打开网易新闻 查看精彩图片

新智元报道

编辑：元宇

【新智元导读】Anthropic联合创始人Jack Clark读完数百份公开数据，得出一个让他自己也坐不住的结论：2028年底前，AI自己造AI的概率是60%。支撑他这一判断的，是编程、科研复现、模型训练优化等多条能力曲线：每一条都在向右上方飞，没有减速迹象。

AI系统，可能很快就能自行构建自身了！

说这句话的人，是Anthropic联合创始人Jack Clark。

5月4日，他在X上发帖：「我认为，递归自我改进（RSI）有60%的概率在2028年底之前发生。」

打开网易新闻 查看精彩图片

除了Anthropic联合创始人身份之外，Clark还是《Import AI》的创办者兼主笔，长期跟踪AI能力进展。

这次发帖，他在《Import AI》上同时发布了一篇完整的分析文章。

打开网易新闻 查看精彩图片

https://importai.substack.com/p/import-ai-455-automating-ai-research

这是一件大事。我不知道该如何理解它。这是一个我不情愿接受的看法：其影响太过巨大，让我感到自身渺小，而且我不确定，社会是否已准备好迎接自动化AI研发所带来的变革。

Clark在文章里写：如果这一天到来，人类将跨过一道「卢比孔河」，进入一个几乎无法预测的未来。

他不认为这会发生在2026年，但他预判一两年内可能在非前沿模型上，出现这样的概念验证：一个模型，端到端训练出自己的继任者。

支撑Clark结论的，主要来自公开信息：arXiv、bioRxiv、NBER上的论文，加上他对各大前沿实验室产品的持续观察，Clark以此拼凑出一幅关于AI进展的全景图。

在他看来，AI工程化生产的所有组件，今天已经基本齐了。剩下的问题是：模型什么时候能积累足够的创造力，开始像人类研究员一样推动前沿演进。

四年

从30秒到12小时

Clark的核心论据，是一批能力进展曲线。

先看METR的时间轴图。

打开网易新闻 查看精彩图片

https://metr.org/time-horizons/

METR是一个专注AI能力评估的机构，他们追踪的是：AI系统能独立完成一项任务，在50%成功率水平线上，这项任务如果让一个熟练的人来做大概需要多少时间。

  • 2022年，GPT-3.5的数字是：30秒；

  • 2023年，GPT-4把这个数字推到了4分钟；

  • 2024年，o1推到了40分钟；

  • 2025年，GPT-5.2（高配版）跨到了6小时；

  • 2026年，Claude Opus 4.6已经到了12小时。

四年，从30秒到12小时，翻了1440倍！

AI能力研究员Ajeya Cotra认为，2026年底之前，这个数字有望突破100小时。

如果达到100小时时间跨度，它将能覆盖许多多日级软件/研究辅助任务。

编程能力同样也在起飞。

SWE-Bench衡量的是AI解决真实GitHub工程问题的能力。2023年底，Claude 2的得分是2%。到今年，Claude Mythos Preview达到93.9%，这个基准基本被打穿了。

CORE-Bench测的是另一件事：给AI一篇论文和对应的代码库，让它独立复现实验结果，这是AI研究员最基本的日常工作之一。

2024年9月该测试推出时，最好成绩是21.5%。2025年12月，Opus 4.5在Claude Code scaffold下verified accuracy 为77.78%，经人工校验后为95.5%，项目方称CORE-Bench已被解决。

打开网易新闻 查看精彩图片

https://hal.cs.princeton.edu/corebench_hard

15个月，从21.5%到95.5%。

MLE-Bench测的是AI独立参加Kaggle竞赛的能力，覆盖75个真实比赛项目。

2024年10月发布时最高分16.9%，到2026年2月，Gemini 3加搜索工具的组合已经达到64.4%。

打开网易新闻 查看精彩图片

https://github.com/openai/mle-bench

Anthropic内部还有一个测试：让模型优化一个仅使用CPU的小型语言模型训练代码，越快越好，以未优化版本的速度为基准。

  • 2025年5月，Claude Opus 4：2.9倍；

  • 2025年11月，Opus 4.5：16.5倍；

  • 2026年2月，Opus 4.6：30倍；

  • 2026年4月，Claude Mythos Preview：52倍。

不到一年，从2.9倍涨到52倍。

这是AI在优化AI训练代码这件事情上的进展速度。

99%的工程活

AI快接完了

这里有一个关键问题：AI研究这件事，到底有多少是纯工程，多少是真正的创意？

Clark给出了一个框架，引用了爱迪生那句话：天才是1%的灵感和99%的汗水。

他认为，AI研究也是如此。

一个典型的AI研究循环是这样的：拿一个现有系统，在某个维度上扩大规模，观察什么地方开始出问题，修掉工程问题，再扩大一轮。

这个过程里，大部分工作是数据清洗、跑实验、调参数、读论文、复现结果，这些都是「汗水」，不是「灵感」。

偶尔会出现真正改变范式的发明，比如Transformer架构，比如混合专家模型（MoE）。但那是1%，而且这1%越来越不是瓶颈，因为那99%的工程工作正在被AI快速接管。

Clark列了几个信号：

AI已经能管理其他AI。Claude Code、OpenCode这类工具里，单个AI可以扮演「项目经理」，把任务分发给多个子AI并行处理，之后汇总结果。

这和一个人类研究团队的组织方式没有本质区别。

PostTrainBench测试了一件事：AI能不能自己微调开源小模型，提升它在某个任务上的表现？

这个工作通常是前沿实验室里有经验的研究员在做。

截至2026年3月，AI系统在这个任务上能做到人类研究员效果的一半左右，大约是25%到28%的提升幅度，而人类基线是51%。

打开网易新闻 查看精彩图片

https://posttrainbench.com/

Anthropic内部还有一个「自动化对齐研究」的概念验证：让一组AI agent，在AI安全研究问题上自主攻关。

结果是，AI给出的方案超过了Anthropic人类研究员的基线。

打开网易新闻 查看精彩图片

https://www.anthropic.com/research/automated-alignment-researchers

Clark把这些证据串在一起的判断是：AI今天已经能自动化AI工程的绝大部分，AI研究里有多少能自动化，还不完全清楚，但迹象已经很明显。

质疑声也来了

Clark的帖子发出后，行业里也出现了一些质疑。

华盛顿大学机器学习教授，《终极算法》作者Pedro Domingos回复到：「从LISP在50年代发明以来，AI就能构建自己了。问题在于，这个过程究竟能带来递增回报还是递减回报——而目前没有任何证据支持前者。」

打开网易新闻 查看精彩图片

递归自我改进听起来很科幻，但能循环不等于循环有收益。如果每一代AI优化自己的效率只有边际改善，而不是指数级放大，那这件事的影响范围会非常有限。

还有人质疑概念边界。「RSI到底有没有一个权威定义？」一位名叫Dan Brickley的研究员问道。

打开网易新闻 查看精彩图片

另一个更尖锐的观察来自账号@crepesupreme：

2027年30%，2028年60%。一年内概率跳升30个百分点，意味着2027到2028年之间存在某个不连续的能力事件。那个具体事件是什么？

Clark在通讯文章里回应了这个隐含问题：他认为AI研究仍需要某种创意突破才能真正进入「自我研发」循环：AI目前在这一块还没有变革性的表现。这正是他给2027年只打30%的原因；而如果这个缺口在2028年底前被填上，概率就升到60%。

但他同时也承认，自己预判的是概率，而不是确切的时间点。

还有人问他：「你在Anthropic工作，你为什么要去翻公开数据？直接走下楼去问研究员不就行了？」

Clark的答案是：用公开数据，是因为公开数据才有可信度。他要的不是内部判断，是一个任何人都能独立核验的结论。

窗口还开着

但在缩窄

Clark在通讯文章里写：他为什么不给2027年更高的概率？

因为他认为AI研究还包含一些对创意直觉的要求，而AI目前在这一块只有「诱人的早期信号」，还没有系统性突破。

他列了两个信号：一个是Gemini模型参与攻克Erdős数学问题，在700个问题里解出了1个被数学家认为有一定原创性的解。

另一个是斯坦福、UBC等机构与Google DeepMind合作，AI在发现新数学证明中起到了「非常实质性的作用」。

这些结果在AI能力演化的时间轴上，可能是某种早期信号。

Clark的估计是：如果2028年底没有出现他描述的情况，那说明当前技术路径存在某个根本性的能力天花板，需要人类的创意才能突破。

更关键的是「如果出现了」之后的问题。

Anthropic在2026年3月宣布成立The Anthropic Institute时，官方声明里写了这样一句话：

如果AI系统的递归自我改进确实开始发生，那么世界上谁应该被告知，以及这些系统应该如何治理？

打开网易新闻 查看精彩图片

https://www.anthropic.com/news/the-anthropic-institute

连Anthropic自己，都还没有这个问题的完整答案。

Clark在通讯文章里给出了一个更技术性的担忧：今天的对齐技术，如果有99.9%的准确率，在递归迭代50代之后，准确率会跌到95.1%；迭代500代之后，跌到60.5%。

除非你的对齐方案在理论上能保证在更智能的系统上同样有效，否则问题会很快出现。

也许，Clark想要说的是：治理窗口是有限的，而且它正在缩窄。他希望通过文章发出一个提醒：这件事留给讨论、研究和治理设计的时间，比大多数人想象的短。

据奥特曼直播及媒体报道，OpenAI的目标是让AI在2026年9月前达到「AI 研究实习生」水平，2028年达到更完整的自动化研究员；Anthropic自己也在发表自动化对齐研究的概念验证；一家叫Recursive Superintelligence的新公司刚刚完成5亿美元融资，其目标之一就是自动化AI研究。

整个行业已经在朝这个方向加速了。

Clark说，无论从哪个维度看，数据都指向同一个方向，而每一条曲线，都在向右上方飞，时间越长，能力越强，而且没有任何一条显示出减速的迹象。

参考资料：

https://x.com/chatgpt21/status/2051314386317295758

https://importai.substack.com/p/import-ai-455-automating-ai-research

https://www.anthropic.com/research/automated-alignment-researchers