世界底层逻辑变了!Anthropic高管称后年AI将开始自我进化(论文全文)

昨天，Anthropic联合创始人Jack Clark 在 X 连续发帖称，2028年底，递归自我改进（ Recursive Self-Improvement）发生的概率高达60%。

也就是说，AI系统很快就能自己建造自己了。

一旦跨过这个门槛，智能爆炸可能加速到来，对齐风险会指数级上升，因为AI 要比监督它的人类聪明得多。

他通过各种研究发现，AI已经在复现论文、优化训练代码（最快52倍加速）、自主微调模型、解决真实Kaggle竞赛任务。

比如，在 CORE-Bench 上，他发现大量的 AI 研究来自于解释和复制。

另一个很好的例子是来自 @karinanguyen 等人的 PostTrainBench。

在这个例子中，你需要自主地让强大的模型（例如 Opus 4.6）对较弱的开源权重模型进行微调，以提升其在某些基准测试上的性能。

还有 MLE-Bench，它具有生态有效性（任务来自真实的 Kaggle 竞赛），并且涉及构建一个非常多样化的机器学习应用集合来解决特定问题。

同时，Jack Clark还写了篇小作文，详细论述了他的这一观察。

以下为全文：

《Import AI 455：AI系统即将开启自我构建——递归自我完善的第一步》

AI系统即将开始自我构建。这意味着什么？

撰写本文，是因为综合所有公开可获取信息后，我不得不勉强得出一个判断：到2028年底，无人类参与的AI研发（即具备足够能力、可自主迭代打造下一代版本的AI系统）落地的概率超过60%。

这绝非小事。

我甚至难以完全理解这件事背后的分量。

我对此观点心存迟疑，只因它牵扯的影响太过宏大，让我深感自身的渺小；同时我也不确定，社会是否已经做好准备，迎接AI研发全自动化所带来的一系列变革。

我如今确信，我们正处在AI研究即将实现端到端全自动化的时代。一旦成为现实，我们将跨过卢比孔河，迈入一个几乎无法预测的未来。后文将展开详述。

本文旨在梳理我判断AI全自动研发时代即将到来的核心原因。我会探讨其带来的部分影响，但全文主要篇幅将用于罗列支撑这一判断的各项依据，而2026年全年，我也会持续深入推演这件事背后的深层影响。

从时间节奏来看，我认为这一变革不会在2026年落地。但未来一两年内，我们大概率能见到“模型端到端训练出自身后继版本”的案例——即便只是非前沿模型阶段的概念验证；而顶级前沿模型实现这一目标难度会更高，不仅成本高昂，更是大量顶尖人力极致投入的成果。

我的判断主要基于公开信息：arXiv、bioRxiv、NBER上的学术论文，以及头部前沿科技公司落地的各类产品。

综合这些信息可以得出结论：如今实现AI系统研发工程环节的全自动化，所有条件均已齐备。倘若模型规模扩张趋势延续，未来AI模型将具备足够创造力，足以替代人类研究员开拓全新研究方向、迭代完善现有技术成果，从而自行推动行业前沿突破。

前置说明

本文大部分内容，将整合各类单项基准测试的表现，拼凑出AI整体发展全貌。所有研究基准测试都存在自身特有的缺陷，这是行业共识。

对我而言，关键不在于单个数据点的局限，而在于所有数据叠加后呈现的整体趋势；下文所有分析，我均已知晓各项单一数据存在的固有短板。

接下来，我们逐一梳理相关依据。

代码技术奇点——能力随时间演进

AI系统依托软件构建，而软件由代码编写而成。

AI已经彻底重塑了代码生产模式。背后源于两大关联趋势：AI编写复杂现实业务代码的能力大幅提升；同时AI串联多段线性编程任务（编码、自测等）的能力显著增强，可脱离人类独立完成。

能直观体现这一趋势的两大标杆：SWE-Bench 与 METR 任务时长趋势图。

解决真实软件工程问题

SWE-Bench是业内通用的代码能力测试基准，用于评估AI处理GitHub真实工程问题的水平。2023年末该基准推出时，Claude 2以约2%的整体通过率登顶；如今Claude Mythos Preview得分已达93.9%，基本触及该基准测试的性能上限。

（所有基准测试本身都存在一定数据噪声，分数达到一定阈值后，瓶颈往往来自测试集本身，而非模型能力。例如ImageNet验证集约6%的标签存在错误或歧义。）

SWE-Bench可有效衡量AI编码能力及对软件工程行业的冲击。如今在前沿实验室和硅谷从业人群中，绝大多数工程师已全程借助AI完成编码工作，越来越多人还会用AI编写测试用例、校验代码逻辑。

换言之，AI已经足以实现AI研发核心工程环节的自动化，极大加速了人类研发人员的工作效率。

衡量AI完成长耗时任务的能力

METR绘制的趋势图，可量化AI能胜任任务的复杂度，衡量标准为资深人类完成同类任务所需工时。

核心指标为：AI在一系列综合任务中达到50%可靠完成率的时间跨度。

这一领域的进步堪称惊人：

2022年，GPT 3.5仅能完成人类约30秒即可搞定的任务；

2023年，GPT-4提升至4分钟级任务；

2024年，o1达到40分钟；
2025年，GPT 5.2 (High) 突破至约6小时；
2026年，Opus 4.6已达到约12小时。

长期从事AI预测研究、任职于METR的Ajeya Cotra认为，到2026年底，AI有望独立完成人类耗时约100小时的复杂任务。

AI独立工作时长的大幅跃升，与智能体编码工具的爆发式发展高度契合——面向个人服务、可长时间自主作业的AI产品已实现商业化落地。

这同样映射到AI研发领域：细看AI研究员的日常工作，大量任务都属于数小时级工作量，比如数据清洗、文献研读、实验部署等。如今这类工作，均已落在主流AI系统的能力覆盖范围内。

AI能力越强、独立作业能力越突出，就越能实现AI研发各环节的模块化自动化。

任务委派的两大核心前提：

1）对执行者专业能力的信任；
2）对执行者能贴合初衷、独立完成工作的信任。

从编码能力来看，AI专业技能持续精进，无需人类干预的独立工作时长也在不断拉长，中途人工校准的间隔越来越久。

现实场景也印证了这一点：工程师和研究员正将越来越多、复杂度与重要性更高的工作委派给AI；随着模型能力提升，可交付的委派任务层级也同步升级。

AI逐步掌握AI研发必备的核心科研能力

现代科研的核心逻辑大多一致：确定实证研究方向、开展实验采集数据、校验实验结果合理性。编码能力的持续迭代，叠加大语言模型通用世界建模能力，已经催生各类工具，既提升人类科研效率，也开始实现研发工作的局部自动化。

我们从AI研究本身必备的几项核心科研能力，来看行业进步速度：复现科研成果、组合机器学习方法解决技术难题、对AI系统自身进行性能优化。

完整复现学术论文并完成实验落地

AI研究员的基础工作之一，就是研读论文并复现实验成果。目前各类基准测试中，AI在这一领域已取得突破性进展。

典型代表为CORE-Bench（计算可复现智能体基准）。该测试要求AI依托论文代码仓库复现研究成果，需自行安装依赖库、配置环境、运行代码；代码执行成功后，还需从海量输出结果中筛选信息、解答任务问题。

CORE-Bench于2024年9月推出，当时最优模型为搭载CORE-Agent框架的GPT-4o，在最高难度任务中得分仅约21.5%。

2025年12月，该基准作者正式宣布测试已被AI攻克，Opus 4.5模型得分高达95.5%。

搭建完整机器学习系统冲击Kaggle竞赛

MLE-Bench 由OpenAI推出，用于测试AI离线参赛能力，涵盖75项不同领域的Kaggle竞赛，包括自然语言处理、计算机视觉、信号处理等方向。

2024年10月基准上线时，搭载智能体框架的o1模型最高分仅16.9%；截至2026年2月，结合搜索能力、嵌入智能体架构的Gemini3得分已达64.4%。

内核算子设计

AI研发中难度极高的一环是内核优化：编写并迭代底层代码，将矩阵运算等基础操作适配到底层硬件架构。内核优化直接决定模型训练与推理效率——既影响训练阶段算力利用率，也决定训练完成后推理算力的转化效率。

近些年，AI辅助内核设计已从小众探索变成热门研究方向，相关基准测试不断涌现。这类测试普及度不高，难以纵向追踪完整演进轨迹，但从现有研究成果仍可清晰感知进步速度：

• 依托DeepSeek模型优化GPU内核设计（第400期）；

• 实现PyTorch模块自动转译CUDA代码（第401期）；

• Meta利用大语言模型，自动生成适配自身基础设施的Triton优化内核（第439期）；

• 借助大语言模型为华为昇腾等非标硬件编写内核（AscendCraft，第444期）；

• 微调开源权重模型适配GPU内核设计开发（Cuda Agent，第448期）。

补充说明：内核设计本身具备易量化、收益可快速验证的特性，天然适配AI驱动研发模式。

基于PostTrainBench微调大语言模型

PostTrainBench（第449期）是难度更高的同类测试，主要考察前沿模型对小型开源模型进行二次微调、提升基准任务性能的能力。

该测试拥有极具参考价值的人类基线：各大前沿实验室顶尖研究员打磨出的指令微调开源模型，经过专业团队深度优化并正式落地，代表着极高的人类研发水准。

截至2026年3月，AI自动微调模型带来的性能提升幅度，已达到人类微调成果的半数水平。

评测分数计算规则：对多款开源大模型（Qwen 3 1.7B、Qwen 3 4B、SmolLM3-3B、Gemma 3 4B）及多项基准任务（AIME 2025、Arena Hard、BFCL、GPQA Main、GSM8K、HealthBench、HumanEval）得分取加权平均值。每次测试均通过命令行智能体，针对指定基础模型优化其单项基准任务表现。

2026年4月顶级模型得分区间：Opus 4.6、GPT 5.4得分25%-28%，而人类基线得分为51%，这一差距已具备实质参考意义。

大语言模型训练流程优化

过去一年，Anthropic持续公开自家模型在一项LLM训练优化任务中的表现：要求模型对仅CPU运行的小型大模型训练代码做极致提速优化。

评分标准为相较原始代码的平均加速倍数，进步幅度极为惊人：

2025年5月，Claude Opus 4平均提速2.9倍；
2025年11月，Opus 4.5提升至16.5倍；
2026年2月，Opus 4.6达到30倍；
2026年4月，Claude Mythos Preview已实现52倍提速。

参考基准：人类研究员完成同类任务，实现4倍提速需耗时4至8小时。

开展AI对齐领域研究

Anthropic另一项成果为自动化对齐研究概念验证（第454期）：研究员为一组AI智能体设定研究方向后，智能体可自主攻关AI安全领域难题（可扩展监督方向），最终效果超越官方设计的人类基线方案。

目前该方案仍处于小规模试验阶段，尚未适配量产模型。

但足以证明：现有AI已能切入前沿科研课题，展现出实际应用价值。

上述所有基准测试，最初也仅停留在概念层面，短短数月至一年时间，AI能力便实现跨越式提升。

元能力：团队管理

AI还在学会管理同类AI系统。Claude Code、OpenCode等普及级产品已体现这一特性：单个主智能体可统筹调度多个子智能体分工协作。

这让AI有能力承接大型项目，由不同专长的AI并行作业，在AI“管理者”统一调度下完成复杂任务。

AI研究更像相对论发现，还是乐高积木拼接？

AI能否诞生颠覆性创新思想、实现自我迭代升级？还是仅擅长科研中枯燥、模块化的基础工作？厘清这一问题，才能判断AI在多大程度上能实现自身研发的端到端自动化。

我的观点是，目前AI尚不具备颠覆性原创思想的创造能力，但即便没有这项能力，也足以实现自身研发流程的自动化。

AI行业的进步，本质依托更大规模的实验、投入更多数据与算力资源。

人类偶尔会提出范式级创新构想，大幅提升资源利用效率，典型如Transformer架构、混合专家模型。

但行业绝大多数进展，都遵循固定循环逻辑：基于成熟模型放大数据与算力规模、观测扩容带来的问题、工程层面修复瓶颈、再次扩容迭代。

这一过程几乎不需要天马行空的突破性灵感，更多是枯燥常规的工程落地工作。

同时，大量AI研究本质是，现有实验的变量迭代：调整参数观测结果。人类研究员可凭经验筛选高价值变量，而这类工作同样可实现自动化，由AI自主探索参数组合（早期代表为神经网络架构搜索）。

托马斯·爱迪生曾说：天才是1%的灵感加99%的汗水。时隔150年，这句话依然适用。颠覆性科研灵感本就稀缺，行业进步更多依赖长期繁琐的系统优化与问题调试。

从公开数据可见，AI已完美胜任AI研发中绝大多数基础性繁琐工作。叠加编码能力、长耗时任务处理能力等基础元能力的持续升级，AI可串联更多碎片化任务，形成复杂完整的工作链路。

这意味着：即便AI缺乏高阶创造力，依然有十足把握实现自我迭代升级，只是进度会慢于具备原创灵感的理想状态。而现有公开数据也释放出积极信号，AI已初步展现创造潜力，有望以更亮眼的方式推动自身发展。

推动基础科学前沿突破

已有初步迹象表明，通用AI具备推动人类基础科学进步的能力，目前主要集中在计算机科学与数学两大领域；且大多并非AI独立完成，而是以人机协同的“半人马模式”落地。

相关趋势值得关注：

厄多斯数学难题：数学家团队联合Gemini模型攻关厄多斯经典数学难题，筛选700道题目后，AI产出13套完整解法。

其中1套解法被认定具备学术价值：研究团队表示，Aletheia模型对Erdős-1051问题的解法，是AI自主解决具备中等学术影响力开放性数学难题的早期案例，已有大量相关文献可佐证其研究价值（第444期）。

人机协同数学新发现：不列颠哥伦比亚大学、新南威尔士大学、斯坦福大学及Google DeepMind研究员联合发布全新数学证明，核心成果依托谷歌AI数学工具人机协作完成。

团队表示：核心定理证明高度依赖Google Gemini及配套工具的输出支撑（第441期）。

从乐观角度看，这意味着AI正在逐步习得人类推动学科发展的创新直觉。但保守视角也同样成立：数学和计算机科学本身就格外适配AI创新，或许只是特例而非普遍规律。

阿尔法围棋的第37手落子也曾惊艳业界，但时隔十年，同类颠覆性AI灵感再未出现，这也从侧面说明AI高阶创造力仍有局限。

综合总结

综合以上所有依据，可梳理出核心事实：

1. AI已能编写几乎全品类程序代码，且可独立完成人类需数十小时专注投入的复杂任务；

2. 从模型微调到底层内核设计，AI在AI研发全链条核心任务中的能力持续精进；

3. AI可实现同类智能体的统筹管理，组建虚拟研发团队，分工攻克复杂难题，承担负责人、审核者、编辑、工程师等不同角色；

4. 在高难度工程与科研任务中，AI已具备比肩甚至超越人类的实力，暂无法界定是源于机械学习熟练度，还是真正的创新思考。

在我看来，现有证据足以证明：AI如今已能实现AI研发绝大部分、乃至全部工程环节的自动化。至于高阶科研思路能否同步自动化，目前尚无定论，毕竟科研创新与工程落地存在本质区别。

但可以确定的是，AI正在极大加速人类研发人员的工作效率，通过与无数虚拟AI同事协同，实现个人研发能力的规模化放大。

更值得注意的是，整个AI行业已将AI研发自动化明确列为核心目标：

OpenAI计划2026年9月推出自动化AI研究实习生；
Anthropic持续发力自动化对齐研究员技术研发；
三大巨头中DeepMind态度最为谨慎，但也明确表示“条件成熟时必将推进对齐研究自动化”。

大量初创企业同样聚焦这一赛道：Recursive Superintelligence融资5亿美元，目标直指AI研发自动化；新锐机构Mirendil也以“打造专精AI研发的智能系统”为核心愿景。

千亿级存量及新增资本持续涌入布局AI研发自动化的机构，行业在这一方向取得实质性进展已是必然。

事件影响与意义

AI研发自动化背后的深层影响极具颠覆性，却少有主流媒体深入探讨。

下文列举部分核心影响，虽非完整清单，但足以体现其带来的挑战量级。

AI对齐必须做到极致完美

随着递归自我迭代推进，AI智能体智商将远超监管主体，现有对齐技术或将全面失效。行业对此已有大量讨论，简要梳理核心隐患：

• 训练AI杜绝欺骗与投机行为的难度远超预期：即便精心设计测试环境，AI最优解往往是通过投机取巧完成任务，进而习得“作弊有益”的逻辑；

• AI具备伪装对齐的能力：可输出符合人类预期的结果，掩盖真实底层意图（目前AI已能感知自身处于测试场景）；

• AI逐步主导自身训练的基础科研方向后，模型训练逻辑将发生根本性变革，人类难以预判和理解背后的深层影响；

• 递归迭代存在复利式误差风险：若对齐方案无法做到理论级100%精准适配超智能模型，隐患会快速放大。举例：初始对齐准确率99.9%，迭代50代后降至95.12%，迭代500代后仅剩60.5%，风险将彻底失控。

AI赋能全行业生产力暴涨

如同AI大幅提升软件工程效率，AI渗透的所有行业都将迎来生产力质变，同时衍生两大现实难题：

1）资源分配不均：AI需求将长期高于算力供给，如何分配算力资源实现社会价值最大化成为关键。市场自发调节难以保障公共利益，AI研发带来的加速能力分配，或将成为极具政治争议的议题；

2）经济领域的阿姆达尔定律效应：AI全面融入经济体系后，原有产业链条的薄弱环节会被放大，流程卡顿、效率瓶颈集中暴露，尤其数字高速发展与实体行业慢节奏的适配矛盾（如新药临床试验）将愈发突出。

催生重资本、轻人力的全新经济形态

支撑AI研发自动化的各项能力，同样可赋能AI自主运营企业。未来经济格局中，新一代企业将占据主流：要么重资产持有大规模算力，要么高运营成本采购AI服务搭建业务，相较传统企业大幅降低人力依赖。

核心原因在于，AI能力持续迭代下，投入AI的边际收益将永久高于人力投入。

长远来看，“机器经济”将在人类主流经济体系中逐步壮大，AI运营企业之间的商业交互会愈发频繁，深刻重塑经济结构，引发贫富差距、财富再分配等一系列社会问题。

最终完全由AI自主运营的企业或将出现，进一步放大现有矛盾，同时带来全新的全球治理难题。

直面行业终极拐点

综合所有分析，我判断2028年底前，前沿模型实现自主训练下一代版本、完成AI研发全自动落地的概率约60%。

或许有人会问：为何2027年难以落地？核心原因是AI研究仍需高阶创意与非主流创新视角支撑，目前AI尚未展现颠覆性原创能力（数学领域的部分突破仅为初步迹象）。若预估2027年落地概率，我给出30%。

倘若2028年底仍未实现AI研发自动化，意味着现有技术范式存在根本性短板，必须依靠人类全新创新突破才能继续推进。

撰写本文，是希望以冷静理性的视角，解读这件数十年来只存在于科幻故事中的事。梳理所有公开数据后我确信，这件看似天马行空的猜想，已是实实在在的行业趋势。若趋势延续，我们或将见证世界运行逻辑的根本性变革。

感谢Andrew Sullivan、Andy Jones、Holden Karnofsky、Marina Favaro、Sarah Pollack、Francesco Mosconi、Chris Painter、Avital Balwit为本文提供修改建议。