新智元报道
编辑：元宇
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。」
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。
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。
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。
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%。
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%。
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。
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。」
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。
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？
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
