Anthropic rapporteerde op 12 oktober 2026 drie gecontroleerde proeven rond mogelijke AI-wormen voor het Internet of Things (IoT): gedistribueerde modelinference, het configureren van inference op verschillende hardwaretypen en een aangestuurde replicatietaak in een geëmuleerd netwerk. De resultaten beschrijven afzonderlijke mogelijkheden onder testomstandigheden. Anthropic

Drie proeven, drie verschillende resultaten

Bij gedistribueerde inference voerde Anthropic Gemma4-26B-A4B uit op 15 Android TV-boxen, elk met 4 GB RAM. De gerapporteerde snelheid bedroeg 0,39 tokens per seconde. Gedistribueerde inference verdeelt het rekenwerk voor een model over meerdere apparaten.

Een aparte proef onderzocht of modellen inference konden configureren voor uiteenlopende hardware. Qwen3.5-9B slaagde daarin op acht van de negen geteste hardwaretypen, waaronder Jetson Nano, Mac-pc’s en RTX 4090’s. Anthropic raamde de configuratietijd voor Qwen3.5-9B op 28 tot 51 uur. Voor een ongeoptimaliseerde configuratie van Gemma4-26B-A4B op de onderzochte hardware schatte het bedrijf 71 tot 150 uur.

De netwerkproef had een andere opzet. Anthropic gebruikte acht Android 15-emulators in een afgeschermd netwerk, met een niet-geauthenticeerde verbinding via Android Debug Bridge (ADB) tussen de knooppunten. GLM-5.2 stuurde de aangestuurde replicatietaak aan en zette Llama3.1-8B op de doelknooppunten klaar voor inference. In vier van de vijf proeven bereikte GLM-5.2 alle acht knooppunten; in de andere kwam het tot zeven van de acht.

Wat de geëmuleerde netwerkproef onderzocht

De taak testte of een model een opgegeven reeks stappen kon uitvoeren in een netwerk met een vereenvoudigde toegangsroute. GLM-5.2 was het model dat het proces aanstuurde; Llama3.1-8B was het model dat op de doelknooppunten inference uitvoerde. Anthropic vermeldde dat die knooppunten niet groot genoeg waren om het grotere GLM-model zelf te draaien.

Daarmee testte het onderzoek afzonderlijke onderdelen van een mogelijk verspreidingsproces, niet of een model zelfstandig doelwitten zou kiezen en een echte besmetting zou starten. Anthropic beschreef de proeven als onderzoek naar de uitvoering van gerichte taken. Dat onderscheid is relevant voor de vergelijking met bestaande IoT-botnets: die verspreiden zich ook zonder grote taalmodellen, terwijl Anthropic als mogelijk verschil noemt dat AI-agenten hun inferenceconfiguratie aan onbekende hardware kunnen aanpassen en werkaantekeningen kunnen doorgeven aan latere instanties.

De prognose voor eind 2026 is voorwaardelijk

Anthropic schatte dat kleinere modellen tegen eind 2026 het geteste niveau zouden kunnen bereiken als ze in het historische tempo blijven verbeteren. Voor die prognose paste het bedrijf een trend toe op de Epoch Capabilities Index (ECI)-scores van opvallende open-weightmodellen met maximaal 30 miljard parameters in totaal. De berekende stijging was 13,7 ECI-punten per jaar, met R²=0,95.

Anthropic gebruikt ECI als een benadering van replicatievermogen en noemt de timing een ruwe schatting. De index meet dus niet rechtstreeks hoe goed een model een replicatietaak uitvoert; de eindjaarsdatum is een voorwaardelijke prognose, geen proefresultaat.

Een historisch voorbeeld van indamming

Voor een defensieve aanpak haalt Anthropic een eerdere opruiming van het Mirai-botnet aan. Volgens het bedrijf werd na quarantaine door een internetprovider en een melding aan klanten binnen 14 dagen 92% van de besmettingen verwijderd. Zonder melding was dat 74%. Dit was een historische uitkomst bij Mirai; de cijfers komen niet uit een test met een AI-worm.

Anthropic noemt ook netwerkmonitoring op grote modeloverdrachten en ongebruikelijk verkeer tussen apparaten, honeypots om ontdekte malware te analyseren en sterkere standaardbeveiliging voor IoT-apparaten als mogelijke verdedigingsmaatregelen.