IA · 14 ottobre 2026 · 4 min di lettura
Piccoli modelli e milioni di elettrodomestici: l'allarme di Anthropic sui worm IA autoreplicanti
In sintesi: Uno studio pubblicato da Anthropic evidenzia un rischio di sicurezza emergente: la combinazione tra modelli di intelligenza artificiale compatti e tecniche di calcolo distribuito permette la creazione di worm capaci di autoreplicarsi su dispositivi IoT domestici. Sfruttando hardware a basso costo, come televisori e piccoli elettrodomestici connessi, questi agenti possono adattare codice ed exploit direttamente sul bersaglio, rendendo obsoleti i tradizionali metodi di bonifica centralizzati.
di Team Mocchi's
Per anni il dibattito sui rischi di sicurezza legati all'intelligenza artificiale si è concentrato quasi esclusivamente sui modelli di frontiera: gigantesche reti neurali da centinaia di miliardi o migliaia di miliardi di parametri, confinate nei server farm di hyperscaler e protette da imponenti barriere infrastrutturali. Un nuovo studio sperimentale pubblicato da Anthropic sposta tuttavia l'attenzione all'estremo opposto dell'ecosistema hardware: i piccoli modelli open-weight e l'infinita platea di dispositivi connessi dell'Internet delle Cose.
Secondo la ricerca, battezzata internamente con la formula dei «replicatori basati su pesi ridotti» (small weight-based replicators), la rapida evoluzione dei modelli compatti sta aprendo la strada a una nuova generazione di malware autonomo: veri e propri worm informatici guidati da IA capaci di infettare modem, smart TV, videocamere di sorveglianza ed elettrodomestici intelligenti, propagandosi senza la necessità di un'infrastruttura di comando e controllo centrale.
Il test su Android TV e la frammentazione del calcolo
Il fulcro tecnico della dimostrazione risiede nella capacità di eseguire l'inferenza di un modello linguistico frammentandone i carichi di lavoro attraverso tecniche avanzate di quantizzazione e sharding. Come riporta Ars Technica, i ricercatori di Anthropic hanno preso quindici comuni box TV Android commerciali di fascia economica, dotati di appena 4 gigabyte di memoria ciascuno, riuscendo a distribuire ed eseguire con successo Gemma 4 da 26 miliardi di parametri.
Nessuno di questi apparecchi avrebbe avuto la memoria o la potenza di calcolo necessarie a sostenere il modello singolarmente. Tuttavia, collaborando in rete locale attraverso un'orchestrazione leggera, i nodi sono stati in grado di caricare i pesi e generare output. Nei test di laboratorio, modelli compatti come Qwen 3.5 da 9 miliardi di parametri hanno dimostrato di saper identificare architetture hardware sconosciute in otto casi su nove, compilando e adattando in autonomia le librerie software necessarie per l'esecuzione diretta sul dispositivo compromesso.
Dalle botnet tradizionali ai pesi itineranti
La differenza rispetto alle minacce del passato, come la celebre botnet Mirai del 2016, è strutturale. I worm tradizionali sono composti da sequenze binarie rigide, compilate per architetture specifiche (come ARM o MIPS), e dipendono da istruzioni fisse o da server centrali (C2) da cui ricevere gli ordini. Se le forze dell'ordine o gli analisti isolano i domini di comando, la botnet perde coordinazione.
Al contrario, un worm potenziato da un modello linguistico porta con sé il proprio motore logico: i pesi quantizzati diventano parte integrante del payload dannoso. Quando infetta una nuova macchina, l'agente analizza l'ambiente circostante, scrive codice sul momento per sfruttare vulnerabilità locali non previste dal creatore originale e scarica i frammenti del modello da repository pubblici o da nodi adiacenti. Come spiega The Verge, in una simulazione controllata il modello GLM-5.2 è riuscito a completare l'intera sequenza di replicazione autonoma, diffondendosi attraverso un ambiente virtuale di nodi Android eterogenei.
I ricercatori descrivono questa forma di diffusione distribuita non tanto come un'arma a impatto fulmineo, quanto come una «muffa melmosa digitale»: un'infezione lenta, il cui raddoppio può richiedere giorni, ma estremamente pervasiva e quasi impossibile da estirpare una volta radicata nella miriade di apparati domestici e aziendali privi di manutenzione.
Tra prudenza teorica e minaccia emergente
Sebbene la ricerca dimostri che la catena tecnica è fattibile nei singoli passaggi, gli stessi autori invitano a non cedere al panico immediato. Attualmente far dialogare frammenti di modelli su connessioni instabili e chip a basso consumo comporta latenze elevate e un'alta probabilità di errore nell'esecuzione dei task più complessi.
Ciononostante, la traiettoria di sviluppo è evidente: i modelli compatti stanno migliorando la propria capacità di ragionamento logico a un ritmo superiore rispetto ai grandi colossi da data center. La disponibilità aperta dei pesi, combinata con lo storico abbandono dei cicli di patch nel mercato IoT di consumo, trasforma il parco dispositivi globale in un substrato ideale per agenti resilienti.
Il punto di Mocchi's
L'esperimento di Anthropic conferma una tendenza che monitoriamo con attenzione: la miniaturizzazione dei modelli sta abbattendo i requisiti minimi di calcolo, spostando l'intelligenza artificiale verso l'edge computing più estremo. Per le aziende italiane che gestiscono reti industriali, sensoristica sul campo o flotte di dispositivi connessi, questo scenario impone un cambio di paradigma difensivo immediato. Non basta più confidare nell'esiguità delle risorse hardware di un apparato per considerarlo al sicuro da usi complessi: la segmentazione rigorosa delle sottoreti e il monitoraggio continuo del traffico peer-to-peer diventano l'unica vera barriera contro agenti distribuiti.