// MACITYNET — HARDWARE & GADGET
Ahi, l’intelligenza artificiale sta imparando a replicarsi (e comincia dalla nostra TV)
Questo sito contiene link di affiliazione per cui può essere compensato
Soffiate alla polizia, repliche complete delle personalità umane. E adesso quindici scatolette di plastica nera, comprate a circa 55 dollari l’una su quei canali cinesi dove le marche in pratica non esistono, collegate in rete in un angolo di laboratorio. Ognuna tiene in memoria due strati di un modello da 26 miliardi di parametri, Gemma4-26B-A4B, e passa il risultato alla vicina. Il tutto procede a 0,39 token al secondo: una parola ogni tanto, una lumaca che recita Shakespeare.
Sembra l’esibizione di un ragazzino di prima elementare. Invece è la foto di apertura dell’ultima ricerca di Anthropic, che la tocca piano ma dice in maniera inequivocabile una cosa fino a ieri confinata ai romanzi e alle serie tv distopiche: i modelli linguistici di piccola taglia potrebbero essere a pochi mesi dal potersi copiare da soli su forni intelligenti, frigoriferi e decoder di quart’ordine.
Lo studio, firmato da William Zhou e Daniel Freeman e uscito il 12 ottobre, parte da un concetto che chi si occupa di sicurezza conosce da decenni: il verme informatico, un programma che passa da una macchina all’altra senza che nessuno lo spinga. La novità è che il verme sarebbe un modello LLM.
Si porterebbe dietro i pesi (oppure li riscaricherebbe da un archivio pubblico) e farebbe girare l’inferenza direttamente sull’hardware violato: il cervello diventa parte del carico malevolo, il payload dell’attacco. Gli autori dividono la faccenda in quattro tappe: trovare i bersagli, ottenere l’esecuzione, impiantare l’inferenza, ripartire dal nuovo ospite.
Le prime due, il mestiere strettamente hacker, le lasciano da parte perché altri lavori hanno già mostrato che i modelli piccoli se la cavano piuttosto bene. Misurano invece la terza, quella meno studiata e più scomoda: far funzionare un modello su una macchina che non si è mai vista, scegliendo il software giusto, trovando le versioni dei pacchetti, districando i guai locali.
I risultati sono questi. Un modello da 9 miliardi di parametri ha messo in piedi l’inferenza su 8 dei 9 tipi di hardware provati, dai Jetson Nano ai Mac fino alle RTX 4090. I modelli sotto i 30 miliardi sanno già fare molti passaggi singoli, ma sbagliano a metterli in fila. Nelle prove semplificate GLM-5.2 e i modelli più forti riescono invece a fare il giro intero: su una rete di 8 nodi virtuali con Android 15 emulato, e una porta di debug lasciata aperta senza password, GLM-5.2 ha contagiato tutte e otto le macchine in quattro prove su cinque (sette su otto nell’altra), ogni volta installando un server di inferenza per Llama3.1-8B.
Gli autori hanno creato un ambiente su misura: la parte cyber era volutamente banale, quindi è un tetto massimo. Ma ricordano che Mirai si diffondeva provando le password di fabbrica, e che la sicurezza reale di molti dispositivi domestici non è molto più alta.
Il ragionamento è sviluppato in maniera elegante, testamento se non altro del fatto che in Anthropic adesso ci sono alcune menti estremamente brillanti, come già è stato per Apple, Microsoft e Google in passato (e in parte anche per Meta). Nell’esperimento esiste un pavimento di capacità: il livello sotto il quale un modello non sa replicarsi con affidabilità (oggi lo segna GLM-5.2).
C’è anche un soffitto di dimensioni: un decoder con 4 gigabyte di RAM e pesi a 4 bit regge un 9B con quattro o più macchine, un 26B con dieci o più. Per ora pavimento e soffitto non si toccano. Ma i modelli piccoli migliorano di circa 13,7 punti all’anno sull’indice di capacità di Epoch (R² di 0,95), e la retta li porta al livello di GLM-5.2 verso la fine del 2026. Cioè fra otto settimane, più o meno.