AI系統，可能很快就能自行構建自身了！

說這句話的人，是Anthropic聯合創始人Jack Clark。

5月4日，他在X上發帖：「我認為，遞歸自我改進（RSI）有60%的概率在2028年底之前發生?！?/span>

除了Anthropic聯合創始人身份之外，Clark還是《Import AI》的創辦者兼主筆，長期跟蹤AI能力進展。

這次發帖，他在《Import AI》上同時發布了一篇完整的分析文章。

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

Clark在文章里寫：如果這一天到來，人類將跨過一道「盧比孔河」，進入一個幾乎無法預測的未來。

他不認為這會發生在2026年，但他預判一兩年內可能在非前沿模型上，出現這樣的概念驗證：一個模型，端到端訓練出自己的繼任者。

支撐Clark結論的，主要來自公開信息：arXiv、bioRxiv、NBER上的論文，加上他對各大前沿實驗室產品的持續觀察，Clark以此拼湊出一幅關于AI進展的全景圖。

在他看來，AI工程化生產的所有組件，今天已經基本齊了。剩下的問題是：模型什么時候能積累足夠的創造力，開始像人類研究員一樣推動前沿演進。

Clark的核心論據，是一批能力進展曲線。

先看METR的時間軸圖。

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

METR是一個專注AI能力評估的機構，他們追蹤的是：AI系統能獨立完成一項任務，在50%成功率水平線上，這項任務如果讓一個熟練的人來做大概需要多少時間。

• 2022年，GPT-3.5的數字是：30秒；

• 2023年，GPT-4把這個數字推到了4分鐘；

• 2024年，o1推到了40分鐘；

• 2025年，GPT-5.2（高配版）跨到了6小時；

• 2026年，Claude Opus 4.6已經到了12小時。

四年，從30秒到12小時，翻了1440倍！

AI能力研究員Ajeya Cotra認為，2026年底之前，這個數字有望突破100小時。

如果達到100小時時間跨度，它將能覆蓋許多多日級軟件/研究輔助任務。

編程能力同樣也在起飛。

SWE-Bench衡量的是AI解決真實GitHub工程問題的能力。2023年底，Claude 2的得分是2%。到今年，Claude Mythos Preview達到93.9%，這個基準基本被打穿了。

CORE-Bench測的是另一件事：給AI一篇論文和對應的代碼庫，讓它獨立復現實驗結果，這是AI研究員最基本的日常工作之一。

2024年9月該測試推出時，最好成績是21.5%。2025年12月，Opus 4.5在Claude Code scaffold下verified accuracy 為77.78%，經人工校驗后為95.5%，項目方稱CORE-Bench已被解決。

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

15個月，從21.5%到95.5%。

MLE-Bench測的是AI獨立參加Kaggle競賽的能力，覆蓋75個真實比賽項目。

2024年10月發布時最高分16.9%，到2026年2月，Gemini 3加搜索工具的組合已經達到64.4%。

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

Anthropic內部還有一個測試：讓模型優化一個僅使用CPU的小型語言模型訓練代碼，越快越好，以未優化版本的速度為基準。

• 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，從2.9倍漲到52倍。

這是AI在優化AI訓練代碼這件事情上的進展速度。

這里有一個關鍵問題：AI研究這件事，到底有多少是純工程，多少是真正的創意？

Clark給出了一個框架，引用了愛迪生那句話：天才是1%的靈感和99%的汗水。

他認為，AI研究也是如此。

一個典型的AI研究循環是這樣的：拿一個現有系統，在某個維度上擴大規模，觀察什么地方開始出問題，修掉工程問題，再擴大一輪。

這個過程里，大部分工作是數據清洗、跑實驗、調參數、讀論文、復現結果，這些都是「汗水」，不是「靈感」。

偶爾會出現真正改變范式的發明，比如Transformer架構，比如混合專家模型（MoE）。但那是1%，而且這1%越來越不是瓶頸，因為那99%的工程工作正在被AI快速接管。

Clark列了幾個信號：

AI已經能管理其他AI。Claude Code、OpenCode這類工具里，單個AI可以扮演「項目經理」，把任務分發給多個子AI并行處理，之后匯總結果。

這和一個人類研究團隊的組織方式沒有本質區別。

PostTrainBench測試了一件事：AI能不能自己微調開源小模型，提升它在某個任務上的表現？

這個工作通常是前沿實驗室里有經驗的研究員在做。

截至2026年3月，AI系統在這個任務上能做到人類研究員效果的一半左右，大約是25%到28%的提升幅度，而人類基線是51%。

https://posttrainbench.com/

Anthropic內部還有一個「自動化對齊研究」的概念驗證：讓一組AI agent，在AI安全研究問題上自主攻關。

結果是，AI給出的方案超過了Anthropic人類研究員的基線。

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

Clark把這些證據串在一起的判斷是：AI今天已經能自動化AI工程的絕大部分，AI研究里有多少能自動化，還不完全清楚，但跡象已經很明顯。

Clark的帖子發出后，行業里也出現了一些質疑。

華盛頓大學機器學習教授，《終極算法》作者Pedro Domingos回復到：「從LISP在50年代發明以來，AI就能構建自己了。問題在于，這個過程究竟能帶來遞增回報還是遞減回報——而目前沒有任何證據支持前者?！?/span>

遞歸自我改進聽起來很科幻，但能循環不等于循環有收益。如果每一代AI優化自己的效率只有邊際改善，而不是指數級放大，那這件事的影響范圍會非常有限。

還有人質疑概念邊界。「RSI到底有沒有一個權威定義？」一位名叫Dan Brickley的研究員問道。

另一個更尖銳的觀察來自賬號@crepesupreme：

Clark在通訊文章里回應了這個隱含問題：他認為AI研究仍需要某種創意突破才能真正進入「自我研發」循環：AI目前在這一塊還沒有變革性的表現。這正是他給2027年只打30%的原因；而如果這個缺口在2028年底前被填上，概率就升到60%。

但他同時也承認，自己預判的是概率，而不是確切的時間點。

還有人問他：「你在Anthropic工作，你為什么要去翻公開數據？直接走下樓去問研究員不就行了？」

Clark的答案是：用公開數據，是因為公開數據才有可信度。他要的不是內部判斷，是一個任何人都能獨立核驗的結論。

Clark在通訊文章里寫：他為什么不給2027年更高的概率？

因為他認為AI研究還包含一些對創意直覺的要求，而AI目前在這一塊只有「誘人的早期信號」，還沒有系統性突破。

他列了兩個信號：一個是Gemini模型參與攻克Erd?s數學問題，在700個問題里解出了1個被數學家認為有一定原創性的解。

另一個是斯坦福、UBC等機構與Google DeepMind合作，AI在發現新數學證明中起到了「非常實質性的作用」。

這些結果在AI能力演化的時間軸上，可能是某種早期信號。

Clark的估計是：如果2028年底沒有出現他描述的情況，那說明當前技術路徑存在某個根本性的能力天花板，需要人類的創意才能突破。

更關鍵的是「如果出現了」之后的問題。

Anthropic在2026年3月宣布成立The Anthropic Institute時，官方聲明里寫了這樣一句話：

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

連Anthropic自己，都還沒有這個問題的完整答案。

Clark在通訊文章里給出了一個更技術性的擔憂：今天的對齊技術，如果有99.9%的準確率，在遞歸迭代50代之后，準確率會跌到95.1%；迭代500代之后，跌到60.5%。

也許，Clark想要說的是：治理窗口是有限的，而且它正在縮窄。他希望通過文章發出一個提醒：這件事留給討論、研究和治理設計的時間，比大多數人想象的短。

據奧特曼直播及媒體報道，OpenAI的目標是讓AI在2026年9月前達到「AI 研究實習生」水平，2028年達到更完整的自動化研究員；Anthropic自己也在發表自動化對齊研究的概念驗證；一家叫Recursive Superintelligence的新公司剛剛完成5億美元融資，其目標之一就是自動化AI研究。

整個行業已經在朝這個方向加速了。

Clark說，無論從哪個維度看，數據都指向同一個方向，而每一條曲線，都在向右上方飛，時間越長，能力越強，而且沒有任何一條顯示出減速的跡象。

注：文章來源于為微信公眾號《新智元》。