Anthropic teste plusieurs étapes de l’autoréplication de l’IA

Le 12 octobre 2026, l’équipe Frontier Red Team d’Anthropic a publié une étude consacrée à plusieurs étapes de l’autoréplication de l’IA, testées séparément dans des environnements contrôlés. Les essais portaient sur l’inférence — le calcul qui permet à un modèle de produire des réponses — sur différents appareils, puis sur une chaîne réseau simulée. Anthropic détaille ses expériences dans son rapport.

Un « réplicateur fondé sur les poids » désigne ici un logiciel malveillant qui transporte les paramètres d’un modèle d’IA ou les télécharge, puis exécute ce modèle sur du matériel compromis. L’étude s’intéresse surtout à l’installation de l’inférence et à l’enchaînement de plusieurs étapes.

Trois essais, trois résultats différents

Les expériences ont évalué des tâches distinctes. Les boîtiers Android TV ont servi à répartir l’inférence ; un autre test a porté sur l’installation de modèles sur différents types de matériel ; un troisième a simulé une séquence de propagation entre des nœuds réseau.

Dans le test réseau, l’accès à Android Debug Bridge (ADB), l’outil de communication avec les appareils Android, ne nécessitait pas d’authentification. Les nœuds cibles hébergeaient Llama 3.1 8B, tandis que l’agent GLM-5.2 fonctionnait sur un serveur séparé. Anthropic qualifie ce résultat de borne supérieure pour une réussite en conditions réelles : l’accès informatique avait été rendu trivial dans ce scénario.

La démonstration sur boîtiers mesure une inférence répartie à faible débit ; l’essai réseau, lui, reposait sur des émulateurs et une configuration d’accès simplifiée. Ces résultats décrivent donc des capacités et des étapes différentes.

Memento : le contexte de travail transmis entre instances

Dans une expérience distincte, Anthropic a utilisé Memento pour transmettre du code, un environnement et des notes entre des instances successives de Qwen3.5-9B chargées d’installer l’inférence. Le taux de réussite est passé de 45 % à la première génération à une fourchette de 61 à 84 % lors des générations suivantes, sur 20 lignées.

Le résultat mesure la réussite d’une tâche lorsque les instances héritent du travail précédent. Il précise ce que recouvre ici l’amélioration d’une génération à l’autre : la transmission de contexte de travail, plutôt qu’une mesure de propagation autonome dans des appareils domestiques.

Une estimation pour fin 2026, sous condition

Anthropic rapporte que les modèles de 30 milliards de paramètres ou moins pouvaient accomplir de nombreuses étapes individuelles, tout en commettant encore des erreurs lorsqu’il fallait les enchaîner. Son estimation pour fin 2026 dépend de la poursuite des progrès observés dans les capacités des modèles de petite taille.

Pour établir cette projection, Anthropic utilise l’Epoch Capabilities Index (ECI), un indicateur général des capacités des modèles, comme approximation de leur aptitude à enchaîner les étapes de réplication. Le rapport présente cette estimation comme approximative : l’ECI ne mesure pas directement la réplication.

Détection et confinement : le précédent de Mirai

Anthropic évoque la surveillance des flux réseau, la mise en quarantaine par les fournisseurs d’accès à Internet (FAI), la notification des clients et le renforcement des exigences de sécurité pour les objets connectés. Les transferts importants de paramètres de modèles et une activité soutenue d’inférence entre appareils pourraient aussi produire des anomalies de trafic détectables.

Pour illustrer le rôle de la quarantaine et de la notification, Anthropic cite une étude de nettoyage du botnet Mirai. Le résultat rapporté porte sur la proportion d’infections éliminées en 14 jours :

Ces chiffres concernent Mirai. Anthropic indique que l’élimination complète d’un réplicateur réparti sur plusieurs réseaux nécessiterait une coordination entre tous les FAI dont les réseaux seraient infectés.