未来几个月，物联网安全领域或将面临一种更棘手的新型威胁：具备自主复制能力、可跨平台自适应运行的 ai 蠕虫。
这并非耸人听闻，而是 Anthropic 最新发布的研究报告所提出的关键预警。
研究指出，轻量级 AI 模型可能在短期内就获得在商用物联网设备上独立完成自我复制的能力。像智能烤箱、入门级安卓电视盒这类日常可见、联网却防护薄弱的终端设备，都有可能成为此类恶意软件的实际运行载体。相较于传统恶意程序，这类 AI 蠕虫的核心差异不仅在于其传播方式——能主动迁移至更多设备，更在于它有望借助 AI 的推理能力动态识别陌生硬件架构与系统环境，并在被攻陷设备上自动构建适配的模型推理运行环境。一旦该能力趋于成熟，攻击者便可调动分布于不同设备上的碎片化算力持续扩散恶意负载，从而摆脱对中心化服务器或云资源的依赖。
已有实验初步验证了部分关键能力：一个参数量为 90 亿的模型，在研究人员测试的 9 类硬件平台中，成功在其中 8 类上完成了推理任务；另一组受控实验也证实，更强性能的模型已能实现从目标发现、远程执行到环境搭建的端到端复制流程。
对整个物联网产业而言，这一警示提出了一个亟待正视的问题：当联网设备不再仅仅是被攻击的对象，而可能演变为 AI 恶意软件赖以驻留、运行与扩散的分布式计算节点时，我们沿用多年的物联网安全防御体系，是否已为此类范式转变做好准备？
AI 蠕虫相较传统物联网僵尸病毒实现了哪些关键进化？
谈及物联网恶意软件，Mirai 堪称最具标志性的僵尸网络之一。它主要针对路由器、网络摄像头及数字录像机等嵌入式设备发起攻击，利用这些设备的带宽和基础算力发动大规模分布式拒绝服务（DDoS）攻击。
Mirai 的典型传播路径十分直接，大致可分为以下几步：
① 扫描公网暴露设备：主动探测开放 Telnet 远程登录服务、且可被互联网访问的目标设备。
② 尝试弱口令爆破：大量物联网设备出厂预设通用账号密码，用户未及时修改，为攻击者留下突破口。
③ 注入并控制设备：一旦登录成功，恶意程序即刻植入，将设备纳入僵尸网络，并接受远程指令调度。
④ 发起 DDoS 攻击：海量受控设备同步向指定目标发起流量洪泛，耗尽其带宽或服务处理能力，导致业务中断。
Mirai 的真正威胁在于，它能聚合成千上万台低价值、长期在线、防护简陋的设备，形成极具破坏力的攻击集群。但其本质局限也很明显：恶意代码需预先适配特定芯片架构、操作系统版本与运行环境；一旦遭遇全新硬件型号，或系统配置与预期不符，原有载荷便极可能失效，传播链条随之中断。
Anthropic 此次研究聚焦的，正是在既有入侵能力之上，AI 是否能赋予恶意软件更强的“环境感知”与“动态适配”能力。
若 AI 模型具备足够强的推理能力，就有可能自主解析目标设备的 CPU 架构、内存布局、OS 内核版本、驱动状态乃至可用库文件，识别运行过程中出现的兼容性异常，并尝试通过动态链接、轻量化编译或运行时补丁等方式重建推理环境。这意味着，恶意软件的传播边界将不再完全受限于攻击者预置的规则集与适配清单，而是有望依托 AI 对异构环境的理解与问题求解能力，拓展至更广泛的物联网设备生态。
在廉价物联网硬件上部署 AI 推理能力
本研究最令人瞩目的实证之一，是在 15 台低成本安卓电视盒（单台仅配备 4GB RAM）上协同运行 Gemma4-26B-A4B 模型。该模型参数规模达 260 亿，每台电视盒市场售价约 55 美元。
按常规理解，一台仅含 4GB 内存的电视盒显然无法承载如此庞大的模型。但借助分布式推理策略——将模型权重切分、缓存与计算任务动态分配至多台设备——实验仍成功实现了推理功能。
结果显示，所有设备联合协作后，整体推理吞吐量达到每秒 0.39 个 Token。虽然该性能远低于数据中心级 GPU 的水准，但该实验明确证实：具有一定能力的 AI 模型，确实可在由大量廉价、资源受限设备构成的边缘网络中稳定运行。
这一点至关重要——倘若 AI 推理必须依赖昂贵的数据中心 GPU，攻击者将不得不争夺稀缺且高度受监管的算力资源；而一旦小型模型能在智能摄像头、电视盒子、联网家电等低成本终端上原生运行，攻击者理论上就能悄然调用海量分散设备，构建隐蔽、弹性、难以追踪的分布式 AI 计算基础设施。
研究人员还进一步评估了 AI 智能体能否闭环完成一次完整复制周期，涵盖目标发现、远程代码执行、推理环境部署，以及从新宿主出发继续传播等全部环节。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
研究将自主复制过程划分为四个可落地阶段：目标探测、获取执行权限、建立推理能力、从新宿主启动下一轮传播
在一项包含 8 个安卓模拟节点的受控实验中，GLM-5.2 在 5 次运行中 4 次成功抵达全部 8 个目标节点，另一次则覆盖了其中 7 个节点。
不过，该研究仍存在一项关键限制：初始入侵阶段被人为简化，研究人员通过一个无需身份认证的调试接口提供直连通道。此外，较大规模模型实际运行于独立的推理基础设施，而非直接部署于目标设备本地。因此，当前实验结果尚不能证明，真正意义上完全自主、无需人工干预即可在真实物联网环境中持续传播的 AI 蠕虫已经出现。
Anthropic 预估，若当前技术演进趋势不变，到 2026 年底，小型 AI 模型或将跨越实现上述能力的技术门槛。但需要强调的是，该预测基于 AI 整体能力的发展曲线，而非已发现具备实战能力、可自我复制并广泛传播的现网威胁。
对边缘 AI 与物联网安全厂商的启示
随着越来越多的联网终端开始集成本地 AI 处理模块，这项研究的现实意义愈发凸显。智能摄像头、视频会议终端、工业网关以及其他边缘设备，正加速搭载支持机器学习推理的专用处理器。
Anthropic 的实验并未揭示上述产品类别本身存在已知漏洞。然而，对于意图攫取分布式 AI 算力的攻击者来说，设备本地 AI 能力的增强，客观上提升了其被劫持后的潜在利用价值。
对物联网设备制造商与系统集成商而言，这意味着安全防护维度需同步升级：除防范数据泄露、远程操控与服务瘫痪等传统风险外，还需重点防范计算资源被用于未经授权的 AI 推理任务。一个可行的应对方向，是强化对设备网络行为的监控与建模，将其作为识别异常入侵行为的重要依据。毕竟，分布式 AI 推理必然伴随节点间频繁通信，模型权重的传输也可能引发显著的网络流量特征。Anthropic 明确指出，这些通信模式与数据流特征，有望成为新一代威胁检测的有效线索。与此同时，安全默认配置、网络行为审计、受感染设备快速隔离等既有安全机制，依然发挥着不可替代的基础作用。
这里也存在一个架构层面的权衡取舍：将 AI 推理任务下沉至大量低成本终端，虽可降低对中心化基础设施的依赖，但也势必增加设备间的通信开销，反而为恶意活动提供了可观测的行为痕迹。因此，对网络服务提供商及企业级物联网运营方而言，实时监测非预期的设备间通信、异常数据包传输与高频连接请求，将成为终端安全防护体系之外的重要补充手段。
对物联网安全企业而言，这一趋势或将推动安全产品从传统的漏洞扫描、签名匹配与流量包分析，转向更深层次的设备行为建模、上下文感知与自动化响应联动。当恶意程序具备动态适应陌生环境的能力时，单纯依赖已知攻击特征已显乏力；安全系统还需具备识别异常资源占用（如 CPU/GPU 持续高负载）、非授权进程启动、设备间异常通信等多维行为指标的能力，并能及时触发隔离、回滚、固件重刷等响应动作。AI 技术本身亦可用于辅助告警降噪、威胁聚类与 SOC 运营提效，但必须配套严格的权限管控与操作留痕机制，防止自动化处置引入新的安全隐患。
归根结底，Anthropic 的研究应被视作一份前瞻性的早期预警，而非现实世界中 AI 自主蠕虫已大规模爆发的确凿证据。实验表明，支撑此类能力的部分关键技术壁垒正在逐步消融，但能否在真实复杂网络环境中稳定、可靠地完成全链路自主复制，目前仍未得到充分验证。
对整个行业而言，更务实的应对策略不是渲染新威胁的恐怖图景，而是借势夯实设备生命周期管理、网络微隔离、威胁狩猎与应急响应等底层能力，为未来可能出现的攻击形态提前构筑韧性防线。
