这周有件事我觉得比任何一个新模型发布都值得聊。

9月17日，Anthropic在官网挂了一篇文章，标题很平淡，叫《Measuring the pace of AI development》。内容却是头一回：一家前沿实验室把自己内部的三个运营数字摊开给外人看——AI在它自己的研发里干了多少活，那些自己跑的Agent有没有人盯着，算力有多少分给了安全。

这三个数背后其实只有一个问题：递归自我改进（Recursive Self-Improvement，下面简称RSI）到底走到哪了，这个话题从今年开始就非常火爆，智谱最近也声明他们在Infra开发上实现了基本的RSI。这篇文章我想把报告和这个问题放在一起讲。先讲报告说了什么，再讲RSI这个概念从哪来、现在有哪些硬证据、哪些是反证，最后用RSI的框架回头看这三个数，你会发现它们的意义和媒体标题写的不太一样。

一、报告说了什么

先把三个数交代清楚，后面要反复用。

26%。今年7月，Anthropic每周随机抽20%的员工，问你这周具体干了什么，攒下来大概一万五千个小任务，归成一棵542个节点的树，每个任务按花的时间加权。然后让一个Claude当裁判，按Epoch AI的自动化等级打分：0级AI没参与，3级“协作”（人盯着，AI干大块），4级“主导”（给个大方向，AI自己从头做到尾），5级完全自主。结果是到8月份，Claude“主导”了26%的模型研发任务，2月份还不到1%；九成以上到了“协作”以上；没有任何一块是完全自主的。裁判靠谱程度：模型和人打分完全一致59%，差一级以内97%，而人和人之间完全一致只有35%。

三万个Agent。内部主平台上约三万个Agent在干研究和工程，累计超过十亿次决策。在线监控100%覆盖，实时拦截率0.002%，约每四万七千次拦一次；离线监控100%覆盖，每千份记录标一两份，每周约五十起升级到人。每个Agent有独立身份，所有产出记名，Agent之间用共享消息系统沟通。

6%。7月13到20日一周的算力快照，研发算力里6%用于安全，“AI驱动的研发”里12%。报告自己说这是刻意保守的估计，也说算力是安全投入的糟糕代理——安全研究耗人时不耗算力。

报告为什么这时候发？同月Dario Amodei写了《We Must Pace the Frontier》，核心主张是前沿实验室要主动放慢能力提升的节奏，理由就是RSI：AI开始参与造下一代AI，这个环一旦闭合，速度就不由人决定了。三指标是他三步走方案（第三方进驻、盟友协调、再谈中国）的第一步配套。所以这不是一份中立的技术报告，是一份带议程的透明度文件。知道这点，再看数字会冷静一些。

二、RSI是什么：从1965年到现在

这个词现在被用得很滥，先把它说清楚。

起点。1965年，I.J. Good写了篇《关于第一台超智能机器的推测》，定义超智能机器是“在包括设计机器在内的一切智力活动上都超过任何人的机器”。他的推论很简单：既然设计机器也是智力活动，那第一台超智能机器就能设计出更好的机器，更好的机器再设计更好的，于是“智能爆炸”。这个逻辑六十年没变过，变的是它从思想实验变成了工程问题。

现代定义。Anthropic今年5月发过一篇《When AI builds itself》，把RSI定义为“一个AI系统能完全自主地设计和开发自己的继任者”。注意“完全自主”和“继任者”这两个词——不是AI帮人写代码，是AI自己决定下一代模型长什么样、怎么训、训出来好不好。Anthropic的原话是“我们还没到那一步，而且RSI不是必然的”。

分层。今年7月arXiv上有篇综述，梳理了2024到2026年一千两百五十篇相关论文，把这个领域的混乱术语理了一遍。它的核心区分是两个维度：一是“改进的是什么”——是部署时的行为、训练策略、评估器、还是研究过程本身；二是“环闭合到什么程度”——从人在环里到完全闭环。按这两个维度，它把现有工作分成两类：“有界自我精炼”（self-refine、self-reward、self-play这些，收敛、可评估、已经在工业界用了）和“开放式RSI”（受制于接地要求、坍缩动力学和算力）。

综述里最有价值的一句话是：每一个自我改进的环路，本质上都是“某个信号可以替代人类判断”的一个断言。它按信号强弱排了一个层级：形式化验证器最强，单元测试次之，往下是基准分数、模型评判，最弱的是模型自评。违反这个层级的后果是两种失败：自我确认的死循环，和模型多样性坍缩。

这句话我后面要反复用。RSI能不能闭环，本质上就是问：在研发的每一环，有没有一个足够强的信号能替代人的判断。

软件爆炸还是硬件爆炸。还有一个区分要交代。RSI的加速可以来自两个方向：算法和软件的自我改进（不需要新芯片，只需要更聪明地用现有算力），或者硬件和算力的扩张（需要建厂、建电站）。前者可以很快，后者受物理约束。现在讨论的“智能爆炸”基本都是指前者——所谓软件智能爆炸。这也是为什么算力分配能成为一个刹车：软件爆炸的上限是现有算力，算力分配是唯一能被外人核实的物理量。

三、RSI的进展：正面证据

正面证据主要来自实验室自己，其中Anthropic 5月那篇最详细。

代码。Anthropic内部合并的生产代码，超过80%是Claude写的，2025年2月之前是个位数。每个工程师每季度的代码量，从2024年二季度到2026年二季度涨了8倍。他们自己的评估是：2025年底Claude写的代码比人略差，现在持平，一年内会明显更好。

任务长度。METR的“时间跨度”指标是这个领域最常引用的：一个模型能以50%成功率完成的任务，换算成人类专家需要花多长时间。Anthropic给的内部数据是：2024年3月的Opus 3能做4分钟的任务，2025年3月的Sonnet 3.7能做90分钟，2026年3月的Opus 4.6能做12小时，预计2027年到一周。METR自己的数据显示，这个跨度长期是每7个月翻一倍，但2024到2025年加速到了每3.5个月翻一倍——也就是一年10倍。METR同时说，16小时以上的测量在现有任务集上已经不可靠了，也就是说尺子快到头了。

实验优化。Anthropic给了一个我觉得最硬的数：给模型一个代码优化任务，2025年5月的Opus 4能做到3倍加速，2026年4月的Mythos Preview做到52倍，而熟练的人花4到8小时能做到4倍。这是执行环上超越人类的直接证据。

研究复现。一个叫W2S的内部项目，AI Agent一周内恢复了97%的性能差距，两个人类研究员同期只恢复了23%，Agent用了800个累计小时和大约1.8万美元算力。负责的研究员评价是：“如果一个初级同事在同样时间交出这样的结果，我会略感惊讶。”注意措辞，是“略感”。

判断力。这是最值得盯的一项。Anthropic测了模型在研究会话中选择下一步的判断是否优于人：2025年11月是51%（等于抛硬币），2026年4月是64%。这个数从“和人一样”到“比人好一点”只用了五个月。

产出倍数。3月对130名员工的调查，中位数估计是有了Mythos Preview之后产出是原来的4倍。

把这些放在一起，Anthropic自己的判断是：Claude在执行明确定义的实验上已经超过人；在把一个没说清楚的问题搞清楚并解决上已经很强；差距主要在“选择目标”——工程上和研究上都是。他们的原话是，这个差距“就是今天的AI和一个能自主设计继任者的未来系统之间的距离”。

四、RSI的进展：反面证据

反面证据主要来自实验室外面，而且是最近才有的。

普林斯顿的实验。今年8月，Sayash Kapoor团队做了一个很直接的测试：给Claude Opus 4.8两篇还没发表的NeurIPS 2026论文的问题，3000美元预算，六天时间，让它独立做研究。两篇AI生成的论文都被原作者打回了。Kapoor的评价很不客气：“Agent在真正做研究这件事上，毫不含糊地差。”具体差在哪：不会探索多样的假设，一条路走不通不会换，不会有效吸收反馈，不会管理资源（算力、token、时间怎么分配）。他的解释是，模型在强化学习里反复练过的任务上很强，但开放式的工作没练过。

Jack Clark的表态。这一条分量很重，因为他是Anthropic的联合创始人。他说观察到的是“缺乏有价值的、直觉性的创造力”和“死板、公式化的思考”，并明确说这是“对短期RSI时间线的看空信号”。一家实验室的创始人，在自己公司发26%的同一个季度，说这话，说明内部对RSI的判断并不像外面传的那么一致。

综述的结构性判断。前面那篇arXiv综述的结论是：开放式RSI受三个东西限制——接地（改进的信号最终要落到真实世界的验证上）、坍缩（自我评判的环路会趋同）、算力。而且它指出人的角色不只是“验证”，还有“决定什么值得被验证”，这一层验证层级本身管不了。它认为“治理级别的自我改进度量”是整个领域最空的一块——而这恰恰是Anthropic这次三指标想填的。

Amdahl定律。Anthropic 5月的报告自己也承认了这个：一个环节加速之后，瓶颈就转移到没加速的环节。他们现在的瓶颈已经变成了人的代码审核跟不上Claude的产出，以及“新想法的爆发超过了组织追踪它们的能力”。这意味着执行环的加速不能线性传导为整体加速——执行快了十倍，如果判断环没动，整体只快一点点。

把正反两面放一起，我的读法是：执行环和验证环已经大半自动化了，而且是超人类水平的自动化；提问环和判断环还在人手里，而且外部实验显示AI在这两环上不只是弱，是差。这不是一个“还差一点”的状态，是一个结构性的分层状态。

五、用RSI的框架回头看三指标

现在把报告的三个数放回这个框架。

26%说的是哪一环。报告列的例子——评估平台的bug修复、RL沙箱的网络策略、线上事故复盘——全是执行环和验证环的活。它没有给分类别的自动化比例，这是报告最大的缺失，但从5月那篇的信息可以推：Anthropic自己说“定方向的工作占个位数比例”，这个比例“仍然由人控制”。所以26%大概率是执行环里的比例在涨，不是判断环在被替代。

换个说法：26%证明的是Good的逻辑里“设计机器也是智力活动”这句话的前半截——机器确实在做智力活动了；但没证明后半截——机器在“设计”。

4级和5级之间隔着什么。报告说没有任何子集到完全自主，这句话比26%重要。4级“主导”的定义是“给个高层提示，AI端到端完成”——提示还是人给的。从4级到5级，隔的不是工程量，是那64%。判断力从51%到64%用了五个月，如果这条线继续走，明年这个时候可能到80%。但普林斯顿的实验说的是另一件事：在真正开放的研究问题上，AI不是“判断稍差”，是不会探索、不会回头、不会分配资源。这两个信号打架。我倾向于认为Anthropic的64%测的是“在人已经框定的会话里选下一步”，普林斯顿测的是“没人框定时自己开一条路”，前者是局部判断，后者是全局判断。局部判断在快速追平，全局判断还没起步。

三万个Agent是RSI的组织形态。我看研发组织一直用一个框架：组织迭代效率等于决策速度乘以信息带宽乘以资源集中度，再除以组织摩擦。人的组织里四项都有硬上限。三万个Agent，每个有身份、有记录、共享消息系统——这是一个信息带宽和决策速度都不在人类尺度上的组织。Anthropic做的事，本质上是先把组织的迭代速度从人的尺度拉到机器的尺度，这是RSI的前置条件。但注意，这个组织的“决策速度”目前指的是执行层的决策，方向层的决策速度还是人的速度。所以它是半台机器：底盘换了，方向盘还在人手里。

监督指标是RSI的许可条件。放回RSI语境，那三个子指标（覆盖率、审查延迟、升级率）就不是安全部门的KPI了。Amodei担心的是“能力更强但对齐没跟上的Agent群”，这就是那三万个Agent的下一代。RSI的风险不在于某一个模型突然变聪明，而在于一个自我改进的Agent组织目标漂移了没人发现。综述说的“自我确认的死循环”，放在组织层面就是这个。覆盖率掉下100%的那天，就是该踩刹车的那天。而0.002%的拦截率是好是坏，取决于监控器的召回率——这个内部数据永远给不出来，只能靠第三方。

6%是为软件爆炸预留的刹车。如果RSI真的开始加速，人时会失去意义（AI不睡觉），能力评估会滞后（模型进步快过评估集更新，METR的尺子已经快到16小时的顶了），最后唯一还能卡住节奏的物理量就是算力。Anthropic现在把算力拿出来当指标，是在给未来的自己留一个刹车踏板。6%本身没有信息量，但“把算力列为指标”这个动作有。

六、真正的瓶颈在哪

综合下来，我认为RSI闭环前面有三道坎，而且它们的性质不一样。

第一道是验证。综述那个层级说得很清楚：执行环之所以能先自动化，是因为代码有单元测试、实验有基准分数，信号够强。研究判断之所以难自动化，是因为“这个方向值不值得做”没有强信号，只有人的品味。RSI要闭环，要么找到替代品味的强信号，要么让模型的品味好到可以自评。前者目前没有，后者就是普林斯顿实验测的东西，结果是差。

第二道是墙钟时间。就算AI把研发人时全包了，一个想法要验证，还是得跑训练，训练要GPU、要时间。AI再快，也快不过一次预训练的墙钟时间。52倍的优化加速很惊人，但它加速的是“优化一段代码”，不是“跑一次实验”。我一直的看法是，学习层的算力已经进入边际递减，瓶颈在往表征和预测那一层挪，而那一层的突破靠的是新范式，不是更多的执行力。26%的执行自动化对突破新范式的帮助有限。

第三道是Amdahl。执行加速十倍，如果判断环没动，整体只快一点点，而且瓶颈会转移到人的审核和组织的消化能力上。Anthropic自己已经撞上这堵墙了。这意味着RSI不会是一条平滑的指数曲线，而是一段一段的：每自动化一环，加速一阵，然后卡在下一环，直到那一环也被自动化。

所以我对RSI的总体判断是：不要把它想成一个开关。它是一个逐环替换的过程，先替执行，再替验证，最后才轮到判断。26%告诉我们前两环替得很快，对第三环没有提供信息；外部实验告诉我们第三环还差得远。

真正该盯的信号不是“主导比例涨到多少”，而是两个：一，有没有任何实验室拿出证据，说AI独立提出的研究问题产生了人没想到的非平凡结果；二，Anthropic那个“下一步判断优于人”的比例，明年测的时候是在开放问题上还是在框定问题上。前者出现，或者后者换了测法还能过70%，我会全面修正判断。

七、对中国和对投资人

关于中国。Amodei的三步走，第二步是美国和盟友先协调，第三步才轮到中国，而且他自己说很难验证。真要发生协调放缓，大概率先在美国公司之间发生。对国内头部团队，这在时间上是窗口，在舆论上是压力——“你们为什么不参与”会被反复问。我建议头部团队提前想清楚：自己的透明度指标是什么，什么时候公布，公布什么。另外，国内实验室的研发自动化程度到底在哪一档，目前没有任何公开数据。这个信息差本身就值得关注——不是说国内一定落后，而是没人知道。

关于投资。我觉得主要有三点影响。

一是研发效率的定义变了。以前问创始人“你们团队里AI干多少活”是软问题，现在有了可借的尺子：按Epoch的等级，你的执行环、验证环、判断环各在几级。我会开始要求被投和拟投的公司按这个口径自评。不是为了追26%，是为了知道自己在哪条曲线上——一个百人团队如果执行环到了4级，它对标的是过去的千人团队。

二是验证是个赛道。综述说得对，RSI每一环能不能闭合取决于有没有强信号替代人的判断。谁能把某个领域的“品味”变成可计算的验证信号，谁就在那个领域拿到了RSI的钥匙。这在机器人和具身智能上尤其明显：物理世界的验证信号天然比代码弱，仿真到真实的差距就是验证层级里的断层。谁把这个断层补上，谁的数据飞轮才转得起来。

三是监督是个产品。当每家做Agent的公司都要回答“你的覆盖率、延迟、升级率是多少”，监督工具会变成独立市场。而且这个市场有政策推力——Amodei的第一步就是第三方进驻，进驻之后总得有工具看。

结语

这份报告最好的地方，是把三个以前只能定性吵的事变成了可以定量追踪的数，而且老老实实列了每一个的缺陷。最要警惕的地方，是它目前还是一份单方面的、没人核过的、带着明确目的的文件。

26%这个数接下来会被引用无数次，多半会被当成“RSI已经开始”的证据。我建议每次引用都把限定词带上：Anthropic内部、按时间加权、Claude打的分、“主导”这一级、2026年8月。

至于RSI本身，Good在1965年说的那句话，现在可以拆成两半来看：机器确实在做设计机器的智力活动了，这一半成立；机器在“设计”，这一半还没有。26%是前一半的证据，Jack Clark的看空和普林斯顿的两篇退稿是后一半的证据。环路的下半截转起来了，上半截还没有。什么时候上半截也转起来，才是真正该紧张的时候——而到那时，报告里那三个数，就是我们唯一能看的仪表盘。

参考资料