一台不起眼的电视盒，平时用来播放电影、看网络节目。如果有它还可能成为AI运行的地方，甚至被用来帮助某个程序继续向其他设备扩散，那会怎么样？
开发Claude的美国人工智能公司Anthropic最近发布的一项研究，在报告结尾使用了一个很容易引发联想的表述，AI蠕虫正在显露早期“生命迹象”。
那么，一个能够执行任务的AI程序，是否有可能离开最初的运行环境，在其他机器上建立新的运行位置，并继续扩散？
计算机蠕虫的特殊之处，在于它可以从一台机器向另一台机器传播，减少对人工操作的依赖。AI参与其中以后，研究者关心的是，它能否根据遇到的环境调整行动。
2026年6月公布的一篇相关预印本研究，就展示了利用AI智能体适应不同目标的计算机蠕虫。研究覆盖Linux、Windows和物联网设备，强调系统能够根据目标生成不同策略。
这里需要分清三个问题。程序能不能复制，属于软件行为。程序能不能根据环境改变办法，属于任务能力。程序有没有感受、意识和生命，属于另一组科学与哲学问题。前两项即使成立，也不能直接证明第三项。
我们真正需要警惕的是执行能力带来的后果，一个程序不必知道什么叫恐惧，也可能执行维持运行的任务。
这次研究中，研究者把模型运行位置从昂贵服务器搬到了廉价设备上。
他们使用15个电视盒，每个约55美元、配备4GB内存，分布式运行一个260亿参数模型，演示速度约为每秒0.39个词元（token）。
速度显然不快，这样的配置，距离我们习惯的流畅聊天体验很远。但这表明，运行模型并不总要把全部计算放进一台高性能机器。
可以把分布式运行理解为多台设备共同完成计算，每台承担部分工作，设备之间交换中间结果，最终形成输出。
因此，电视盒演示的意义是证明某种运行方式可行。它不能证明随便把家里几件电器连起来，就能组成高效AI集群。
对持续运行的程序而言，速度慢和没有能力，仍是两回事。人和AI聊天，希望几秒钟得到回答。一个后台任务如果允许等待，它对响应速度的要求就可能不同。只要任务能够继续推进，耗时较长未必会让它失去意义。
Anthropic报告中，一个90亿参数模型在9类硬件中的8类上完成了推理服务部署。完整链路测试则使用了简化环境，GLM-5.2在5次试验中的4次覆盖全部8个节点。
人类安装软件时，也会遇到版本冲突、路径错误和兼容问题。区别在于，人可以凭经验识别什么时候应该停下来，什么时候需要换一种办法。
AI如果反复坚持错误解释，就可能在同一个问题上消耗大量时间。它表现得很忙，却没有真正接近目标。所以，让副本继续工作是很难的。
因为能力与运行成本之间的关系，可能改变风险出现的位置。一个功能很强、却只能依赖大型计算设施运行的系统，与一个能力稍弱、但能在普通终端上运行的系统，控制方式并不相同。前者的活动更依赖特定基础设施，后者的部署位置可能更加分散。
已有AI蠕虫研究指出，使用被控制机器上的开放权重模型，可能绕过依赖商业AI服务实施的集中限制。这是运行架构带来的问题，不是模型规模小就具备的能力。
由此可以推断，如果具备相关能力的模型越来越容易部署，管理者需要关注的设备范围也会扩大。
Anthropic将小模型达到相关能力门槛的时间估计在2026年底附近，但明确说明这是依据历史进步趋势作出的粗略推算，并非确定发生的时间表。
这次预警并不是凭空出现的，物联网设备被大规模控制，早已有现实案例。
2017年发表在USENIX安全会议上的Mirai研究，对这一僵尸网络进行了回顾分析。研究记录的感染规模高峰约为60万台，主要涉及嵌入式和物联网设备，并造成了大规模分布式拒绝服务攻击。
这个案例告诉我们，设备单台性能有限，但多台聚集以后可能会造成影响。
普通用户购买摄像头，是为了看护家庭。购买电视盒，是为了播放内容。但设备一旦被他人控制，它的联网能力就可能服务于完全不同的目的。
而设备原本的功能，未必马上停止，这也是终端安全容易被忽视的原因。很多人判断设备是否正常，只看它能不能继续使用。电视还能播放，摄像头还能显示画面，就认为一切没有问题。
AI带来的新增问题，是自动化系统可能更善于处理不同环境。如果制造商有没有持续提供更新设备软件，默认设置是否安全？
这次研究表明，AI能力与终端安全之间的关系需要被重新审视。不需要先证明AI有意识，才能讨论它的运行风险。
热门跟贴