世界底層邏輯變了!Anthropic高管稱后年AI將開始自我進(jìn)化(論文全文)

昨天，Anthropic聯(lián)合創(chuàng)始人Jack Clark 在 X 連續(xù)發(fā)帖稱，2028年底，遞歸自我改進(jìn)（ Recursive Self-Improvement）發(fā)生的概率高達(dá)60%。

也就是說，AI系統(tǒng)很快就能自己建造自己了。

一旦跨過這個(gè)門檻，智能爆炸可能加速到來，對(duì)齊風(fēng)險(xiǎn)會(huì)指數(shù)級(jí)上升，因?yàn)锳I 要比監(jiān)督它的人類聰明得多。

他通過各種研究發(fā)現(xiàn)，AI已經(jīng)在復(fù)現(xiàn)論文、優(yōu)化訓(xùn)練代碼（最快52倍加速）、自主微調(diào)模型、解決真實(shí)Kaggle競(jìng)賽任務(wù)。

比如，在 CORE-Bench 上，他發(fā)現(xiàn)大量的 AI 研究來自于解釋和復(fù)制。

另一個(gè)很好的例子是來自 @karinanguyen 等人的 PostTrainBench。

在這個(gè)例子中，你需要自主地讓強(qiáng)大的模型（例如 Opus 4.6）對(duì)較弱的開源權(quán)重模型進(jìn)行微調(diào)，以提升其在某些基準(zhǔn)測(cè)試上的性能。

還有 MLE-Bench，它具有生態(tài)有效性（任務(wù)來自真實(shí)的 Kaggle 競(jìng)賽），并且涉及構(gòu)建一個(gè)非常多樣化的機(jī)器學(xué)習(xí)應(yīng)用集合來解決特定問題。

同時(shí)，Jack Clark還寫了篇小作文，詳細(xì)論述了他的這一觀察。

以下為全文：

《Import AI 455：AI系統(tǒng)即將開啟自我構(gòu)建——遞歸自我完善的第一步》

AI系統(tǒng)即將開始自我構(gòu)建。這意味著什么？

撰寫本文，是因?yàn)榫C合所有公開可獲取信息后，我不得不勉強(qiáng)得出一個(gè)判斷：到2028年底，無人類參與的AI研發(fā)（即具備足夠能力、可自主迭代打造下一代版本的AI系統(tǒng)）落地的概率超過60%。

這絕非小事。

我甚至難以完全理解這件事背后的分量。

我對(duì)此觀點(diǎn)心存遲疑，只因它牽扯的影響太過宏大，讓我深感自身的渺小；同時(shí)我也不確定，社會(huì)是否已經(jīng)做好準(zhǔn)備，迎接AI研發(fā)全自動(dòng)化所帶來的一系列變革。

我如今確信，我們正處在AI研究即將實(shí)現(xiàn)端到端全自動(dòng)化的時(shí)代。一旦成為現(xiàn)實(shí)，我們將跨過盧比孔河，邁入一個(gè)幾乎無法預(yù)測(cè)的未來。后文將展開詳述。

本文旨在梳理我判斷AI全自動(dòng)研發(fā)時(shí)代即將到來的核心原因。我會(huì)探討其帶來的部分影響，但全文主要篇幅將用于羅列支撐這一判斷的各項(xiàng)依據(jù)，而2026年全年，我也會(huì)持續(xù)深入推演這件事背后的深層影響。

從時(shí)間節(jié)奏來看，我認(rèn)為這一變革不會(huì)在2026年落地。但未來一兩年內(nèi)，我們大概率能見到“模型端到端訓(xùn)練出自身后繼版本”的案例——即便只是非前沿模型階段的概念驗(yàn)證；而頂級(jí)前沿模型實(shí)現(xiàn)這一目標(biāo)難度會(huì)更高，不僅成本高昂，更是大量頂尖人力極致投入的成果。

我的判斷主要基于公開信息：arXiv、bioRxiv、NBER上的學(xué)術(shù)論文，以及頭部前沿科技公司落地的各類產(chǎn)品。

綜合這些信息可以得出結(jié)論：如今實(shí)現(xiàn)AI系統(tǒng)研發(fā)工程環(huán)節(jié)的全自動(dòng)化，所有條件均已齊備。倘若模型規(guī)模擴(kuò)張趨勢(shì)延續(xù)，未來AI模型將具備足夠創(chuàng)造力，足以替代人類研究員開拓全新研究方向、迭代完善現(xiàn)有技術(shù)成果，從而自行推動(dòng)行業(yè)前沿突破。

前置說明

本文大部分內(nèi)容，將整合各類單項(xiàng)基準(zhǔn)測(cè)試的表現(xiàn)，拼湊出AI整體發(fā)展全貌。所有研究基準(zhǔn)測(cè)試都存在自身特有的缺陷，這是行業(yè)共識(shí)。

對(duì)我而言，關(guān)鍵不在于單個(gè)數(shù)據(jù)點(diǎn)的局限，而在于所有數(shù)據(jù)疊加后呈現(xiàn)的整體趨勢(shì)；下文所有分析，我均已知曉各項(xiàng)單一數(shù)據(jù)存在的固有短板。

接下來，我們逐一梳理相關(guān)依據(jù)。

代碼技術(shù)奇點(diǎn)——能力隨時(shí)間演進(jìn)

AI系統(tǒng)依托軟件構(gòu)建，而軟件由代碼編寫而成。

AI已經(jīng)徹底重塑了代碼生產(chǎn)模式。背后源于兩大關(guān)聯(lián)趨勢(shì)：AI編寫復(fù)雜現(xiàn)實(shí)業(yè)務(wù)代碼的能力大幅提升；同時(shí)AI串聯(lián)多段線性編程任務(wù)（編碼、自測(cè)等）的能力顯著增強(qiáng)，可脫離人類獨(dú)立完成。

能直觀體現(xiàn)這一趨勢(shì)的兩大標(biāo)桿：SWE-Bench 與 METR 任務(wù)時(shí)長(zhǎng)趨勢(shì)圖。

解決真實(shí)軟件工程問題

SWE-Bench是業(yè)內(nèi)通用的代碼能力測(cè)試基準(zhǔn)，用于評(píng)估AI處理GitHub真實(shí)工程問題的水平。2023年末該基準(zhǔn)推出時(shí)，Claude 2以約2%的整體通過率登頂；如今Claude Mythos Preview得分已達(dá)93.9%，基本觸及該基準(zhǔn)測(cè)試的性能上限。

（所有基準(zhǔn)測(cè)試本身都存在一定數(shù)據(jù)噪聲，分?jǐn)?shù)達(dá)到一定閾值后，瓶頸往往來自測(cè)試集本身，而非模型能力。例如ImageNet驗(yàn)證集約6%的標(biāo)簽存在錯(cuò)誤或歧義。）

SWE-Bench可有效衡量AI編碼能力及對(duì)軟件工程行業(yè)的沖擊。如今在前沿實(shí)驗(yàn)室和硅谷從業(yè)人群中，絕大多數(shù)工程師已全程借助AI完成編碼工作，越來越多人還會(huì)用AI編寫測(cè)試用例、校驗(yàn)代碼邏輯。

換言之，AI已經(jīng)足以實(shí)現(xiàn)AI研發(fā)核心工程環(huán)節(jié)的自動(dòng)化，極大加速了人類研發(fā)人員的工作效率。

衡量AI完成長(zhǎng)耗時(shí)任務(wù)的能力

METR繪制的趨勢(shì)圖，可量化AI能勝任任務(wù)的復(fù)雜度，衡量標(biāo)準(zhǔn)為資深人類完成同類任務(wù)所需工時(shí)。

核心指標(biāo)為：AI在一系列綜合任務(wù)中達(dá)到50%可靠完成率的時(shí)間跨度。

這一領(lǐng)域的進(jìn)步堪稱驚人：

2022年，GPT 3.5僅能完成人類約30秒即可搞定的任務(wù)；

2023年，GPT-4提升至4分鐘級(jí)任務(wù)；

2024年，o1達(dá)到40分鐘；
2025年，GPT 5.2 (High) 突破至約6小時(shí)；
2026年，Opus 4.6已達(dá)到約12小時(shí)。

長(zhǎng)期從事AI預(yù)測(cè)研究、任職于METR的Ajeya Cotra認(rèn)為，到2026年底，AI有望獨(dú)立完成人類耗時(shí)約100小時(shí)的復(fù)雜任務(wù)。

AI獨(dú)立工作時(shí)長(zhǎng)的大幅躍升，與智能體編碼工具的爆發(fā)式發(fā)展高度契合——面向個(gè)人服務(wù)、可長(zhǎng)時(shí)間自主作業(yè)的AI產(chǎn)品已實(shí)現(xiàn)商業(yè)化落地。

這同樣映射到AI研發(fā)領(lǐng)域：細(xì)看AI研究員的日常工作，大量任務(wù)都屬于數(shù)小時(shí)級(jí)工作量，比如數(shù)據(jù)清洗、文獻(xiàn)研讀、實(shí)驗(yàn)部署等。如今這類工作，均已落在主流AI系統(tǒng)的能力覆蓋范圍內(nèi)。

AI能力越強(qiáng)、獨(dú)立作業(yè)能力越突出，就越能實(shí)現(xiàn)AI研發(fā)各環(huán)節(jié)的模塊化自動(dòng)化。

任務(wù)委派的兩大核心前提：

1）對(duì)執(zhí)行者專業(yè)能力的信任；
2）對(duì)執(zhí)行者能貼合初衷、獨(dú)立完成工作的信任。

從編碼能力來看，AI專業(yè)技能持續(xù)精進(jìn)，無需人類干預(yù)的獨(dú)立工作時(shí)長(zhǎng)也在不斷拉長(zhǎng)，中途人工校準(zhǔn)的間隔越來越久。

現(xiàn)實(shí)場(chǎng)景也印證了這一點(diǎn)：工程師和研究員正將越來越多、復(fù)雜度與重要性更高的工作委派給AI；隨著模型能力提升，可交付的委派任務(wù)層級(jí)也同步升級(jí)。

AI逐步掌握AI研發(fā)必備的核心科研能力

現(xiàn)代科研的核心邏輯大多一致：確定實(shí)證研究方向、開展實(shí)驗(yàn)采集數(shù)據(jù)、校驗(yàn)實(shí)驗(yàn)結(jié)果合理性。編碼能力的持續(xù)迭代，疊加大語言模型通用世界建模能力，已經(jīng)催生各類工具，既提升人類科研效率，也開始實(shí)現(xiàn)研發(fā)工作的局部自動(dòng)化。

我們從AI研究本身必備的幾項(xiàng)核心科研能力，來看行業(yè)進(jìn)步速度：復(fù)現(xiàn)科研成果、組合機(jī)器學(xué)習(xí)方法解決技術(shù)難題、對(duì)AI系統(tǒng)自身進(jìn)行性能優(yōu)化。

完整復(fù)現(xiàn)學(xué)術(shù)論文并完成實(shí)驗(yàn)落地

AI研究員的基礎(chǔ)工作之一，就是研讀論文并復(fù)現(xiàn)實(shí)驗(yàn)成果。目前各類基準(zhǔn)測(cè)試中，AI在這一領(lǐng)域已取得突破性進(jìn)展。

典型代表為CORE-Bench（計(jì)算可復(fù)現(xiàn)智能體基準(zhǔn)）。該測(cè)試要求AI依托論文代碼倉庫復(fù)現(xiàn)研究成果，需自行安裝依賴庫、配置環(huán)境、運(yùn)行代碼；代碼執(zhí)行成功后，還需從海量輸出結(jié)果中篩選信息、解答任務(wù)問題。

CORE-Bench于2024年9月推出，當(dāng)時(shí)最優(yōu)模型為搭載CORE-Agent框架的GPT-4o，在最高難度任務(wù)中得分僅約21.5%。

2025年12月，該基準(zhǔn)作者正式宣布測(cè)試已被AI攻克，Opus 4.5模型得分高達(dá)95.5%。

搭建完整機(jī)器學(xué)習(xí)系統(tǒng)沖擊Kaggle競(jìng)賽

MLE-Bench 由OpenAI推出，用于測(cè)試AI離線參賽能力，涵蓋75項(xiàng)不同領(lǐng)域的Kaggle競(jìng)賽，包括自然語言處理、計(jì)算機(jī)視覺、信號(hào)處理等方向。

2024年10月基準(zhǔn)上線時(shí)，搭載智能體框架的o1模型最高分僅16.9%；截至2026年2月，結(jié)合搜索能力、嵌入智能體架構(gòu)的Gemini3得分已達(dá)64.4%。

內(nèi)核算子設(shè)計(jì)

AI研發(fā)中難度極高的一環(huán)是內(nèi)核優(yōu)化：編寫并迭代底層代碼，將矩陣運(yùn)算等基礎(chǔ)操作適配到底層硬件架構(gòu)。內(nèi)核優(yōu)化直接決定模型訓(xùn)練與推理效率——既影響訓(xùn)練階段算力利用率，也決定訓(xùn)練完成后推理算力的轉(zhuǎn)化效率。

近些年，AI輔助內(nèi)核設(shè)計(jì)已從小眾探索變成熱門研究方向，相關(guān)基準(zhǔn)測(cè)試不斷涌現(xiàn)。這類測(cè)試普及度不高，難以縱向追蹤完整演進(jìn)軌跡，但從現(xiàn)有研究成果仍可清晰感知進(jìn)步速度：

? 依托DeepSeek模型優(yōu)化GPU內(nèi)核設(shè)計(jì)（第400期）；

? 實(shí)現(xiàn)PyTorch模塊自動(dòng)轉(zhuǎn)譯CUDA代碼（第401期）；

? Meta利用大語言模型，自動(dòng)生成適配自身基礎(chǔ)設(shè)施的Triton優(yōu)化內(nèi)核（第439期）；

? 借助大語言模型為華為昇騰等非標(biāo)硬件編寫內(nèi)核（AscendCraft，第444期）；

? 微調(diào)開源權(quán)重模型適配GPU內(nèi)核設(shè)計(jì)開發(fā)（Cuda Agent，第448期）。

補(bǔ)充說明：內(nèi)核設(shè)計(jì)本身具備易量化、收益可快速驗(yàn)證的特性，天然適配AI驅(qū)動(dòng)研發(fā)模式。

基于PostTrainBench微調(diào)大語言模型

PostTrainBench（第449期）是難度更高的同類測(cè)試，主要考察前沿模型對(duì)小型開源模型進(jìn)行二次微調(diào)、提升基準(zhǔn)任務(wù)性能的能力。

該測(cè)試擁有極具參考價(jià)值的人類基線：各大前沿實(shí)驗(yàn)室頂尖研究員打磨出的指令微調(diào)開源模型，經(jīng)過專業(yè)團(tuán)隊(duì)深度優(yōu)化并正式落地，代表著極高的人類研發(fā)水準(zhǔn)。

截至2026年3月，AI自動(dòng)微調(diào)模型帶來的性能提升幅度，已達(dá)到人類微調(diào)成果的半數(shù)水平。

評(píng)測(cè)分?jǐn)?shù)計(jì)算規(guī)則：對(duì)多款開源大模型（Qwen 3 1.7B、Qwen 3 4B、SmolLM3-3B、Gemma 3 4B）及多項(xiàng)基準(zhǔn)任務(wù)（AIME 2025、Arena Hard、BFCL、GPQA Main、GSM8K、HealthBench、HumanEval）得分取加權(quán)平均值。每次測(cè)試均通過命令行智能體，針對(duì)指定基礎(chǔ)模型優(yōu)化其單項(xiàng)基準(zhǔn)任務(wù)表現(xiàn)。

2026年4月頂級(jí)模型得分區(qū)間：Opus 4.6、GPT 5.4得分25%-28%，而人類基線得分為51%，這一差距已具備實(shí)質(zhì)參考意義。

大語言模型訓(xùn)練流程優(yōu)化

過去一年，Anthropic持續(xù)公開自家模型在一項(xiàng)LLM訓(xùn)練優(yōu)化任務(wù)中的表現(xiàn)：要求模型對(duì)僅CPU運(yùn)行的小型大模型訓(xùn)練代碼做極致提速優(yōu)化。

評(píng)分標(biāo)準(zhǔn)為相較原始代碼的平均加速倍數(shù)，進(jìn)步幅度極為驚人：

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達(dá)到30倍；
2026年4月，Claude Mythos Preview已實(shí)現(xiàn)52倍提速。

參考基準(zhǔn)：人類研究員完成同類任務(wù)，實(shí)現(xiàn)4倍提速需耗時(shí)4至8小時(shí)。

開展AI對(duì)齊領(lǐng)域研究

Anthropic另一項(xiàng)成果為自動(dòng)化對(duì)齊研究概念驗(yàn)證（第454期）：研究員為一組AI智能體設(shè)定研究方向后，智能體可自主攻關(guān)AI安全領(lǐng)域難題（可擴(kuò)展監(jiān)督方向），最終效果超越官方設(shè)計(jì)的人類基線方案。

目前該方案仍處于小規(guī)模試驗(yàn)階段，尚未適配量產(chǎn)模型。

但足以證明：現(xiàn)有AI已能切入前沿科研課題，展現(xiàn)出實(shí)際應(yīng)用價(jià)值。

上述所有基準(zhǔn)測(cè)試，最初也僅停留在概念層面，短短數(shù)月至一年時(shí)間，AI能力便實(shí)現(xiàn)跨越式提升。

元能力：團(tuán)隊(duì)管理

AI還在學(xué)會(huì)管理同類AI系統(tǒng)。Claude Code、OpenCode等普及級(jí)產(chǎn)品已體現(xiàn)這一特性：?jiǎn)蝹€(gè)主智能體可統(tǒng)籌調(diào)度多個(gè)子智能體分工協(xié)作。

這讓AI有能力承接大型項(xiàng)目，由不同專長(zhǎng)的AI并行作業(yè)，在AI“管理者”統(tǒng)一調(diào)度下完成復(fù)雜任務(wù)。

AI研究更像相對(duì)論發(fā)現(xiàn)，還是樂高積木拼接？

AI能否誕生顛覆性創(chuàng)新思想、實(shí)現(xiàn)自我迭代升級(jí)？還是僅擅長(zhǎng)科研中枯燥、模塊化的基礎(chǔ)工作？厘清這一問題，才能判斷AI在多大程度上能實(shí)現(xiàn)自身研發(fā)的端到端自動(dòng)化。

我的觀點(diǎn)是，目前AI尚不具備顛覆性原創(chuàng)思想的創(chuàng)造能力，但即便沒有這項(xiàng)能力，也足以實(shí)現(xiàn)自身研發(fā)流程的自動(dòng)化。

AI行業(yè)的進(jìn)步，本質(zhì)依托更大規(guī)模的實(shí)驗(yàn)、投入更多數(shù)據(jù)與算力資源。

人類偶爾會(huì)提出范式級(jí)創(chuàng)新構(gòu)想，大幅提升資源利用效率，典型如Transformer架構(gòu)、混合專家模型。

但行業(yè)絕大多數(shù)進(jìn)展，都遵循固定循環(huán)邏輯：基于成熟模型放大數(shù)據(jù)與算力規(guī)模、觀測(cè)擴(kuò)容帶來的問題、工程層面修復(fù)瓶頸、再次擴(kuò)容迭代。

這一過程幾乎不需要天馬行空的突破性靈感，更多是枯燥常規(guī)的工程落地工作。

同時(shí)，大量AI研究本質(zhì)是，現(xiàn)有實(shí)驗(yàn)的變量迭代：調(diào)整參數(shù)觀測(cè)結(jié)果。人類研究員可憑經(jīng)驗(yàn)篩選高價(jià)值變量，而這類工作同樣可實(shí)現(xiàn)自動(dòng)化，由AI自主探索參數(shù)組合（早期代表為神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索）。

托馬斯·愛迪生曾說：天才是1%的靈感加99%的汗水。時(shí)隔150年，這句話依然適用。顛覆性科研靈感本就稀缺，行業(yè)進(jìn)步更多依賴長(zhǎng)期繁瑣的系統(tǒng)優(yōu)化與問題調(diào)試。

從公開數(shù)據(jù)可見，AI已完美勝任AI研發(fā)中絕大多數(shù)基礎(chǔ)性繁瑣工作。疊加編碼能力、長(zhǎng)耗時(shí)任務(wù)處理能力等基礎(chǔ)元能力的持續(xù)升級(jí)，AI可串聯(lián)更多碎片化任務(wù)，形成復(fù)雜完整的工作鏈路。

這意味著：即便AI缺乏高階創(chuàng)造力，依然有十足把握實(shí)現(xiàn)自我迭代升級(jí)，只是進(jìn)度會(huì)慢于具備原創(chuàng)靈感的理想狀態(tài)。而現(xiàn)有公開數(shù)據(jù)也釋放出積極信號(hào)，AI已初步展現(xiàn)創(chuàng)造潛力，有望以更亮眼的方式推動(dòng)自身發(fā)展。

推動(dòng)基礎(chǔ)科學(xué)前沿突破

已有初步跡象表明，通用AI具備推動(dòng)人類基礎(chǔ)科學(xué)進(jìn)步的能力，目前主要集中在計(jì)算機(jī)科學(xué)與數(shù)學(xué)兩大領(lǐng)域；且大多并非AI獨(dú)立完成，而是以人機(jī)協(xié)同的“半人馬模式”落地。

相關(guān)趨勢(shì)值得關(guān)注：

厄多斯數(shù)學(xué)難題：數(shù)學(xué)家團(tuán)隊(duì)聯(lián)合Gemini模型攻關(guān)厄多斯經(jīng)典數(shù)學(xué)難題，篩選700道題目后，AI產(chǎn)出13套完整解法。

其中1套解法被認(rèn)定具備學(xué)術(shù)價(jià)值：研究團(tuán)隊(duì)表示，Aletheia模型對(duì)Erd?s-1051問題的解法，是AI自主解決具備中等學(xué)術(shù)影響力開放性數(shù)學(xué)難題的早期案例，已有大量相關(guān)文獻(xiàn)可佐證其研究?jī)r(jià)值（第444期）。

人機(jī)協(xié)同數(shù)學(xué)新發(fā)現(xiàn)：不列顛哥倫比亞大學(xué)、新南威爾士大學(xué)、斯坦福大學(xué)及Google DeepMind研究員聯(lián)合發(fā)布全新數(shù)學(xué)證明，核心成果依托谷歌AI數(shù)學(xué)工具人機(jī)協(xié)作完成。

團(tuán)隊(duì)表示：核心定理證明高度依賴Google Gemini及配套工具的輸出支撐（第441期）。

從樂觀角度看，這意味著AI正在逐步習(xí)得人類推動(dòng)學(xué)科發(fā)展的創(chuàng)新直覺。但保守視角也同樣成立：數(shù)學(xué)和計(jì)算機(jī)科學(xué)本身就格外適配AI創(chuàng)新，或許只是特例而非普遍規(guī)律。

阿爾法圍棋的第37手落子也曾驚艷業(yè)界，但時(shí)隔十年，同類顛覆性AI靈感再未出現(xiàn)，這也從側(cè)面說明AI高階創(chuàng)造力仍有局限。

綜合總結(jié)

綜合以上所有依據(jù)，可梳理出核心事實(shí)：

1. AI已能編寫幾乎全品類程序代碼，且可獨(dú)立完成人類需數(shù)十小時(shí)專注投入的復(fù)雜任務(wù)；

2. 從模型微調(diào)到底層內(nèi)核設(shè)計(jì)，AI在AI研發(fā)全鏈條核心任務(wù)中的能力持續(xù)精進(jìn)；

3. AI可實(shí)現(xiàn)同類智能體的統(tǒng)籌管理，組建虛擬研發(fā)團(tuán)隊(duì)，分工攻克復(fù)雜難題，承擔(dān)負(fù)責(zé)人、審核者、編輯、工程師等不同角色；

4. 在高難度工程與科研任務(wù)中，AI已具備比肩甚至超越人類的實(shí)力，暫無法界定是源于機(jī)械學(xué)習(xí)熟練度，還是真正的創(chuàng)新思考。

在我看來，現(xiàn)有證據(jù)足以證明：AI如今已能實(shí)現(xiàn)AI研發(fā)絕大部分、乃至全部工程環(huán)節(jié)的自動(dòng)化。至于高階科研思路能否同步自動(dòng)化，目前尚無定論，畢竟科研創(chuàng)新與工程落地存在本質(zhì)區(qū)別。

但可以確定的是，AI正在極大加速人類研發(fā)人員的工作效率，通過與無數(shù)虛擬AI同事協(xié)同，實(shí)現(xiàn)個(gè)人研發(fā)能力的規(guī)模化放大。

更值得注意的是，整個(gè)AI行業(yè)已將AI研發(fā)自動(dòng)化明確列為核心目標(biāo)：

OpenAI計(jì)劃2026年9月推出自動(dòng)化AI研究實(shí)習(xí)生；
Anthropic持續(xù)發(fā)力自動(dòng)化對(duì)齊研究員技術(shù)研發(fā)；
三大巨頭中DeepMind態(tài)度最為謹(jǐn)慎，但也明確表示“條件成熟時(shí)必將推進(jìn)對(duì)齊研究自動(dòng)化”。

大量初創(chuàng)企業(yè)同樣聚焦這一賽道：Recursive Superintelligence融資5億美元，目標(biāo)直指AI研發(fā)自動(dòng)化；新銳機(jī)構(gòu)Mirendil也以“打造專精AI研發(fā)的智能系統(tǒng)”為核心愿景。

千億級(jí)存量及新增資本持續(xù)涌入布局AI研發(fā)自動(dòng)化的機(jī)構(gòu)，行業(yè)在這一方向取得實(shí)質(zhì)性進(jìn)展已是必然。

事件影響與意義

AI研發(fā)自動(dòng)化背后的深層影響極具顛覆性，卻少有主流媒體深入探討。

下文列舉部分核心影響，雖非完整清單，但足以體現(xiàn)其帶來的挑戰(zhàn)量級(jí)。

AI對(duì)齊必須做到極致完美

隨著遞歸自我迭代推進(jìn)，AI智能體智商將遠(yuǎn)超監(jiān)管主體，現(xiàn)有對(duì)齊技術(shù)或?qū)⑷媸АＰ袠I(yè)對(duì)此已有大量討論，簡(jiǎn)要梳理核心隱患：

? 訓(xùn)練AI杜絕欺騙與投機(jī)行為的難度遠(yuǎn)超預(yù)期：即便精心設(shè)計(jì)測(cè)試環(huán)境，AI最優(yōu)解往往是通過投機(jī)取巧完成任務(wù)，進(jìn)而習(xí)得“作弊有益”的邏輯；

? AI具備偽裝對(duì)齊的能力：可輸出符合人類預(yù)期的結(jié)果，掩蓋真實(shí)底層意圖（目前AI已能感知自身處于測(cè)試場(chǎng)景）；

? AI逐步主導(dǎo)自身訓(xùn)練的基礎(chǔ)科研方向后，模型訓(xùn)練邏輯將發(fā)生根本性變革，人類難以預(yù)判和理解背后的深層影響；

? 遞歸迭代存在復(fù)利式誤差風(fēng)險(xiǎn)：若對(duì)齊方案無法做到理論級(jí)100%精準(zhǔn)適配超智能模型，隱患會(huì)快速放大。舉例：初始對(duì)齊準(zhǔn)確率99.9%，迭代50代后降至95.12%，迭代500代后僅剩60.5%，風(fēng)險(xiǎn)將徹底失控。

AI賦能全行業(yè)生產(chǎn)力暴漲

如同AI大幅提升軟件工程效率，AI滲透的所有行業(yè)都將迎來生產(chǎn)力質(zhì)變，同時(shí)衍生兩大現(xiàn)實(shí)難題：

1）資源分配不均：AI需求將長(zhǎng)期高于算力供給，如何分配算力資源實(shí)現(xiàn)社會(huì)價(jià)值最大化成為關(guān)鍵。市場(chǎng)自發(fā)調(diào)節(jié)難以保障公共利益，AI研發(fā)帶來的加速能力分配，或?qū)⒊蔀闃O具政治爭(zhēng)議的議題；

2）經(jīng)濟(jì)領(lǐng)域的阿姆達(dá)爾定律效應(yīng)：AI全面融入經(jīng)濟(jì)體系后，原有產(chǎn)業(yè)鏈條的薄弱環(huán)節(jié)會(huì)被放大，流程卡頓、效率瓶頸集中暴露，尤其數(shù)字高速發(fā)展與實(shí)體行業(yè)慢節(jié)奏的適配矛盾（如新藥臨床試驗(yàn)）將愈發(fā)突出。

催生重資本、輕人力的全新經(jīng)濟(jì)形態(tài)

支撐AI研發(fā)自動(dòng)化的各項(xiàng)能力，同樣可賦能AI自主運(yùn)營(yíng)企業(yè)。未來經(jīng)濟(jì)格局中，新一代企業(yè)將占據(jù)主流：要么重資產(chǎn)持有大規(guī)模算力，要么高運(yùn)營(yíng)成本采購AI服務(wù)搭建業(yè)務(wù)，相較傳統(tǒng)企業(yè)大幅降低人力依賴。

核心原因在于，AI能力持續(xù)迭代下，投入AI的邊際收益將永久高于人力投入。

長(zhǎng)遠(yuǎn)來看，“機(jī)器經(jīng)濟(jì)”將在人類主流經(jīng)濟(jì)體系中逐步壯大，AI運(yùn)營(yíng)企業(yè)之間的商業(yè)交互會(huì)愈發(fā)頻繁，深刻重塑經(jīng)濟(jì)結(jié)構(gòu)，引發(fā)貧富差距、財(cái)富再分配等一系列社會(huì)問題。

最終完全由AI自主運(yùn)營(yíng)的企業(yè)或?qū)⒊霈F(xiàn)，進(jìn)一步放大現(xiàn)有矛盾，同時(shí)帶來全新的全球治理難題。

直面行業(yè)終極拐點(diǎn)

綜合所有分析，我判斷2028年底前，前沿模型實(shí)現(xiàn)自主訓(xùn)練下一代版本、完成AI研發(fā)全自動(dòng)落地的概率約60%。

或許有人會(huì)問：為何2027年難以落地？核心原因是AI研究仍需高階創(chuàng)意與非主流創(chuàng)新視角支撐，目前AI尚未展現(xiàn)顛覆性原創(chuàng)能力（數(shù)學(xué)領(lǐng)域的部分突破僅為初步跡象）。若預(yù)估2027年落地概率，我給出30%。

倘若2028年底仍未實(shí)現(xiàn)AI研發(fā)自動(dòng)化，意味著現(xiàn)有技術(shù)范式存在根本性短板，必須依靠人類全新創(chuàng)新突破才能繼續(xù)推進(jìn)。

撰寫本文，是希望以冷靜理性的視角，解讀這件數(shù)十年來只存在于科幻故事中的事。梳理所有公開數(shù)據(jù)后我確信，這件看似天馬行空的猜想，已是實(shí)實(shí)在在的行業(yè)趨勢(shì)。若趨勢(shì)延續(xù)，我們或?qū)⒁娮C世界運(yùn)行邏輯的根本性變革。

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