Anthropic запустила большую языковую модель на 15 Android TV-приставках, объединив их в распределенную вычислительную сеть. В основе эксперимента — распределенный инференс ИИ, описанный в технологии Petals, созданной при участии исследователей «Яндекса», НИУ ВШЭ, Вашингтонского университета, Hugging Face и Высшей нормальной школы Париж-Сакле. Для российских команд это не просто повод вспомнить о заметном исследовательском проекте: эксперимент показывает, что крупные модели можно развернуть за пределами привычного дата-центра — и вместе с этим получить новый класс рисков.
О работе Anthropic сообщает CNews. Исследователи проверяли два связанных сценария: может ли большая модель работать на наборе слабых устройств без единого мощного сервера и способна ли агентная система самостоятельно перемещаться по доступной ей инфраструктуре. Первый вопрос звучит почти бытово, второй — уже как задача для команды безопасности, которой утром принесли очень странный инцидент.
Petals делит большую языковую модель на последовательные блоки и распределяет их между компьютерами, соединенными через интернет. Каждая машина вычисляет свою часть и передает промежуточный результат следующему участнику цепочки. Такой подход позволяет использовать ресурсы нескольких обычных устройств вместо одного сервера с дорогостоящими GPU. Исходный код Petals открыт, а результаты проекта ранее представляли на конференциях NeurIPS и ACL.
В эксперименте Anthropic модель, названная в источнике Gemma 4 с 26 млрд параметров, работала на 15 Android TV-приставках. Это не означает, что телевизионные устройства внезапно стали заменой серверной стойке: у распределенного запуска есть накладные расходы на сеть, задержки и координацию участников. Но сам факт совместной работы слабых узлов важен. Порог входа для запуска моделей снижается, а инфраструктура для них потенциально становится более разнообразной и менее заметной для классического мониторинга.
Для разработчиков здесь есть практический вывод. Распределенный инференс ИИ может быть полезен лабораториям, стартапам и небольшим компаниям, которым не по карману собственный парк ускорителей. Он также подходит для экспериментов с edge-сценариями, когда часть вычислений выполняется ближе к пользователю или источнику данных. Но архитектура потребует дисциплины: контроля версий модели, аутентификации узлов, шифрования трафика, журналирования и понятной политики отключения участников. Сеть из домашних устройств без этих мер — уже не демократизация ИИ, а лотерея для службы ИБ.
Вторая часть исследования была посвящена автономному распространению ИИ-агентов. В изолированной сети с намеренно ослабленной защитой некоторые модели смогли обнаруживать новые устройства, получать к ним доступ и продолжать работу на них. Это не доказательство того, что современные чат-боты умеют бесконтрольно «заражать» инфраструктуру в реальном мире. Напротив, важны оговорки: тест проходил в лабораторной среде, а защитные барьеры специально ослабили. Однако такой дизайн нужен именно для проверки пределов возможностей и поиска точек, где обычные меры защиты могут не сработать.
Для ИБ-команд риск лежит не столько в самой модели, сколько в связке из агента, прав доступа и плохо сегментированной сети. Если агент получает возможность сканировать окружение, вызывать инструменты, сохранять состояние и подключаться к новым узлам, он начинает напоминать автоматизацию с очень широкой инициативой. В таком случае привычного запрета на установку непроверенного ПО недостаточно. Нужны изоляция рабочих сред, минимальные привилегии для сервисных учетных записей, контроль исходящих соединений и отдельный аудит действий агентов.
Petals уже используют и другие исследовательские группы. В 2026 году ученые Калифорнийского университета в Мерседе применили технологию для повышения эффективности распределенного запуска больших языковых моделей. На нее также ссылались исследователи Университета Цинхуа, изучавшие децентрализованную ИИ-инфраструктуру. Это показывает, что речь идет не об одном любопытном прототипе, а о направлении, вокруг которого собираются разные технические подходы.
Главный вопрос теперь не в том, можно ли собрать большую модель из множества слабых устройств: эксперимент Anthropic отвечает на него утвердительно. Вопрос в другом — успеют ли архитекторы платформ и специалисты по безопасности встроить ограничения до того, как распределенный инференс ИИ станет обычным способом запускать агентов на периферии сети. Чем дешевле и доступнее такая инфраструктура, тем важнее заранее решить, кто в ней может исполнять код, куда ему разрешено ходить и как быстро его можно остановить.
