2028年前AI自主进化概率达60%：Anthropic联创深度解析行业变革与未来排行榜

AI系统自主构建自身的时代，可能比预期更早到来。

这一判断来自Anthropic联合创始人杰克·克拉克。5月4日，他在社交平台X上发布了一项关键预测：「递归自我改进（RSI）在2028年底前发生的概率约为60%。」

作为《Import AI》通讯的创办者与主笔，克拉克长期追踪AI能力演进。此次他同步发布了一篇深度分析，系统论证了这一观点。

这一预测指向一个根本性变革：我们的社会是否已为AI驱动的自动化研发浪潮做好了准备？其潜在影响深远，迫使人们重新审视自身在技术演进中的角色。

克拉克在文中强调：若这一天到来，人类将跨越「卢比孔河」，步入一个几乎无法预测的未来。

他认为2026年发生RSI的可能性较低，但未来一两年内，我们很可能在非前沿模型上看到概念验证：一个AI模型能够端到端地训练其「继任者」。这一结论并非基于内部机密，而是源于对arXiv、bioRxiv、NBER等公开论文平台的数据分析，结合其对前沿实验室产品的持续观察。克拉克将这些碎片信息整合，勾勒出AI发展的全景图。

在他看来，AI工程化生产所需的核心组件已基本就位。剩余的关键问题是：模型何时能积累足够的「创造性思维」，开始像人类研究员一样，实质性地推动技术前沿。

四年演进：从30秒到12小时的任务处理能力

克拉克的核心论据建立在一系列清晰的能力增长曲线上。

首先看METR机构绘制的时间轴。该机构专注于评估AI能力，其追踪的关键指标是：当AI独立完成一项任务的成功率达到50%时，该任务若由熟练人类完成所需的时间。

这一数字的演变轨迹极具说服力：2022年，GPT-3.5对应时长为30秒；2023年，GPT-4提升至4分钟；2024年，o1模型达到40分钟；2025年，GPT-5.2（高配版）突破6小时门槛；至2026年，Claude Opus 4.6已能处理长达12小时的任务。

短短四年，能力跨度增长1440倍。AI能力研究员阿杰亚·科特拉进一步预测，到2026年底，这一数字有望突破100小时。届时，AI将能覆盖许多需要数日完成的软件工程或研究辅助任务。

编程能力的飞跃同样显著。以SWE-Bench基准测试为例，它衡量AI解决真实GitHub工程问题的能力。2023年底，Claude 2的得分仅为2%。而今年，Claude Mythos Preview的得分达到93.9%，意味着该基准近乎被完全攻克。

再看CORE-Bench，它测试AI根据学术论文及对应代码库独立复现实验结果的能力——这正是AI研究员的基础工作之一。2024年9月该测试推出时，最佳成绩为21.5%。到2025年12月，Opus 4.5在特定框架下的验证准确率达到77.78%，经人工校验后高达95.5%，项目方宣布CORE-Bench已被解决。

15个月内，从21.5%到95.5%，进步速度一目了然。

MLE-Bench测试AI独立参加Kaggle数据科学竞赛的能力，覆盖75个真实项目。2024年10月发布时，最高分仅为16.9%；至2026年2月，Gemini 3结合搜索工具的组合，分数已跃升至64.4%。

Anthropic内部还有一个更直接的测试：让模型优化一段仅使用CPU的小型语言模型训练代码，比拼优化后的速度提升。2025年5月，Claude Opus 4的优化倍数为2.9倍；11月，Opus 4.5达到16.5倍；2026年2月，Opus 4.6提升至30倍；至2026年4月，Claude Mythos Preview已实现52倍优化。

不到一年，从2.9倍飙升至52倍。这直观展示了AI在「优化AI训练代码」这一核心工程任务上的进展速率。

接管99%：AI如何自动化研究中的工程性工作

这引出一个核心问题：AI研究中，纯粹的工程劳动与真正的创意灵感各占多少？

克拉克引用爱迪生的经典框架：天才是1%的灵感和99%的汗水。他认为AI研究同样遵循这一比例。

典型的AI研究循环是：基于现有系统扩大规模，识别并修复工程瓶颈，然后进入下一轮迭代。其中绝大部分工作是数据清洗、实验运行、参数调整、论文研读、结果复现……这些属于「汗水」范畴。真正改变范式的发明，如Transformer架构或混合专家模型（MoE），只占1%。而当前趋势是，那99%的工程性工作正被AI快速接管。

克拉克列举了几个明确信号：

首先，AI已能管理其他AI。在Claude Code、OpenCode等工具中，一个AI可扮演「项目经理」角色，将复杂任务分解并分发给多个子AI并行处理，最后汇总结果。这种工作流与人类研究团队的协作模式已无本质区别。

其次，PostTrainBench测试揭示了一个趋势：AI能否自行微调开源小模型以提升特定任务表现？这通常是资深研究员的职责。截至2026年3月，AI系统在此任务上已达到人类研究员效果的一半左右，提升幅度约为25%-28%，而人类基线提升幅度为51%。

更引人注目的是Anthropic内部的概念验证——「自动化对齐研究」：让一组AI智能体在AI安全问题上进行自主攻关。结果显示，AI提出的解决方案甚至超过了Anthropic人类研究员设定的基线水平。

综合这些证据，克拉克判断：AI目前已能自动化AI工程中的绝大部分工作。至于AI研究本身有多少能被自动化，虽未完全清晰，但迹象已足够明确。

行业质疑：理性审视RSI的挑战与定义

克拉克的观点也引发了行业内的理性质疑。

华盛顿大学机器学习教授、《终极算法》作者佩德罗·多明戈斯回应道：「自50年代LISP语言诞生以来，AI已能构建自身。核心在于这一过程带来的是递增回报还是递减回报——目前尚无证据支持前者。」

这一观点切中要害。递归自我改进能循环不等于循环有收益。若每一代AI的自我优化仅带来边际改善，而非指数级放大，其实际影响将非常有限。

研究员丹·布里克利则对概念本身提出质疑：「RSI是否存在一个权威的定义？」

另一个尖锐观察来自账号@crepesupreme：克拉克预测2027年概率为30%，2028年为60%。这意味着一年内概率跳升30个百分点，暗示2027至2028年间可能存在某个突变性能力事件。那么，这个具体事件可能是什么？

克拉克在通讯文章中回应了这一问题。他认为，AI研究仍需某种创意突破才能真正进入「自我研发」循环，而AI目前在创造性方面尚未展现出变革性能力。这正是他只给2027年设定30%概率的原因。若这一能力缺口在2028年底前被填补，概率则会升至60%。同时他也承认，自己预测的是概率，而非确切时间点。

还有人提出更直接的问题：「你在Anthropic工作，为何要查阅公开数据？直接询问你的研究员同事不就行了？」

克拉克的答案体现了其严谨性：使用公开数据是因为其具有可验证的公信力。他寻求的不是内部主观判断，而是任何人皆可独立核验、基于客观事实的结论。

缩窄的窗口：治理的紧迫性与行业动向

那么，为何克拉克不给2027年更高的概率？

他在通讯文章中解释，因为AI研究仍包含对创意和直觉的要求，而AI目前在这一领域仅有「诱人的早期信号」，尚未取得系统性突破。他举了两个例子：一是Gemini模型参与攻克埃尔德什数学问题，在700个问题中解出1个被数学家认为具有原创性的解；二是斯坦福、UBC等机构与Google DeepMind的合作中，AI在发现新数学证明方面起到了「非常实质性的作用」。

这些成果在AI能力演进的时间轴上，可被视为早期信号。克拉克估计，若到2028年底仍未出现所述情况，可能意味着当前技术路径存在根本性的能力天花板，必须依赖人类创意才能突破。

然而，比「是否发生」更关键的问题是「发生之后」的应对。

Anthropic在2026年3月宣布成立「Anthropic研究所」时，其官方声明中写道：「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，以及这些系统应如何治理？」

连Anthropic自身，也尚未拥有这一问题的完整答案。

克拉克在文章中提出了一个更技术性的担忧：假设当前AI对齐技术准确率为99.9%，在递归迭代50代后，准确率将衰减至95.1%；迭代500代后，将骤降至60.5%。除非对齐方案在理论上能保证对更智能的系统同样有效，否则问题将迅速失控。

或许，克拉克真正想传达的是：留给人类进行有效治理的时间窗口有限，且正在快速缩窄。他希望通过这篇文章提醒业界：关于此事的讨论、研究与治理设计，所剩余的时间比大多数人想象的更短。

行业动向印证了这种紧迫感。根据山姆·奥特曼的直播及相关报道，OpenAI的目标是让AI在2026年9月前达到「AI研究实习生」水平，并在2028年实现更完整的自动化研究员能力。Anthropic自身也在推进自动化对齐研究的概念验证。一家名为「递归超级智能」的新公司刚完成5亿美元融资，其核心目标之一正是自动化AI研究。

整个行业，已朝这一方向全力加速。

克拉克总结道，无论从哪个维度审视，数据都指向同一方向。每一条能力曲线都在向右上方飞速延伸——时间越长，能力越强，且没有任何一条曲线显示出减速迹象。

来源：互联网