.png)
Uma inteligência artificial pode aprender observando as respostas de outra. Essa ideia não é nova e está na base de uma técnica chamada destilação, utilizada legitimamente há anos para transferir capacidades de modelos maiores para sistemas menores. O problema muda quando milhares de contas são usadas para consultar clandestinamente um modelo de terceiros e transformar suas respostas em material de treinamento. A Anthropic afirma ter identificado campanhas desse tipo contra Claude e, em outubro de 2026, anunciou novas defesas. No mesmo dia, publicou outro estudo ainda mais provocativo: alguns modelos já conseguem executar etapas de sua própria replicação em hardware comercial simples. Essas duas histórias são relacionadas pelo avanço da IA, mas tecnicamente diferentes.
Destilação é uma técnica de treinamento em que um modelo menor aprende a partir dos resultados produzidos por um modelo mais capaz.
A técnica pode ser legítima quando realizada pelo proprietário dos modelos ou sob autorização. A Anthropic usa o termo “distillation attack” para campanhas destinadas a extrair capacidades sem permissão.
A empresa afirma que suas novas defesas reduziram entre 10 e mais de 100 vezes a quantidade de tokens de raciocínio extraídos em avaliações internas.
Separadamente, experimentos da Anthropic encontraram modelos capazes de executar processos de replicação em alguns dispositivos comerciais, embora sistemas pequenos ainda falhem com frequência quando precisam completar toda a sequência.
Nenhum desses resultados significa que uma IA consegue materializar uma cópia perfeita de si mesma sem computadores, armazenamento, software ou energia.
Como uma inteligência artificial pode aprender com outra e reproduzir capacidades
Treinar um grande modelo de linguagem exige grandes quantidades de dados e computação.
Depois do treinamento, porém, o modelo passa a produzir respostas que incorporam parte das capacidades aprendidas.
Essas respostas podem se tornar um novo conjunto de dados.
Na destilação, um modelo mais avançado funciona como professor. Outro sistema, normalmente menor, aprende a imitar determinadas respostas ou padrões.
A técnica é amplamente utilizada na indústria.
Uma empresa pode treinar um modelo enorme e caro e depois destilar parte das capacidades para versões menores capazes de rodar mais rapidamente.
Isso reduz custo de inferência e possibilita executar IA em telefones, computadores pessoais ou outros equipamentos.
O processo não copia necessariamente os parâmetros internos do modelo professor.
Pesos são os bilhões de valores numéricos ajustados durante o treinamento e armazenados no modelo.
Um aluno pode reproduzir parte do comportamento sem possuir os mesmos pesos.
É semelhante a aprender com as respostas de um professor sem receber uma cópia de seu cérebro.
Esse limite é fundamental para compreender ataques de extração.
Se alguém envia milhões de perguntas cuidadosamente escolhidas a um modelo avançado, pode montar um grande conjunto de exemplos de comportamento.
Depois utiliza esses exemplos para treinar seu próprio sistema.
Quanto melhor a estratégia das perguntas, maior a chance de capturar competências difíceis.
Raciocínio detalhado possui valor especial porque fornece passos intermediários, não apenas a resposta final.
A Anthropic afirma ter observado campanhas industriais utilizando milhares de contas para realizar esse tipo de extração.
Em fevereiro de 2026, a empresa disse ter identificado mais de 16 milhões de interações associadas a cerca de 24 mil contas fraudulentas em campanhas atribuídas a laboratórios de IA concorrentes.
Essas alegações são da própria Anthropic e precisam ser apresentadas dessa maneira. Não equivalem a uma decisão judicial independente sobre cada organização citada.
Coletar respostas: significa registrar entradas e saídas produzidas por uma IA.
Destilar capacidades: utiliza essas respostas para ensinar outro modelo.
Copiar pesos: exige acesso aos próprios parâmetros internos do modelo original.
Replicar um sistema: envolve também software, arquivos, infraestrutura e capacidade de executar o modelo em outro equipamento.
Essa distinção também importa para modelos abertos.
Quando pesos são publicados com uma licença que permite reutilização, copiar e ajustar o modelo pode ser parte do uso previsto.
O debate sobre extração clandestina ocorre principalmente quando alguém tenta contornar termos de serviço ou proteções para reproduzir capacidades de um sistema fechado.
O que a Anthropic identificou e por que fala em riscos de reprodução de modelos
Em 12 de outubro, a Anthropic publicou novas medidas destinadas a dificultar ataques de destilação.
Uma delas tenta limitar manipulações de contexto usadas para obter cadeias extensas de raciocínio.
Outra combina classificadores para identificar padrões de uso associados a extração industrial.
A empresa afirma que, depois da implantação, a quantidade de tokens de raciocínio expostos a agentes de destilação caiu entre dez e mais de cem vezes em sua própria plataforma.
Esse resultado é relevante e possui limite claro.
Foi medido pela própria empresa dentro de sua infraestrutura.
Não demonstra que qualquer tentativa futura de destilação foi resolvida permanentemente.
Atacantes podem modificar estratégias. Defesas podem produzir falsos positivos. Modelos e interfaces mudam.
O segundo relatório publicado naquele dia aborda um problema diferente: autorreplicação.
A equipe Frontier Red Team investigou se modelos conseguiriam obter uma cópia operacional de si mesmos em equipamentos comerciais sem depender de um centro de dados convencional.
Os pesquisadores testaram hardware como dispositivos de internet das coisas e equipamentos Android.
Segundo a Anthropic, um modelo de 9 bilhões de parâmetros conseguiu colocar inferência em funcionamento em oito de nove tipos de hardware testados.
Modelos de até 30 bilhões de parâmetros já conseguem executar muitas tarefas individuais necessárias ao processo, embora sistemas menores ainda apresentem falhas quando precisam coordenar todas as etapas de ponta a ponta.
Em ambientes simplificados de avaliação, a empresa afirma que modelos suficientemente fortes conseguiram completar processos completos de replicação.
Isso não significa que Claude ou qualquer outro sistema esteja autonomamente se espalhando pela internet.
É um teste de capacidade.
A sequência pode incluir identificar hardware, obter software apropriado, converter o modelo, instalar dependências, testar execução e copiar arquivos necessários.
Essas tarefas ainda precisam acontecer sobre computadores reais.
Energia, armazenamento, memória, rede e processadores continuam indispensáveis.
A palavra “autorreplicação” pode dar a impressão de uma IA criando matéria do nada. O significado aqui é operacional: um sistema conseguir automatizar os passos necessários para colocar outra instância funcional em outro dispositivo.
A analogia mais próxima seria software que consegue instalar e configurar sua própria cópia em máquinas diferentes.
O alerta da Anthropic está relacionado ao potencial de dispersão.
Se modelos menores conseguirem rodar em hardware barato e também automatizar a migração entre dispositivos, uma operação maliciosa poderia se tornar mais difícil de interromper porque não dependeria de um único servidor central.
A empresa observa que isso também poderia funcionar lentamente. Uma replicação levando dias para dobrar sua presença continua sendo muito diferente da velocidade de malware convencional.
O que essa evolução pode mudar na segurança e na indústria de inteligência artificial
Destilação reduz uma barreira de entrada econômica.
Treinar um modelo de fronteira do zero exige quantidades enormes de capital, chips e energia.
Se uma empresa consegue reproduzir grande parte do comportamento observando outro sistema, a vantagem de quem realizou o treinamento original diminui.
Isso pode aumentar competição.
Também pode transportar comportamentos indesejados.
Um modelo aluno não aprende apenas capacidades úteis. Pode reproduzir erros, vieses ou técnicas perigosas presentes nas respostas utilizadas.
Para laboratórios pequenos, destilação legítima pode ser uma ferramenta poderosa.
Modelos abertos permitem criar sistemas especializados sem repetir todo o custo do treinamento base.
O desafio regulatório e contratual está em distinguir inovação legítima de extração feita contra regras de acesso.
Propriedade intelectual ainda é outra camada.
Os modelos podem envolver pesos protegidos, código, dados e contratos com regimes jurídicos diferentes.
Não existe uma única resposta aplicável a qualquer caso de destilação.
Para empresas brasileiras que utilizam APIs de IA, o tema possui consequências práticas.
Se um negócio depende completamente de um provedor externo, mudanças de preço, política ou bloqueio podem afetar sua operação.
Algumas empresas podem utilizar destilação autorizada ou modelos abertos para reduzir essa dependência.
Ao mesmo tempo, organizações precisam controlar aquilo que enviam a APIs externas. Dados pessoais, segredos comerciais e conteúdo confidencial não deveriam ser fornecidos sem análise de finalidade, contrato e segurança.
A possibilidade de modelos se tornarem mais autônomos também aumenta a importância de permissões.
Um agente que apenas responde texto possui superfície de risco diferente de outro que consegue instalar software, utilizar credenciais e acessar máquinas.
Segurança passa a depender de defesa em profundidade.
O modelo não deve ser a única barreira. Sistemas precisam limitar privilégios, autenticar ações, registrar eventos e impedir movimentos desnecessários entre recursos.
Isso vale mesmo que a autorreplicação completa continue restrita a avaliações.
As evidências mais importantes para sustentar uma alegação forte de “IA autorreplicante” seriam demonstrações independentes, repetíveis e executadas em ambientes realistas.
Seria necessário mostrar que o sistema identifica recursos, obtém uma cópia funcional, instala dependências, inicia a nova instância e repete o processo sem intervenção humana relevante.
Também seria necessário informar taxa de sucesso, tempo, tipos de hardware e permissões prévias.
Sem esses detalhes, a expressão pode esconder desde uma simples automação de instalação até uma capacidade muito mais sofisticada.
A IA já consegue ensinar outra IA e, em condições experimentais, alguns modelos começam a coordenar tarefas necessárias para colocar cópias funcionais em equipamentos diferentes. Nenhuma dessas capacidades elimina a necessidade de computação, arquivos, energia e acesso. O avanço real está na redução da quantidade de intervenção humana necessária. Esse detalhe pode parecer menos dramático que a expressão “autorreplicação”, mas é justamente ele que possui maior importância para segurança e concorrência tecnológica.
.png)
.png&description=IA pode copiar outras IAs? O alerta da Anthropic sobre extração de modelos e dados){kind=link}