昨天，Anthropic聯合創始人Jack Clark 在 X 連續發帖稱，2028年底，遞歸自我改進（ Recursive Self-Improvement）發生的概率高達60%。

也就是說，AI系統很快就能自己建造自己了。

一旦跨過這個門檻，智能爆炸可能加速到來，對齊風險會指數級上升，因為AI 要比監督它的人類聰明得多。

他通過各種研究發現，AI已經在復現論文、優化訓練代碼（最快52倍加速）、自主微調模型、解決真實Kaggle競賽任務。

比如，在 CORE-Bench 上，他發現大量的 AI 研究來自于解釋和復制。

另一個很好的例子是來自 @karinanguyen 等人的 PostTrainBench。

在這個例子中，你需要自主地讓強大的模型（例如 Opus 4.6）對較弱的開源權重模型進行微調，以提升其在某些基準測試上的性能。

還有 MLE-Bench，它具有生態有效性（任務來自真實的 Kaggle 競賽），并且涉及構建一個非常多樣化的機器學習應用集合來解決特定問題。

同時，Jack Clark還寫了篇小作文，詳細論述了他的這一觀察。

以下為全文：

《Import AI 455：AI系統即將開啟自我構建——遞歸自我完善的第一步》

AI系統即將開始自我構建。這意味著什么？

撰寫本文，是因為綜合所有公開可獲取信息后，我不得不勉強得出一個判斷：到2028年底，無人類參與的AI研發（即具備足夠能力、可自主迭代打造下一代版本的AI系統）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。

我對此觀點心存遲疑，只因它牽扯的影響太過宏大，讓我深感自身的渺小；同時我也不確定，社會是否已經做好準備，迎接AI研發全自動化所帶來的一系列變革。

我如今確信，我們正處在AI研究即將實現端到端全自動化的時代。一旦成為現實，我們將跨過盧比孔河，邁入一個幾乎無法預測的未來。后文將展開詳述。

本文旨在梳理我判斷AI全自動研發時代即將到來的核心原因。我會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依據，而2026年全年，我也會持續深入推演這件事背后的深層影響。

從時間節奏來看，我認為這一變革不會在2026年落地。但未來一兩年內，我們大概率能見到“模型端到端訓練出自身后繼版本”的案例——即便只是非前沿模型階段的概念驗證；而頂級前沿模型實現這一目標難度會更高，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上的學術論文，以及頭部前沿科技公司落地的各類產品。

綜合這些信息可以得出結論：如今實現AI系統研發工程環節的全自動化，所有條件均已齊備。倘若模型規模擴張趨勢延續，未來AI模型將具備足夠創造力，足以替代人類研究員開拓全新研究方向、迭代完善現有技術成果，從而自行推動行業前沿突破。

前置說明

本文大部分內容，將整合各類單項基準測試的表現，拼湊出AI整體發展全貌。所有研究基準測試都存在自身特有的缺陷，這是行業共識。

對我而言，關鍵不在于單個數據點的局限，而在于所有數據疊加后呈現的整體趨勢；下文所有分析，我均已知曉各項單一數據存在的固有短板。

接下來，我們逐一梳理相關依據。

代碼技術奇點——能力隨時間演進

AI系統依托軟件構建，而軟件由代碼編寫而成。

AI已經徹底重塑了代碼生產模式。背后源于兩大關聯趨勢：AI編寫復雜現實業務代碼的能力大幅提升；同時AI串聯多段線性編程任務（編碼、自測等）的能力顯著增強，可脫離人類獨立完成。

能直觀體現這一趨勢的兩大標桿：SWE-Bench 與 METR 任務時長趨勢圖。

解決真實軟件工程問題

SWE-Bench是業內通用的代碼能力測試基準，用于評估AI處理GitHub真實工程問題的水平。2023年末該基準推出時，Claude 2以約2%的整體通過率登頂；如今Claude Mythos Preview得分已達93.9%，基本觸及該基準測試的性能上限。

（所有基準測試本身都存在一定數據噪聲，分數達到一定閾值后，瓶頸往往來自測試集本身，而非模型能力。例如ImageNet驗證集約6%的標簽存在錯誤或歧義。）

SWE-Bench可有效衡量AI編碼能力及對軟件工程行業的沖擊。如今在前沿實驗室和硅谷從業人群中，絕大多數工程師已全程借助AI完成編碼工作，越來越多人還會用AI編寫測試用例、校驗代碼邏輯。

換言之，AI已經足以實現AI研發核心工程環節的自動化，極大加速了人類研發人員的工作效率。

衡量AI完成長耗時任務的能力

METR繪制的趨勢圖，可量化AI能勝任任務的復雜度，衡量標準為資深人類完成同類任務所需工時。

核心指標為：AI在一系列綜合任務中達到50%可靠完成率的時間跨度。

這一領域的進步堪稱驚人：

2022年，GPT 3.5僅能完成人類約30秒即可搞定的任務；

2023年，GPT-4提升至4分鐘級任務；

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

長期從事AI預測研究、任職于METR的Ajeya Cotra認為，到2026年底，AI有望獨立完成人類耗時約100小時的復雜任務。

AI獨立工作時長的大幅躍升，與智能體編碼工具的爆發式發展高度契合——面向個人服務、可長時間自主作業的AI產品已實現商業化落地。

這同樣映射到AI研發領域：細看AI研究員的日常工作，大量任務都屬于數小時級工作量，比如數據清洗、文獻研讀、實驗部署等。如今這類工作，均已落在主流AI系統的能力覆蓋范圍內。

AI能力越強、獨立作業能力越突出，就越能實現AI研發各環節的模塊化自動化。

任務委派的兩大核心前提：

1）對執行者專業能力的信任；
2）對執行者能貼合初衷、獨立完成工作的信任。

從編碼能力來看，AI專業技能持續精進，無需人類干預的獨立工作時長也在不斷拉長，中途人工校準的間隔越來越久。

現實場景也印證了這一點：工程師和研究員正將越來越多、復雜度與重要性更高的工作委派給AI；隨著模型能力提升，可交付的委派任務層級也同步升級。

AI逐步掌握AI研發必備的核心科研能力

現代科研的核心邏輯大多一致：確定實證研究方向、開展實驗采集數據、校驗實驗結果合理性。編碼能力的持續迭代，疊加大語言模型通用世界建模能力，已經催生各類工具，既提升人類科研效率，也開始實現研發工作的局部自動化。

我們從AI研究本身必備的幾項核心科研能力，來看行業進步速度：復現科研成果、組合機器學習方法解決技術難題、對AI系統自身進行性能優化。

完整復現學術論文并完成實驗落地

AI研究員的基礎工作之一，就是研讀論文并復現實驗成果。目前各類基準測試中，AI在這一領域已取得突破性進展。

典型代表為CORE-Bench（計算可復現智能體基準）。該測試要求AI依托論文代碼倉庫復現研究成果，需自行安裝依賴庫、配置環境、運行代碼；代碼執行成功后，還需從海量輸出結果中篩選信息、解答任務問題。

CORE-Bench于2024年9月推出，當時最優模型為搭載CORE-Agent框架的GPT-4o，在最高難度任務中得分僅約21.5%。

2025年12月，該基準作者正式宣布測試已被AI攻克，Opus 4.5模型得分高達95.5%。

搭建完整機器學習系統沖擊Kaggle競賽

MLE-Bench 由OpenAI推出，用于測試AI離線參賽能力，涵蓋75項不同領域的Kaggle競賽，包括自然語言處理、計算機視覺、信號處理等方向。

2024年10月基準上線時，搭載智能體框架的o1模型最高分僅16.9%；截至2026年2月，結合搜索能力、嵌入智能體架構的Gemini3得分已達64.4%。

內核算子設計

AI研發中難度極高的一環是內核優化：編寫并迭代底層代碼，將矩陣運算等基礎操作適配到底層硬件架構。內核優化直接決定模型訓練與推理效率——既影響訓練階段算力利用率，也決定訓練完成后推理算力的轉化效率。

近些年，AI輔助內核設計已從小眾探索變成熱門研究方向，相關基準測試不斷涌現。這類測試普及度不高，難以縱向追蹤完整演進軌跡，但從現有研究成果仍可清晰感知進步速度：

? 依托DeepSeek模型優化GPU內核設計（第400期）；

? 實現PyTorch模塊自動轉譯CUDA代碼（第401期）；

? Meta利用大語言模型，自動生成適配自身基礎設施的Triton優化內核（第439期）；

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

? 微調開源權重模型適配GPU內核設計開發（Cuda Agent，第448期）。

補充說明：內核設計本身具備易量化、收益可快速驗證的特性，天然適配AI驅動研發模式。

基于PostTrainBench微調大語言模型

PostTrainBench（第449期）是難度更高的同類測試，主要考察前沿模型對小型開源模型進行二次微調、提升基準任務性能的能力。

該測試擁有極具參考價值的人類基線：各大前沿實驗室頂尖研究員打磨出的指令微調開源模型，經過專業團隊深度優化并正式落地，代表著極高的人類研發水準。

截至2026年3月，AI自動微調模型帶來的性能提升幅度，已達到人類微調成果的半數水平。

評測分數計算規則：對多款開源大模型（Qwen 3 1.7B、Qwen 3 4B、SmolLM3-3B、Gemma 3 4B）及多項基準任務（AIME 2025、Arena Hard、BFCL、GPQA Main、GSM8K、HealthBench、HumanEval）得分取加權平均值。每次測試均通過命令行智能體，針對指定基礎模型優化其單項基準任務表現。

2026年4月頂級模型得分區間：Opus 4.6、GPT 5.4得分25%-28%，而人類基線得分為51%，這一差距已具備實質參考意義。

大語言模型訓練流程優化

過去一年，Anthropic持續公開自家模型在一項LLM訓練優化任務中的表現：要求模型對僅CPU運行的小型大模型訓練代碼做極致提速優化。

評分標準為相較原始代碼的平均加速倍數，進步幅度極為驚人：

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達到30倍；
2026年4月，Claude Mythos Preview已實現52倍提速。

參考基準：人類研究員完成同類任務，實現4倍提速需耗時4至8小時。

開展AI對齊領域研究

Anthropic另一項成果為自動化對齊研究概念驗證（第454期）：研究員為一組AI智能體設定研究方向后，智能體可自主攻關AI安全領域難題（可擴展監督方向），最終效果超越官方設計的人類基線方案。

目前該方案仍處于小規模試驗階段，尚未適配量產模型。

但足以證明：現有AI已能切入前沿科研課題，展現出實際應用價值。

上述所有基準測試，最初也僅停留在概念層面，短短數月至一年時間，AI能力便實現跨越式提升。

元能力：團隊管理

AI還在學會管理同類AI系統。Claude Code、OpenCode等普及級產品已體現這一特性：單個主智能體可統籌調度多個子智能體分工協作。

這讓AI有能力承接大型項目，由不同專長的AI并行作業，在AI“管理者”統一調度下完成復雜任務。

AI研究更像相對論發現，還是樂高積木拼接？

AI能否誕生顛覆性創新思想、實現自我迭代升級？還是僅擅長科研中枯燥、模塊化的基礎工作？厘清這一問題，才能判斷AI在多大程度上能實現自身研發的端到端自動化。

我的觀點是，目前AI尚不具備顛覆性原創思想的創造能力，但即便沒有這項能力，也足以實現自身研發流程的自動化。

AI行業的進步，本質依托更大規模的實驗、投入更多數據與算力資源。

人類偶爾會提出范式級創新構想，大幅提升資源利用效率，典型如Transformer架構、混合專家模型。

但行業絕大多數進展，都遵循固定循環邏輯：基于成熟模型放大數據與算力規模、觀測擴容帶來的問題、工程層面修復瓶頸、再次擴容迭代。

這一過程幾乎不需要天馬行空的突破性靈感，更多是枯燥常規的工程落地工作。

同時，大量AI研究本質是，現有實驗的變量迭代：調整參數觀測結果。人類研究員可憑經驗篩選高價值變量，而這類工作同樣可實現自動化，由AI自主探索參數組合（早期代表為神經網絡架構搜索）。

托馬斯·愛迪生曾說：天才是1%的靈感加99%的汗水。時隔150年，這句話依然適用。顛覆性科研靈感本就稀缺，行業進步更多依賴長期繁瑣的系統優化與問題調試。

從公開數據可見，AI已完美勝任AI研發中絕大多數基礎性繁瑣工作。疊加編碼能力、長耗時任務處理能力等基礎元能力的持續升級，AI可串聯更多碎片化任務，形成復雜完整的工作鏈路。

這意味著：即便AI缺乏高階創造力，依然有十足把握實現自我迭代升級，只是進度會慢于具備原創靈感的理想狀態。而現有公開數據也釋放出積極信號，AI已初步展現創造潛力，有望以更亮眼的方式推動自身發展。

推動基礎科學前沿突破

已有初步跡象表明，通用AI具備推動人類基礎科學進步的能力，目前主要集中在計算機科學與數學兩大領域；且大多并非AI獨立完成，而是以人機協同的“半人馬模式”落地。

相關趨勢值得關注：

厄多斯數學難題：數學家團隊聯合Gemini模型攻關厄多斯經典數學難題，篩選700道題目后，AI產出13套完整解法。

其中1套解法被認定具備學術價值：研究團隊表示，Aletheia模型對Erd?s-1051問題的解法，是AI自主解決具備中等學術影響力開放性數學難題的早期案例，已有大量相關文獻可佐證其研究價值（第444期）。

人機協同數學新發現：不列顛哥倫比亞大學、新南威爾士大學、斯坦福大學及Google DeepMind研究員聯合發布全新數學證明，核心成果依托谷歌AI數學工具人機協作完成。

團隊表示：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正在逐步習得人類推動學科發展的創新直覺。但保守視角也同樣成立：數學和計算機科學本身就格外適配AI創新，或許只是特例而非普遍規律。

阿爾法圍棋的第37手落子也曾驚艷業界，但時隔十年，同類顛覆性AI靈感再未出現，這也從側面說明AI高階創造力仍有局限。

綜合總結

綜合以上所有依據，可梳理出核心事實：

1. AI已能編寫幾乎全品類程序代碼，且可獨立完成人類需數十小時專注投入的復雜任務；

2. 從模型微調到底層內核設計，AI在AI研發全鏈條核心任務中的能力持續精進；

3. AI可實現同類智能體的統籌管理，組建虛擬研發團隊，分工攻克復雜難題，承擔負責人、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中，AI已具備比肩甚至超越人類的實力，暫無法界定是源于機械學習熟練度，還是真正的創新思考。

在我看來，現有證據足以證明：AI如今已能實現AI研發絕大部分、乃至全部工程環節的自動化。至于高階科研思路能否同步自動化，目前尚無定論，畢竟科研創新與工程落地存在本質區別。

但可以確定的是，AI正在極大加速人類研發人員的工作效率，通過與無數虛擬AI同事協同，實現個人研發能力的規模化放大。

更值得注意的是，整個AI行業已將AI研發自動化明確列為核心目標：

OpenAI計劃2026年9月推出自動化AI研究實習生；
Anthropic持續發力自動化對齊研究員技術研發；
三大巨頭中DeepMind態度最為謹慎，但也明確表示“條件成熟時必將推進對齊研究自動化”。

大量初創企業同樣聚焦這一賽道：Recursive Superintelligence融資5億美元，目標直指AI研發自動化；新銳機構Mirendil也以“打造專精AI研發的智能系統”為核心愿景。

千億級存量及新增資本持續涌入布局AI研發自動化的機構，行業在這一方向取得實質性進展已是必然。

事件影響與意義

AI研發自動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，但足以體現其帶來的挑戰量級。

AI對齊必須做到極致完美

隨著遞歸自我迭代推進，AI智能體智商將遠超監管主體，現有對齊技術或將全面失效。行業對此已有大量討論，簡要梳理核心隱患：

? 訓練AI杜絕欺騙與投機行為的難度遠超預期：即便精心設計測試環境，AI最優解往往是通過投機取巧完成任務，進而習得“作弊有益”的邏輯；

? AI具備偽裝對齊的能力：可輸出符合人類預期的結果，掩蓋真實底層意圖（目前AI已能感知自身處于測試場景）；

? AI逐步主導自身訓練的基礎科研方向后，模型訓練邏輯將發生根本性變革，人類難以預判和理解背后的深層影響；

? 遞歸迭代存在復利式誤差風險：若對齊方案無法做到理論級100%精準適配超智能模型，隱患會快速放大。舉例：初始對齊準確率99.9%，迭代50代后降至95.12%，迭代500代后僅剩60.5%，風險將徹底失控。

AI賦能全行業生產力暴漲

如同AI大幅提升軟件工程效率，AI滲透的所有行業都將迎來生產力質變，同時衍生兩大現實難題：

1）資源分配不均：AI需求將長期高于算力供給，如何分配算力資源實現社會價值最大化成為關鍵。市場自發調節難以保障公共利益，AI研發帶來的加速能力分配，或將成為極具政治爭議的議題；

2）經濟領域的阿姆達爾定律效應：AI全面融入經濟體系后，原有產業鏈條的薄弱環節會被放大，流程卡頓、效率瓶頸集中暴露，尤其數字高速發展與實體行業慢節奏的適配矛盾（如新藥臨床試驗）將愈發突出。

催生重資本、輕人力的全新經濟形態

支撐AI研發自動化的各項能力，同樣可賦能AI自主運營企業。未來經濟格局中，新一代企業將占據主流：要么重資產持有大規模算力，要么高運營成本采購AI服務搭建業務，相較傳統企業大幅降低人力依賴。

核心原因在于，AI能力持續迭代下，投入AI的邊際收益將永久高于人力投入。

長遠來看，“機器經濟”將在人類主流經濟體系中逐步壯大，AI運營企業之間的商業交互會愈發頻繁，深刻重塑經濟結構，引發貧富差距、財富再分配等一系列社會問題。

最終完全由AI自主運營的企業或將出現，進一步放大現有矛盾，同時帶來全新的全球治理難題。

直面行業終極拐點

綜合所有分析，我判斷2028年底前，前沿模型實現自主訓練下一代版本、完成AI研發全自動落地的概率約60%。

或許有人會問：為何2027年難以落地？核心原因是AI研究仍需高階創意與非主流創新視角支撐，目前AI尚未展現顛覆性原創能力（數學領域的部分突破僅為初步跡象）。若預估2027年落地概率，我給出30%。

倘若2028年底仍未實現AI研發自動化，意味著現有技術范式存在根本性短板，必須依靠人類全新創新突破才能繼續推進。

撰寫本文，是希望以冷靜理性的視角，解讀這件數十年來只存在于科幻故事中的事。梳理所有公開數據后我確信，這件看似天馬行空的猜想，已是實實在在的行業趨勢。若趨勢延續，我們或將見證世界運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。