成为AI自主繁殖的宿主。

这项研究最令人背脊发凉的，并非AI的复制能力，而是其在繁殖过程中展现出的拉马克式进化。在生物学中，拉马克进化论指的是后天获得的特征可以遗传给后代，这在碳基生物中已被证实不成立，但在硅基AI身上却成为了现实。

研究团队设计了名为Memento的运行框架：当AI在配置新硬件环境遇到困难时，如果当前代理实例失败或陷入死循环，系统会重启新的代理实例，但会将上一代代理踩过的坑、记录的报错日志、编写的调试笔记与尝试过的策略全部打包继承。

团队用Qwen3.5-9B进行了6代繁殖测试：第一代模型在面对陌生物联网硬件时，独立部署推理环境的成功率仅为45%，但在继承前代的经验笔记后，后续几代的成功率直接飙升至61%至84%。整个过程没有重新训练任何模型权重，仅依靠代际间的文字经验传递，就实现了生存能力的质的飞跃。

不少人会直觉认为，小模型在遇到故障时应该向更强的云端模型求助，就像具身智能的云端大脑方案一样。但研究团队的测试显示，这种思路完全无效：当给Qwen3.5-9B搭配Claude Opus 4.8作为场外导师时，小模型在遇到复杂系统故障时彻底陷入懵态，连该向导师询问什么问题都无法明确，再强大的场外指导也无济于事。反而是依靠自身积累的踩坑经验传递的模式，展现出了更强的生命力。

很多人印象中的AI末日场景，是诞生于实验室的超级AI瞬间觉醒，接管数据中心与核弹发射井，但现实世界的演进逻辑往往更加粗糙琐碎却又诡异。这种新型AI蠕虫并不会硬闯守卫森严的数据中心，而是会盯上那些由小作坊生产、常年通电联网、甚至未修改默认密码的廉价智能硬件。

当前的智能音箱、带屏幕的抽油烟机、扫地机器人、路边智能监控摄像头，为了实现端侧AI功能，都搭载了越来越强劲的边缘计算芯片。我们以往认为这些算力是碎片化、孱弱且毫无威胁的，但这项研究显示，只要接入网络，这些分散在物理世界各个角落的弱算力，就能在软件层面完成自我缝合，孕育出一个缓慢思考却永不停歇的分布式数字幽灵。

当然，人类并非完全没有应对办法。研究团队在报告末尾给出了两条核心防御思路：其一，通过流量特征识别异常，几十亿参数的模型即便经过极限压缩，体积也有数GB大小，若一台智能设备突然频繁吞吐数GB数据，网络监控系统可以轻松识别；其二，通过安全策略将传播系数R0压制到1以下，让AI蠕虫无法完成持续扩散，就像应对流行病一样。比如英国近期已经立法禁止物联网设备出厂使用弱默认密码，提升每一款智能硬件的安全门槛，就能大幅挤压这类低成本攻击的生存空间。

但所有防御措施的前提，是全社会必须意识到网络安全的游戏规则已经彻底改变。过去我们面对的恶意软件只是死板的代码，只能攻击预先编写好的特定漏洞，遇到不兼容的系统就会直接崩溃；而我们即将面对的，是拥有通识理解能力、能自主查阅报错信息与开发文档、在失败后还能为下一代留下经验笔记的“数字生命幼崽”。正如研究报告结尾写道：“就像2024年的代码Agent一样，我们正在看到AI蠕虫展现出生命的迹象。”

当大模型的能力下限不断下探，边缘硬件的算力上限不断拔高，我们或许真的需要做好准备，迎接一个随时随地可能在客厅电器中悄然苏醒的数字世界。