編輯｜楊文、陳陳

AI 很快就能自己改造自己了？

Anthropic 聯(lián)合創(chuàng)始人 Jack Clark 發(fā)帖稱，他最近幾周閱讀了大量公開的 AI 開發(fā)數(shù)據(jù)后，認(rèn)為到 2028 年底，遞歸自我改進(jìn)（recursive self-improvement）發(fā)生的概率有 60%。

也就是說(shuō)，AI 系統(tǒng)可能很快就能自主構(gòu)建和改進(jìn)自己，進(jìn)入自我加速的階段。

這一觀點(diǎn)并非憑空而來(lái)。他看了一堆公開基準(zhǔn)，發(fā)現(xiàn) AI 在 AI 研發(fā)相關(guān)任務(wù)上進(jìn)步非常快。

比如，CORE-Bench 考察 AI 實(shí)現(xiàn)他人研究論文的能力，這是 AI 研究中至關(guān)重要的一環(huán)。

PostTrainBench 則測(cè)試強(qiáng)大模型能否自主微調(diào)較弱的開源模型以提升性能，這正是 AI 研發(fā)任務(wù)的一個(gè)關(guān)鍵子集。

MLE-Bench 基于真實(shí) Kaggle 競(jìng)賽任務(wù)，要求構(gòu)建多樣化的機(jī)器學(xué)習(xí)應(yīng)用程序來(lái)解決特定問(wèn)題。此外，像 SWE-Bench 這樣廣為人知的編碼基準(zhǔn)，也展現(xiàn)出類似的進(jìn)步。

Jack Clark 將這一現(xiàn)象描述為「分形」式的向上向右趨勢(shì)，即在不同分辨率和尺度上，都能觀察到有意義的進(jìn)展。他認(rèn)為，AI 正在逐步接近端到端自動(dòng)化研發(fā)的能力，一旦實(shí)現(xiàn)，AI 將能夠自主構(gòu)建自己的后繼系統(tǒng)，開啟自我迭代的循環(huán)。

此言論一出，在社交媒體引發(fā)不少討論。

一些人視其為邁向 ASI 和奇點(diǎn)的關(guān)鍵第一步，可能徹底改變科技發(fā)展的節(jié)奏。

然而，也存在不同聲音。

華盛頓大學(xué)計(jì)算機(jī)科學(xué)教授 Pedro Domingos 指出，AI 系統(tǒng)早在上世紀(jì) 50 年代 LISP 語(yǔ)言發(fā)明時(shí)就具備了「構(gòu)建自身」的能力，真正的問(wèn)題在于能否獲得遞增回報(bào)，而目前還沒(méi)有明顯證據(jù)支持這一點(diǎn)。

有網(wǎng)友質(zhì)疑，從 2027 年到 2028 年，概率一下子增加 30%，這暗示 AI 能力會(huì)在 2027 年底前后出現(xiàn)一次突然的重大突破。到底哪一個(gè)具體的里程碑或事件，會(huì)讓 AI 實(shí)現(xiàn)遞歸自我改進(jìn)的概率在短時(shí)間內(nèi)大幅提升？

還有網(wǎng)友表示，Jack Clark 是 Anthropic 新上任的公關(guān)負(fù)責(zé)人，這正是他們新戰(zhàn)略的一部分：我們并非危言聳聽者，有大量的論文都印證了我們一直以來(lái)警告你們的事情。

Jack Clark 專門在 Import AI 455 這期 newsletter 里寫了一篇長(zhǎng)文詳細(xì)闡述。

文章地址：https://importai.substack.com/p/import-ai-455-automating-ai-research?r=1ds20&utm_campaign=post&utm_medium=email&triedRedirect=true

接下來(lái)，我們完整看一下這篇文章。

AI 系統(tǒng)即將開始自我構(gòu)建，這意味著什么？

Clark 表示，他寫下這篇文章，是因?yàn)樵谑崂硭泄_可獲得的信息后，他不得不形成一個(gè)并不輕松的判斷：到 2028 年底之前，出現(xiàn)無(wú)人類參與的 AI 研發(fā)的可能性已經(jīng)相當(dāng)高，或許超過(guò) 60%。

這里所謂的無(wú)人類參與的 AI 研發(fā)，指的是一種足夠強(qiáng)大的 AI 系統(tǒng)：它不僅能輔助人類做研究，還可能自主完成關(guān)鍵研發(fā)流程，甚至構(gòu)建出自己的下一代系統(tǒng)。

在 Clark 看來(lái)，這顯然是一件大事。

他坦言，自己也很難完全消化這件事的含義。

之所以稱這是一個(gè)不情愿的判斷，是因?yàn)樗澈蟮挠绊戇^(guò)于巨大，讓他感到難以把握。Clark 也不確定，整個(gè)社會(huì)是否已經(jīng)準(zhǔn)備好迎接 AI 研發(fā)自動(dòng)化所帶來(lái)的深層變化。

他現(xiàn)在相信，人類可能正生活在一個(gè)特殊時(shí)間點(diǎn)：AI 研究即將被端到端自動(dòng)化。如果這一刻真的到來(lái)，人類就像跨過(guò)了盧比孔河，進(jìn)入一個(gè)幾乎無(wú)法預(yù)測(cè)的未來(lái)。

Clark 表示，這篇文章的目的，是解釋他為什么認(rèn)為，通向完全自動(dòng)化 AI 研發(fā)的起飛正在發(fā)生。

他會(huì)討論這一趨勢(shì)可能帶來(lái)的一些后果，但文章的大部分篇幅，都會(huì)集中在支撐這一判斷的證據(jù)上。至于更深層的影響，Clark 計(jì)劃在今年的大部分時(shí)間里繼續(xù)梳理。

從時(shí)間點(diǎn)來(lái)看，Clark 并不認(rèn)為這件事會(huì)在 2026 年真正發(fā)生。但他認(rèn)為，未來(lái)一兩年內(nèi)，我們可能會(huì)看到某種模型端到端訓(xùn)練出自己后繼者的案例。至少在非前沿模型層面，出現(xiàn)一個(gè)概念驗(yàn)證是很有可能的；至于最前沿模型，難度會(huì)更高，因?yàn)樗鼈兂杀緲O其昂貴，也依賴大量人類研究員的高強(qiáng)度工作。

Clark 的判斷主要來(lái)自公開信息：包括 arXiv、bioRxiv 和 NBER 上的論文，以及前沿 AI 公司已經(jīng)部署到現(xiàn)實(shí)世界中的產(chǎn)品。基于這些信息，他得出一個(gè)結(jié)論：自動(dòng)化生產(chǎn)當(dāng)下 AI 系統(tǒng)所需的各個(gè)環(huán)節(jié)，尤其是 AI 開發(fā)中的工程組件，基本已經(jīng)具備。

如果 scaling 趨勢(shì)繼續(xù)延續(xù)，我們就應(yīng)該開始準(zhǔn)備面對(duì)這樣一種情況：模型會(huì)變得足夠有創(chuàng)造力，不僅能自動(dòng)改進(jìn)已知方法，還可能在提出全新研究方向和原創(chuàng)想法方面替代人類研究員，從而自行推動(dòng) AI 前沿繼續(xù)向前發(fā)展。

編碼奇點(diǎn)：能力隨時(shí)間的變化

AI 系統(tǒng)是通過(guò)軟件實(shí)現(xiàn)的，而軟件由代碼構(gòu)成。

AI 系統(tǒng)已經(jīng)徹底改變了代碼生產(chǎn)方式。這背后有兩個(gè)相關(guān)趨勢(shì)：一方面，AI 系統(tǒng)越來(lái)越擅長(zhǎng)編寫復(fù)雜的真實(shí)世界代碼；另一方面，AI 系統(tǒng)也越來(lái)越擅長(zhǎng)在幾乎不依賴人類監(jiān)督的情況下，把許多線性的編碼任務(wù)串聯(lián)起來(lái)完成，比如先寫代碼，再進(jìn)行測(cè)試。

體現(xiàn)這一趨勢(shì)的兩個(gè)典型例子，是 SWE-Bench 和 METR time horizons plot。

解決真實(shí)世界的軟件工程問(wèn)題

SWE-Bench 是一個(gè)被廣泛使用的編程測(cè)試，用來(lái)評(píng)估 AI 系統(tǒng)解決真實(shí) GitHub issue 的能力。

當(dāng) SWE-Bench 在 2023 年底推出時(shí)，當(dāng)時(shí)表現(xiàn)最好的模型是 Claude 2，整體成功率大約只有 2%。而 Claude Mythos Preview 的成績(jī)已經(jīng)達(dá)到 93.9%，基本上接近打滿這個(gè) benchmark。

當(dāng)然，所有 benchmark 本身都會(huì)有一定噪聲，所以通常會(huì)出現(xiàn)這樣一個(gè)階段：當(dāng)分?jǐn)?shù)高到某個(gè)程度之后，你碰到的可能不再是方法本身的限制，而是 benchmark 自身的限制。比如在 ImageNet 驗(yàn)證集中，大約 6% 的標(biāo)簽就是錯(cuò)誤或存在歧義的。

SWE-Bench 可以被視為衡量通用編程能力，以及 AI 對(duì)軟件工程影響的一個(gè)可靠指標(biāo)。Clark 表示，他在前沿 AI 實(shí)驗(yàn)室和硅谷接觸到的大多數(shù)人，現(xiàn)在幾乎都已經(jīng)完全通過(guò) AI 系統(tǒng)來(lái)寫代碼，并且越來(lái)越多的人開始用 AI 系統(tǒng)來(lái)編寫測(cè)試、檢查代碼。

換句話說(shuō)，AI 系統(tǒng)已經(jīng)足夠強(qiáng)，能夠自動(dòng)化 AI 研發(fā)中的一個(gè)重要組成部分，并顯著加速所有參與 AI 研發(fā)的人類研究員和工程師。

衡量 AI 系統(tǒng)完成長(zhǎng)時(shí)任務(wù)的能力

METR 制作了一張圖，用來(lái)衡量 AI 能完成多復(fù)雜的任務(wù)。這里的復(fù)雜度，是按照一個(gè)熟練人類完成這些任務(wù)大概需要多少小時(shí)來(lái)計(jì)算的。

其中最關(guān)鍵的指標(biāo)，是 AI 系統(tǒng)在一組任務(wù)上達(dá)到 50% 可靠性時(shí)，對(duì)應(yīng)的大致任務(wù)時(shí)間跨度。

在這一點(diǎn)上，進(jìn)展非常驚人：

• 2022 年，GPT-3.5 能完成的任務(wù)，大概相當(dāng)于人類需要 30 秒完成的任務(wù)。
• 2023 年，GPT-4 把這個(gè)時(shí)間提升到了 4 分鐘。
• 2024 年，o1 把這個(gè)時(shí)間提升到了 40 分鐘。
• 2025 年，GPT-5.2 High 達(dá)到了大約 6 小時(shí)。
• 到 2026 年，Opus 4.6 已經(jīng)把這個(gè)時(shí)間進(jìn)一步推高到大約 12 小時(shí)。

在 METR 工作、長(zhǎng)期關(guān)注 AI 預(yù)測(cè)的 Ajeya Cotra 認(rèn)為，到 2026 年底，AI 系統(tǒng)能夠完成相當(dāng)于人類需要 100 小時(shí)的任務(wù)，并不是一個(gè)不合理的預(yù)期。

AI 系統(tǒng)能夠獨(dú)立工作的時(shí)間跨度顯著增長(zhǎng)，也和 agentic coding 工具的爆發(fā)高度相關(guān)。所謂 agentic coding 工具，本質(zhì)上就是把能替人完成工作的 AI 系統(tǒng)產(chǎn)品化：它們可以代表人類行動(dòng)，并在相當(dāng)長(zhǎng)一段時(shí)間內(nèi)相對(duì)獨(dú)立地推進(jìn)任務(wù)。

這也重新指向 AI 研發(fā)本身。仔細(xì)觀察許多 AI 研究員的日常工作會(huì)發(fā)現(xiàn)，其中大量任務(wù)其實(shí)都可以拆解成幾個(gè)小時(shí)級(jí)別的工作，比如清洗數(shù)據(jù)、讀取數(shù)據(jù)、啟動(dòng)實(shí)驗(yàn)等等。

而這類工作，如今已經(jīng)落入現(xiàn)代 AI 系統(tǒng)能夠覆蓋的時(shí)間跨度之內(nèi)。

AI 系統(tǒng)越熟練，越能獨(dú)立于人類工作，就越能幫助自動(dòng)化 AI 研發(fā)中的一部分工作。

任務(wù)委托的關(guān)鍵因素主要有兩個(gè)：

• 一是你對(duì)被委托者能力的信心；
• 二是你相信對(duì)方能夠在不依賴你持續(xù)監(jiān)督的情況下，按照你的意圖獨(dú)立完成工作。

當(dāng)用戶在觀察 AI 在編程方面的能力時(shí)，會(huì)發(fā)現(xiàn) AI 系統(tǒng)不僅變得越來(lái)越熟練，也越來(lái)越能在不需要人類重新校準(zhǔn)的情況下，獨(dú)立工作更長(zhǎng)時(shí)間。

這也和我們身邊正在發(fā)生的事情相吻合，工程師和研究員正在把越來(lái)越大塊的工作交給 AI 系統(tǒng)完成。隨著 AI 能力持續(xù)提升，被委托給 AI 的工作也變得越來(lái)越復(fù)雜、越來(lái)越重要。

AI 正在掌握 AI 研發(fā)所必需的核心科學(xué)技能

想想現(xiàn)代科學(xué)研究是怎么進(jìn)行的，其中很大一部分工作，其實(shí)就是先確定一個(gè)方向，明確自己想獲得哪類經(jīng)驗(yàn)性信息；然后設(shè)計(jì)并運(yùn)行實(shí)驗(yàn)，生成這些信息；最后再對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行合理性檢查。

隨著 AI 編程能力不斷提升，再加上大語(yǔ)言模型越來(lái)越強(qiáng)的世界建模能力，如今已經(jīng)出現(xiàn)了一批工具，能夠幫助人類科學(xué)家提速，并在更廣泛的研發(fā)場(chǎng)景中部分自動(dòng)化某些環(huán)節(jié)。

在這里，我們可以觀察 AI 在幾項(xiàng)關(guān)鍵科學(xué)技能上的進(jìn)展速度，而這些能力本身也正是 AI 研究不可或缺的一部分：

• 一是復(fù)現(xiàn)研究結(jié)果；
• 二是把機(jī)器學(xué)習(xí)技術(shù)和其他方法串聯(lián)起來(lái)，用來(lái)解決技術(shù)問(wèn)題；
• 三是優(yōu)化 AI 系統(tǒng)自身。

實(shí)現(xiàn)整篇科學(xué)論文，并完成相關(guān)實(shí)驗(yàn)

AI 研究中的一項(xiàng)核心工作，是閱讀科學(xué)論文，并復(fù)現(xiàn)其中的結(jié)果。在這方面，AI 已經(jīng)在一系列 benchmark 上取得了顯著進(jìn)展。

一個(gè)很好的例子是 CORE-Bench，也就是 Computational Reproducibility Agent Benchmark。

這個(gè) benchmark 要求 AI 系統(tǒng)在給定一篇論文及其代碼倉(cāng)庫(kù)的情況下，復(fù)現(xiàn)論文中的結(jié)果。具體來(lái)說(shuō)，Agent 需要安裝相關(guān)庫(kù)、軟件包和依賴，運(yùn)行代碼；如果代碼成功運(yùn)行，它還需要搜索所有輸出結(jié)果，并回答任務(wù)中的問(wèn)題。

CORE-Bench 于 2024 年 9 月提出。當(dāng)時(shí)表現(xiàn)最好的系統(tǒng)，是運(yùn)行在 CORE-Agent scaffold 中的 GPT-4o 模型。在該 benchmark 最困難的一組任務(wù)上，它的得分約為 21.5%。

而到了 2025 年 12 月，CORE-Bench 的一位作者宣布，這個(gè) benchmark 已經(jīng)被解決了：Opus 4.5 模型取得了 95.5% 的成績(jī)。

構(gòu)建完整的機(jī)器學(xué)習(xí)系統(tǒng)，解決 Kaggle 競(jìng)賽問(wèn)題

MLE-Bench 是 OpenAI 構(gòu)建的一個(gè) benchmark，用來(lái)測(cè)試 AI 系統(tǒng)在離線環(huán)境中參加 Kaggle 競(jìng)賽的能力。

它覆蓋了 75 個(gè)不同類型的 Kaggle 競(jìng)賽，涉及多個(gè)領(lǐng)域，包括自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)和信號(hào)處理等。

MLE-Bench 于 2024 年 10 月發(fā)布。發(fā)布時(shí)，表現(xiàn)最好的系統(tǒng)是一個(gè)運(yùn)行在 agent scaffold 中的 o1 模型，得分為 16.9%。

截至 2026 年 2 月，表現(xiàn)最好的系統(tǒng)已經(jīng)變成了運(yùn)行在帶搜索能力的 agent harness 中的 Gemini 3，得分達(dá)到 64.4%。

Kernel 設(shè)計(jì)

AI 開發(fā)中一項(xiàng)更難的任務(wù)是 kernel 優(yōu)化。所謂 kernel 優(yōu)化，就是編寫并改進(jìn)底層代碼，把矩陣乘法這類特定運(yùn)算更高效地映射到底層硬件上。

Kernel 優(yōu)化之所以是 AI 開發(fā)的核心，是因?yàn)樗鼪Q定了訓(xùn)練和推理的效率：一方面，它影響你在開發(fā) AI 系統(tǒng)時(shí)，究竟能有效利用多少算力；另一方面，當(dāng)模型訓(xùn)練完成后，它也決定你能多高效地把算力轉(zhuǎn)化為推理能力。

近年來(lái)，用 AI 做 kernel 設(shè)計(jì)，已經(jīng)從一個(gè)有趣的小方向，變成了一個(gè)競(jìng)爭(zhēng)激烈的研究領(lǐng)域，并且出現(xiàn)了多個(gè) benchmark。不過(guò)，這些 benchmark 目前還沒(méi)有特別流行，所以我們很難像其他領(lǐng)域那樣清晰地建模它的長(zhǎng)期進(jìn)展。另一方面，我們可以通過(guò)一些正在進(jìn)行的研究，感受這個(gè)方向的推進(jìn)速度。

相關(guān)工作包括：

• 用 DeepSeek 的模型嘗試構(gòu)建更好的 GPU kernel；
• 自動(dòng)把 PyTorch 模塊轉(zhuǎn)換成 CUDA 代碼；
• Meta 用 LLM 自動(dòng)生成優(yōu)化后的 Triton kernel，并部署到自己的基礎(chǔ)設(shè)施中；
• 以及針對(duì) GPU kernel 設(shè)計(jì)微調(diào)開源權(quán)重模型，例如 Cuda Agent。

這里需要補(bǔ)充一點(diǎn)：kernel 設(shè)計(jì)確實(shí)具備一些特別適合 AI 驅(qū)動(dòng)研發(fā)的屬性，比如結(jié)果容易驗(yàn)證、獎(jiǎng)勵(lì)信號(hào)比較明確。

通過(guò) PostTrainBench 微調(diào)語(yǔ)言模型

這類測(cè)試的一個(gè)更困難版本是 PostTrainBench。它測(cè)試的是，不同前沿模型能否接手較小的開源權(quán)重模型，并通過(guò)微調(diào)提升它們?cè)谀承?benchmark 上的表現(xiàn)。

這個(gè) benchmark 的一個(gè)優(yōu)點(diǎn)是，它有非常強(qiáng)的人類基線：這些小模型現(xiàn)有的 instruct-tuned 版本。這些版本通常由前沿實(shí)驗(yàn)室中優(yōu)秀的人類 AI 研究員開發(fā)，已經(jīng)經(jīng)過(guò)非常有能力的研究員和工程師打磨，并被部署到真實(shí)世界中。因此，它們構(gòu)成了一個(gè)很難超越的人類基準(zhǔn)。

截至 2026 年 3 月，AI 系統(tǒng)已經(jīng)能夠?qū)δＰ瓦M(jìn)行后訓(xùn)練，并獲得大約相當(dāng)于人類訓(xùn)練結(jié)果一半的性能提升。

具體評(píng)估分?jǐn)?shù)來(lái)自一個(gè)加權(quán)平均：它會(huì)綜合多個(gè)后訓(xùn)練的大語(yǔ)言模型，包括 Qwen 3 1.7B、Qwen 3 4B、SmolLM3-3B、Gemma 3 4B，以及多個(gè) benchmark，包括 AIME 2025、Arena Hard、BFCL、GPQA Main、GSM8K、HealthBench、HumanEval。

在每次運(yùn)行中，評(píng)測(cè)方會(huì)要求一個(gè) CLI agent，盡可能提升某個(gè)特定基礎(chǔ)模型在某個(gè)特定 benchmark 上的表現(xiàn)。

截至 2026 年 4 月，得分最高的 AI 系統(tǒng)大約能達(dá)到 25% 到 28%，代表模型包括 Opus 4.6 和 GPT 5.4；相比之下，人類得分為 51%。

這已經(jīng)是一個(gè)相當(dāng)有意義的結(jié)果。

優(yōu)化語(yǔ)言模型訓(xùn)練

過(guò)去一年，Anthropic 一直在報(bào)告其系統(tǒng)在一項(xiàng) LLM 訓(xùn)練任務(wù)上的表現(xiàn)。這個(gè)任務(wù)要求模型優(yōu)化一個(gè)僅使用 CPU 的小型語(yǔ)言模型訓(xùn)練實(shí)現(xiàn)，讓它盡可能快地運(yùn)行。

評(píng)分方式是：相較于未修改的初始代碼，模型實(shí)現(xiàn)的平均加速倍數(shù)。

這項(xiàng)結(jié)果進(jìn)展非常顯著：

• 2025 年 5 月，Claude Opus 4 實(shí)現(xiàn)了 2.9 倍平均加速；
• 2025 年 11 月，Opus 4.5 提升到 16.5 倍；
• 2026 年 2 月，Opus 4.6 達(dá)到 30 倍；
• 2026 年 4 月，Claude Mythos Preview 達(dá)到 52 倍。

為了理解這些數(shù)字的含義，可以做一個(gè)參照：在人類研究員身上，這項(xiàng)任務(wù)通常需要 4 到 8 小時(shí)工作，才能實(shí)現(xiàn) 4 倍加速。

元技能：管理

AI 系統(tǒng)也正在學(xué)習(xí)如何管理其他 AI 系統(tǒng)。

這一點(diǎn)已經(jīng)可以在一些廣泛部署的產(chǎn)品中看到，比如 Claude Code 或 OpenCode。在這些產(chǎn)品里，一個(gè)主 agent 可以監(jiān)督多個(gè) sub-agent。

這讓 AI 系統(tǒng)能夠處理更大規(guī)模的項(xiàng)目：項(xiàng)目中可能需要多個(gè)具備不同專長(zhǎng)的智能體并行工作，而它們通常由一個(gè)單一的 AI 管理者來(lái)協(xié)調(diào)。這里的管理者本身也是一個(gè) AI 系統(tǒng)。

AI 研究更像發(fā)現(xiàn)廣義相對(duì)論，還是搭樂(lè)高？

一個(gè)關(guān)鍵問(wèn)題是：AI 能否發(fā)明出新的想法，幫助它改進(jìn)自身？還是說(shuō)，這些系統(tǒng)更適合完成研究中那些不那么光鮮、但必須一磚一瓦推進(jìn)的工作？

這個(gè)問(wèn)題很重要，因?yàn)樗P(guān)系到 AI 系統(tǒng)能在多大程度上端到端自動(dòng)化 AI 研究本身。

作者的判斷是：AI 目前還不能提出真正激進(jìn)的全新思想。但要實(shí)現(xiàn)自身研發(fā)自動(dòng)化，它或許并不一定需要做到這一點(diǎn)。

作為一個(gè)領(lǐng)域，AI 的進(jìn)步很大程度上依賴于越來(lái)越大的實(shí)驗(yàn)，以及越來(lái)越多的輸入，比如數(shù)據(jù)和算力。

偶爾，人類會(huì)提出一些改變范式的想法，使整個(gè)領(lǐng)域的資源效率大幅提升。Transformer 架構(gòu)就是一個(gè)很好的例子，混合專家模型，也就是 mixture-of-experts，也是另一個(gè)例子。

但更多時(shí)候，AI 領(lǐng)域的推進(jìn)方式其實(shí)更樸素：人類會(huì)拿一個(gè)表現(xiàn)良好的系統(tǒng)，擴(kuò)大其中某個(gè)方面，比如訓(xùn)練數(shù)據(jù)和算力；觀察擴(kuò)大規(guī)模后哪里出問(wèn)題；找到工程上的修復(fù)方案，讓系統(tǒng)能夠繼續(xù)擴(kuò)展；然后再次擴(kuò)大規(guī)模。

這個(gè)過(guò)程里，真正需要洞見(jiàn)的部分其實(shí)很少。大量工作更像是不那么耀眼、但非常扎實(shí)的基礎(chǔ)工程。

類似地，很多 AI 研究其實(shí)是在運(yùn)行現(xiàn)有實(shí)驗(yàn)的各種變體，探索不同參數(shù)設(shè)置會(huì)帶來(lái)什么結(jié)果。研究直覺(jué)當(dāng)然能幫助人類挑選最值得嘗試的參數(shù)，但這件事本身也可以被自動(dòng)化，讓 AI 自己判斷哪些參數(shù)值得調(diào)整。早期的神經(jīng)架構(gòu)搜索，就是這類思路的一個(gè)版本。

愛(ài)迪生曾說(shuō)：天才是 1% 的靈感，加上 99% 的汗水。即便過(guò)去 150 年，這句話依然很貼切。

偶爾，確實(shí)會(huì)出現(xiàn)徹底改變一個(gè)領(lǐng)域的新洞見(jiàn)。但大多數(shù)時(shí)候，領(lǐng)域進(jìn)步是靠人類在改進(jìn)和調(diào)試各種系統(tǒng)的艱苦過(guò)程中，一點(diǎn)點(diǎn)推進(jìn)出來(lái)的。

而前面提到的公開數(shù)據(jù)表明，AI 已經(jīng)非常擅長(zhǎng)執(zhí)行 AI 開發(fā)中許多必要的苦活累活。

與此同時(shí)，還有一個(gè)更大的趨勢(shì)：基礎(chǔ)能力，比如編程能力，正在和不斷擴(kuò)展的任務(wù)時(shí)間跨度結(jié)合起來(lái)。這意味著 AI 系統(tǒng)可以把越來(lái)越多這類任務(wù)串聯(lián)起來(lái)，形成復(fù)雜的工作序列。

因此，即便 AI 系統(tǒng)目前相對(duì)缺乏創(chuàng)造力，也有理由相信，它們?nèi)匀荒軌蛲苿?dòng)自身繼續(xù)向前發(fā)展。只是相比能夠產(chǎn)生全新洞見(jiàn)的情況，這種推進(jìn)速度可能會(huì)更慢。

但如果繼續(xù)觀察公開數(shù)據(jù)，會(huì)發(fā)現(xiàn)另一個(gè)令人好奇的信號(hào)：AI 系統(tǒng)也許正在展現(xiàn)出某種創(chuàng)造力，而這種創(chuàng)造力可能讓它們以更令人驚訝的方式推動(dòng)自身進(jìn)步。

推動(dòng)科學(xué)前沿繼續(xù)向前

目前已經(jīng)有一些非常初步的跡象表明，通用 AI 系統(tǒng)有能力推動(dòng)人類科學(xué)前沿繼續(xù)向前發(fā)展。不過(guò)到目前為止，這種情況只發(fā)生在少數(shù)幾個(gè)領(lǐng)域，主要是計(jì)算機(jī)科學(xué)和數(shù)學(xué)。而且很多時(shí)候，并不是 AI 系統(tǒng)單獨(dú)完成突破，而是以人機(jī)協(xié)作的方式，與人類研究者共同推進(jìn)。

盡管如此，這些趨勢(shì)仍然值得觀察：

Erd?s 問(wèn)題：一組數(shù)學(xué)家與 Gemini 模型合作，測(cè)試它在解決一些 Erd?s 數(shù)學(xué)問(wèn)題上的表現(xiàn)。他們引導(dǎo)系統(tǒng)嘗試了大約 700 個(gè)問(wèn)題，最終得到了 13 個(gè)解答。在這些解答中，有 1 個(gè)被他們認(rèn)為是有趣的。

研究者寫道，他們初步認(rèn)為，Aletheia（一套基于 Gemini 3 Deep Think 的 AI 系統(tǒng)） 對(duì) Erd?s-1051 的解答，代表了一個(gè)早期案例：一個(gè) AI 系統(tǒng)自主解決了一個(gè)略具非平凡性、并且有一定更廣泛數(shù)學(xué)興趣的開放 Erd?s 問(wèn)題。該問(wèn)題此前已有一些 closely-related 的相關(guān)研究文獻(xiàn)。

如果往樂(lè)觀方向理解，這些案例可以被看作一個(gè)信號(hào)：AI 系統(tǒng)正在發(fā)展出某種能夠推動(dòng)領(lǐng)域前沿的創(chuàng)造性直覺(jué)，而這種直覺(jué)過(guò)去主要屬于人類。

但也可以從另一面解釋：數(shù)學(xué)和計(jì)算機(jī)科學(xué)可能本身就是特別適合 AI 驅(qū)動(dòng)發(fā)明的領(lǐng)域，因此它們或許只是例外，并不能代表更廣泛的科學(xué)研究都會(huì)被 AI 以同樣方式推進(jìn)。

另一個(gè)類似例子是 AlphaGo 的第 37 手。不過(guò) Clark 認(rèn)為，距離 AlphaGo 那次結(jié)果已經(jīng)過(guò)去十年，而第 37 手之后并沒(méi)有被某個(gè)更現(xiàn)代、更驚人的洞見(jiàn)所取代，這本身也可以被視為一個(gè)略偏悲觀的信號(hào)。

AI 已經(jīng)可以自動(dòng)化 AI 工程中的大片工作

如果把上面所有證據(jù)放在一起，我們可以看到這樣一幅圖景：

• AI 系統(tǒng)已經(jīng)能夠?yàn)閹缀跞魏纬绦蚓帉懘a，而且這些系統(tǒng)已經(jīng)可以被信任去獨(dú)立完成一些任務(wù)；這些任務(wù)如果交給人類，往往需要數(shù)十小時(shí)的高強(qiáng)度專注勞動(dòng)。
• AI 系統(tǒng)越來(lái)越擅長(zhǎng)完成 AI 開發(fā)中的核心任務(wù)，從模型微調(diào)到 kernel 設(shè)計(jì)，都在被逐步覆蓋。
• AI 系統(tǒng)已經(jīng)能夠管理其他 AI 系統(tǒng)，實(shí)際上形成一種合成團(tuán)隊(duì)：多個(gè) AI 可以分頭處理復(fù)雜問(wèn)題，其中一些 AI 扮演負(fù)責(zé)人、批評(píng)者、編輯者的角色，另一些 AI 則扮演工程師的角色。
• AI 系統(tǒng)有時(shí)已經(jīng)能在困難的工程和科學(xué)任務(wù)上超過(guò)人類，盡管目前還很難判斷，這究竟是因?yàn)樗鼈兙邆淞苏嬲膭?chuàng)造力，還是因?yàn)樗鼈円呀?jīng)熟練掌握了大量模式化知識(shí)。

在 Clark 看來(lái)，這些證據(jù)已經(jīng)非常有說(shuō)服力地表明：今天的 AI 已經(jīng)可以自動(dòng)化 AI 工程中的大片工作，甚至可能覆蓋其中的全部環(huán)節(jié)。

不過(guò)，目前還不清楚 AI 能在多大程度上自動(dòng)化 AI 研究本身。因?yàn)檠芯恐械哪承┎糠?，可能不同于純工程技能，仍然依賴更高層次的判斷、?wèn)題意識(shí)和創(chuàng)造性。

但無(wú)論如何，一個(gè)清晰信號(hào)已經(jīng)出現(xiàn)：今天的 AI 正在大幅加速?gòu)氖?AI 開發(fā)的人類，讓這些研究員和工程師可以通過(guò)與無(wú)數(shù)合成同事配對(duì)協(xié)作，放大自己的工作能力。

最后，AI 行業(yè)本身也幾乎是在明說(shuō)：自動(dòng)化 AI 研發(fā)就是它們的目標(biāo)。

OpenAI 希望在 2026 年 9 月之前構(gòu)建一個(gè)自動(dòng)化 AI 研究實(shí)習(xí)生。Anthropic 正在發(fā)表關(guān)于構(gòu)建自動(dòng)化 AI 對(duì)齊研究員的工作。DeepMind 在三大實(shí)驗(yàn)室中顯得最謹(jǐn)慎，但也表示，在可行時(shí)應(yīng)該推進(jìn)對(duì)齊研究自動(dòng)化。

自動(dòng)化 AI 研發(fā)也已經(jīng)成為許多創(chuàng)業(yè)公司的目標(biāo)。Recursive Superintelligence 剛剛?cè)谫Y 5 億美元，目標(biāo)就是自動(dòng)化 AI 研究。

換句話說(shuō)，數(shù)千億美元級(jí)別的既有資本和新增資本，正在投入到一批以自動(dòng)化 AI 研發(fā)為目標(biāo)的機(jī)構(gòu)中。

因此，我們當(dāng)然應(yīng)該預(yù)期，這個(gè)方向至少會(huì)取得某種程度的進(jìn)展。

為什么這很重要

這帶來(lái)的影響深遠(yuǎn)，但在大眾媒體對(duì) AI 研發(fā)的報(bào)道中卻鮮有討論。以下這幾個(gè)方面可以反映出 AI 研發(fā)帶來(lái)的巨大挑戰(zhàn)。

1. 我們必須把對(duì)齊做好：如今有效的對(duì)齊技術(shù)可能會(huì)在遞歸式自我改進(jìn)中失效，因?yàn)?AI 系統(tǒng)會(huì)變得比監(jiān)督它們的人員或系統(tǒng)智能得多。這是一個(gè)已被廣泛研究的領(lǐng)域，所以他只簡(jiǎn)要概述一些問(wèn)題：

• 訓(xùn)練人工智能系統(tǒng)不撒謊和作弊是一個(gè)出人意料的微妙過(guò)程（例如，盡管努力為環(huán)境構(gòu)建良好的測(cè)試，但有時(shí)人工智能解決問(wèn)題的最佳方法是作弊，從而教會(huì)它作弊是可行的）。
• AI 系統(tǒng)可能通過(guò)「假裝對(duì)齊」來(lái)欺騙我們，輸出讓我們以為它表現(xiàn)良好的分?jǐn)?shù)，但實(shí)際上隱藏了它真實(shí)的意圖。（一般來(lái)說(shuō)，AI 系統(tǒng)已經(jīng)能夠察覺(jué)自己何時(shí)正在被測(cè)試。）
• 隨著 AI 系統(tǒng)開始更多地參與自身訓(xùn)練的基礎(chǔ)研究議程，我們可能會(huì)大幅改變 AI 系統(tǒng)的整體訓(xùn)練方式，卻沒(méi)有良好的直覺(jué)或理論基礎(chǔ)來(lái)理解這意味著什么。
• 當(dāng)你把某個(gè)系統(tǒng)置于遞歸循環(huán)中時(shí)，會(huì)產(chǎn)生非常基本的「誤差累積」問(wèn)題，這可能會(huì)影響上述所有問(wèn)題及其他問(wèn)題：除非你的對(duì)齊方法「100% 準(zhǔn)確」且理論上能夠在更聰明的系統(tǒng)中持續(xù)保持準(zhǔn)確，否則事情可能很快出錯(cuò)。例如，你的技術(shù)初始精度是 99.9%，經(jīng)過(guò) 50 代可能降為 95.12%，經(jīng)過(guò) 500 代可能降到 60.5%。

2.AI 涉及的每一件事都會(huì)獲得巨大的生產(chǎn)力倍增： 就像 AI 顯著提高軟件工程師的生產(chǎn)力一樣，我們應(yīng)該預(yù)期 AI 涉及的其他領(lǐng)域也會(huì)如此。這帶來(lái)幾個(gè)需要應(yīng)對(duì)的問(wèn)題：

• 獲取資源不平等：假設(shè) AI 的需求繼續(xù)超過(guò)計(jì)算資源供應(yīng)，我們必須決定如何分配 AI 以實(shí)現(xiàn)社會(huì)的最大利益。我對(duì)市場(chǎng)激勵(lì)能夠保證我們從有限的 AI 計(jì)算中獲得最佳社會(huì)收益持懷疑態(tài)度。確定如何分配 AI 研發(fā)帶來(lái)的加速能力將是一個(gè)政治性很強(qiáng)的問(wèn)題。
• 經(jīng)濟(jì)的「阿姆達(dá)爾定律」：隨著 AI 流入經(jīng)濟(jì)，我們會(huì)發(fā)現(xiàn)某些環(huán)節(jié)在面對(duì)高速增長(zhǎng)時(shí)會(huì)出現(xiàn)瓶頸，需要想辦法修復(fù)這些鏈條中的薄弱環(huán)節(jié)。這在需要協(xié)調(diào)快速數(shù)字世界與緩慢物理世界的領(lǐng)域可能尤為明顯，比如新藥臨床試驗(yàn)。

3. 資本密集型、人力輕型經(jīng)濟(jì)的形成 ：上述所有關(guān)于 AI 研發(fā)的證據(jù)也表明，AI 系統(tǒng)越來(lái)越有能力自主運(yùn)營(yíng)企業(yè)。這意味著我們可以預(yù)期，經(jīng)濟(jì)中的一部分將被新一代公司占據(jù)，這些公司可能是資本密集型（因?yàn)樗鼈儞碛写罅坑?jì)算機(jī)），或運(yùn)營(yíng)開支密集型（因?yàn)樗鼈冊(cè)?AI 服務(wù)上花費(fèi)大量資金并在其基礎(chǔ)上創(chuàng)造價(jià)值），相比今天的企業(yè)，它們對(duì)人力的依賴相對(duì)較低 —— 因?yàn)殡S著 AI 系統(tǒng)能力持續(xù)增強(qiáng)，投入 AI 的邊際價(jià)值會(huì)不斷增長(zhǎng)。實(shí)際上，這將表現(xiàn)為「機(jī)器經(jīng)濟(jì)」在更大「人類經(jīng)濟(jì)」中逐漸形成，隨著時(shí)間推移，AI 運(yùn)營(yíng)的公司可能會(huì)開始相互交易，從而改變經(jīng)濟(jì)結(jié)構(gòu)，并引發(fā)關(guān)于不平等和再分配的各種問(wèn)題。最終，可能會(huì)出現(xiàn)完全由 AI 系統(tǒng)自主運(yùn)營(yíng)的公司，這將加劇上述問(wèn)題，同時(shí)帶來(lái)許多新的治理挑戰(zhàn)。

凝視黑洞

基于以上分析，作者認(rèn)為到 2028 年底，我們看到自動(dòng)化 AI 研發(fā)（即前沿模型能夠自主訓(xùn)練其繼任版本）的概率約為 60%。為什么不預(yù)期它在 2027 年出現(xiàn)？原因是作者認(rèn)為 AI 研究仍然需要?jiǎng)?chuàng)造力和異議見(jiàn)解才能前進(jìn)，到目前為止，AI 系統(tǒng)尚未以變革性和重大方式展示這一點(diǎn)（盡管在加速數(shù)學(xué)研究上的一些結(jié)果有啟示）。如果非要他給出 2027 年的概率，他會(huì)說(shuō) 30%。

如果到 2028 年底還沒(méi)有出現(xiàn)，我們可能就會(huì)揭示當(dāng)前技術(shù)范式中的一些根本性缺陷，需要人類發(fā)明推動(dòng)進(jìn)一步發(fā)展。

https://x.com/jackclarkSF/status/2051312759594471886

https://importai.substack.com/p/import-ai-455-automating-ai-research?r=1ds20&utm_campaign=post&utm_medium=email&triedRedirect=true