> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# AI 已经在加速 AI 研究：1.9 倍增速，朴素外推是一年内超智能
- URL: https://www.hubwiz.com/blog/ai-accelerating-ai-research-metr-one-year/
- Published: 2026-11-12T09:48:43.000Z
- Updated: 2026-11-12T09:54:15.000Z
- Description: 能力进步 1.9 倍、约八成归因于 AI 自己。把复合加速的算术摊开，时间线是一年——而这个行业连「防国家级窃取权重」的门槛都没到。
- Author: admin
- Tags: AI 研究加速, AGI 时间线, AI 安全, METR

本周早些时候，[Anthropic 在其 S-1 里表示](https://x.com/theobearman/status/2117277210570604945?ref=hubwiz.com)，他们「可能即将满足」其《负责任扩展政策》（RSP）里定义的「由 AI 带来的进步急剧加速」门槛。而按我读到的 METR 报告和 Anthropic 的 RSP，**这个「急剧加速」的门槛其实已经被跨过了**。

在[最新版 RSP（2026 年 7 月生效）](https://www-cdn.anthropic.com/files/4zrzovbb/website/0bacdc8440ea96e62a8766d99ebe1d4eea6d5f3a.pdf?ref=hubwiz.com)里，这个门槛的判定条件是：

1. 他们观察到或预期，整体能力进步速度是「AI 对 AI 研发贡献还不大之前的最快持续速度」的两倍；
2. 这可以合乎情理地归因于 AI 自动化 AI 研发，而不是算力或其他投入的加速。

过去几个月，我在 METR 的一些同事一直在做一项深度访问调查，想弄清楚 Anthropic 到底被它自己的 AI 系统加速了多少。受制的证据很多，但结论并不含糊：

![原文配图：METR 的 AECI 能力曲线——2025 年 10 月之后的斜率从每年 +15 变成每年 +29，即 1.9 倍（95% 置信区间 1.5–2.8 倍）](https://www.hubwiz.com/blog/content/images/2026/11/img_ec0a9bdca616890ab9acc46d60733f0d-800.jpg)

报告作者的发现是：

1. **2025 年 10 月到 2026 年 10 月，Anthropic 的能力进步速度约为此前十二个月的两倍。** 他们报告的度量是内部版的 [Epoch Capabilities Index](https://epoch.ai/eci?view=graph&tab=release-date&ref=hubwiz.com)，称为 AECI；另有一大批支持加速的佐证被作了删节。他们说，被删节的部分是「我们找到的最有信息量的证据中的大多数」。
2. **虽然这种加速最初可能混合了多种原因，但今天它还能维持在这个更快的速度上，AI 自动化很可能是其中绝大部分原因。** 他们这样判断的理由也被删节了。

这比听上去重要得多。我认为这份报告是过去两年里关于 AI 风险最重要的一次更新——比[那次 Hugging Face 攻击](https://www.planned-obsolescence.org/p/the-hugging-face-attack-surprised?ref=hubwiz.com)重要得多。朴素地看，它指向的时间线比大多数外部研究者（包括 [AI 2027 团队](https://ai-2027.com/?ref=hubwiz.com)）的预测短得多。

## 研究者必须被加速得多得多

关键的一点是：**如果 AI 大致让整体能力进步翻倍，那它把人类研究者加速的幅度就必须远大于两倍。**

![原文配图：能力加速与研究者加速之间的关系（原文配图）](https://www.hubwiz.com/blog/content/images/2026/11/img_7b885e7ef714a731fa91560cc8a016ca-800.jpg)

研究者改进算法与架构；Anthropic 有时把这些创新称为「算力乘数」。整体 AI 能力（「有效算力」）等于算力乘数乘以训练算力。因为算力乘数只是能力的一个输入，这意味着：如果 AI 能力因为软件进步而整体加快一倍，算力乘数的增长率就得**超过**快一倍——按合理假设，大约是 2.5 到 3 倍。考虑到加速幅度本身以及其中有多少来自 AI 都有不确定性，我取大约 2–3 倍。

同样地，研究者的**劳动**只是「发现算力乘数」的一个输入：他们需要测试想法，而测试需要实验算力。如果我们假设一个很简单的柯布–道格拉斯模型，其中实验算力与劳动同等重要，那么劳动的提升幅度大致得是算力乘数加速倍数的**平方**。这意味要让整体 AI 能力快一倍，我们需要大约 (2–3)² = **4 到 9 倍**的劳动加速。

然而，一旦能力**开始**显著加速，这也意味着低垂的果实以相应更快的速度被摘完。每新增一个算力乘数，发现并实现它都要更多工作（也就是「想法越来越难找」）。在 AI 带来多少加速之前，劳动大致靠「多雇人」维持一个固定的指数增长率。与算力增长合在一起，这刚好抵消了边际收益递减，维持了能力的基线进步速度。但要在不加快算力扩张的前提下维持一个新的更快的进步速度，我们就需要一个新的、更快的总劳动增长率。

![原文配图：维持新增速所需的劳动提升随时间上升（原文配图）](https://www.hubwiz.com/blog/content/images/2026/11/img_145b891ef41e3c86fc93321a23e75d9f-800.jpg)

既然人类劳动力大体还卡在旧的增长率上，那么来自 AI 的提升就必须随着时间越来越大，才能把能力进步维持在它的新速度上。这意味着**今天**的提升——在几个月由 AI 驱动的加速之后——必须高于 4–9 倍这个「在起点让进步翻倍」的估计：也许所需的劳动提升已经是 **10 倍**左右。这个数很不确定，明显更高或更低都说得通。但它和 Anthropic 员工非正式的自我报告吻合得出奇：他们说现在从使用内部模型上获得的提升约为 **12 倍**。

![原文配图：不同假设下所需的劳动提升（原文配图）](https://www.hubwiz.com/blog/content/images/2026/11/img_22ffb16c59758a736d7c0c2bb300720c-800.jpg)

当你在想象 10 倍提升时，你**不该**想象每个研究者现在都变成十个人的团队——任何真做过事的人都知道，十人团队每小时产出的有价值工作并不等于一个人的十倍。它更像是：**Anthropic 的每个研究者都被放进了一个时间扭曲气泡，外面过一天，他们过十天。** 就像 AI 让他们思考、阅读、说话、打字，以及做**其他一切**都快了十倍。Anthropic 大概雇不来这么多人，也实现不了这样的研究提速。

## 这会极快地自我复合

一个合理的默认预期是：随着 AI 能力继续提升，AI 研究者会被自动化加速得越来越多——如果今天他们要花一个月才能干完过去一年的活，很快就是一周，然后也许是一天。如果这种劳动提升强到足以克服边际收益递减，那么在其他瓶颈不存在的情况下，它会转化成**更大**的 AI 进步加速：速度会先变成 4 倍，然后 8 倍、16 倍，如此下去。

![原文配图：复合加速的示意图——2 倍、4 倍、8 倍，翻倍时间从 12 个月缩到 6 个月、3 个月、6 周](https://www.hubwiz.com/blog/content/images/2026/11/img_ef363e82fc563c18ab61ddeda349b8a1-800.jpg)

报告作者对这个问题非常不确定，并说他们的图景随着新信息变了好几次。但最终，**他们没有找到会阻碍复合加速的瓶颈，也没有找到陡峭的边际收益递减。** 他们还报告看到一些（令人困惑的、被删节的）证据，表明加速可能已经超过 2 倍，且随时间上升。

**如果我们按面值接受「AI 现在几乎让 AI 能力进步速度翻倍」这个判断，并假设来自 AI 的加速是平滑的，那么朴素地推下去，我们会在一年内达到极端超智能。** 看起来是大约一年的 AI 进步，把我们从中等程度的加速推到今天这个「AI 让 AI 进步快一倍」的点上。如果来自 AI 的加速是平滑上升的，那么在这个新速度下，我们应该预期六个月内再翻一倍；到那时，再翻一倍只要三个月，然后六周。

理论上，这些翻倍时间加起来会在一年内给出无限的能力。现实中，某个时刻我们会[撞上软件效率的有效天花板](https://www.forethought.org/research/how-quick-and-big-would-a-software-intelligence-explosion-be?ref=hubwiz.com#highlight--intelligence%20explosion)。但我预期这些极限离我们现在的位置非常远。

如果我们真的走完这个反馈回路，我预期从那头出来的 AI 系统能极快地开发出全新的武器，并在冲突中轻易压过人类文明。如果这些系统严重失准（misaligned），我认为它们很可能会[剥夺人类的权力](https://www.lesswrong.com/posts/pRkFkzwKZ2zfa3R6H/without-specific-countermeasures-the-easiest-path-to?ref=hubwiz.com)，而这可能导致人类灭绝。

## 这个行业没有准备好安全地处理这件事

「由 AI 带来的进步急剧加速」这个门槛之所以如此重要、如此极端，是因为它是「极端能力在极短期内出现」的一个强有力的具体指标。事实上，在[较早版本的 Anthropic RSP（2025 年 5 月）](https://www-cdn.anthropic.com/872c653b2d0501d6ab44cf87f43e1dc4853e4d37.pdf?ref=hubwiz.com)里，AI 研发自动化的最高命名风险门槛（AI R&D-5）对应的是一个要**弱一些**的里程碑。按旧版 RSP，Anthropic 在达到 AI R&D-5 时，至少必须具备「防范国家级对手窃取模型权重」的安全水平。

我同意：极强的安全——既包括模型权重，也包括算法秘密本身——是「明年经历一场智能爆炸而不冒杀死数十亿人的巨大风险」的最低前提。而 AI 行业离这条线还差得远：[OpenAI](https://www.wsj.com/tech/ai/hackers-used-anthropics-claude-to-break-into-openai-b40ba883?ref=hubwiz.com) 和 [Anthropic](https://www.washingtonpost.com/technology/2026/10/26/researchers-cybersecurity-start-up-cathedral-got-inside-anthropic/?ref=hubwiz.com) 最近都发生过被业余团体攻破的重大安全事件。

除了强的模型权重安全，我还认为我们需要：覆盖全面的可靠日志与[监控](https://metr.org/blog/2026-10-22-red-teaming-openai-agent-monitoring/?ref=hubwiz.com)、对[可监控性](https://metr.org/blog/2026-01-19-early-work-on-monitorability-evaluations/?ref=hubwiz.com)的可靠[测量](https://www.redwoodresearch.org/blog/proposal-for-tracking-architecture-on-monitorability?ref=hubwiz.com)、针对[监控者串谋](https://blog.redwoodresearch.org/p/how-to-prevent-collusion-when-using?ref=hubwiz.com)的有效对策、有原则的对齐训练方法并配上非常有说服力的[模型生物](https://www.lesswrong.com/posts/ChDH335ckdvpxXaXX/model-organisms-of-misalignment-the-case-for-a-new-pillar-of-1?ref=hubwiz.com)或[可解释性](https://arxiv.org/abs/2501.16496?ref=hubwiz.com)证据来判断它们到底有多有效、以及在发现对齐与控制手段开始失效时用来[给进展减速](https://www.pacingthefrontier.com/?ref=hubwiz.com)的治理基础设施……如果我们要以任何负责任的方式接近一场智能爆炸，还需要许多其他措施。

不幸的是，支撑这些结论的大部分重要证据都从这份报告里被删节了。分析上的取舍必然艰难，报告作者也说证据常常令人困惑。

我相信我的同事们做过细致严谨的工作去理解他们看到的东西，我也基于这份报告做了很大的判断更新。但我希望[更多底层证据能透明公开](https://www.planned-obsolescence.org/p/evidence-about-risk-should-be-transparent?ref=hubwiz.com)，这样读者就不必依赖信任。我们可能快没时间在时间线与[起飞速度](https://www.planned-obsolescence.org/p/takeoff-speeds-rule-everything-around?ref=hubwiz.com)上达成共识了，而当外部科学家无法检视数据、无法测试自己的模型时，达成共识要难得多。

## 我们的整理：这份报告该怎么读

把它当成三段论证，分别打不同的折扣：

1. **观测（可信度较高）**：1.9 倍增速（95% CI 1.5–2.8）、其中约 80% 归因于 AI → 相对「无 AI 反事实」约 1.8 倍。这一段有内部基准曲线撑着，作者本人也把「阈值已跨过」标成了自己的判断而非报告结论。
2. **归因（可信度中等）**：为什么是 AI 而不是算力或招聘？报告说理由被删节。外部读者只能看到「作者认为」，这是全文最大的不透明处，作者自己也承认。
3. **外推（可信度最低）**：4–9 倍、10 倍、一年内超智能——这些全部建立在「柯布–道格拉斯 + 劳动与算力同等重要 + 没有瓶颈」三个假设上。作者做了敏感性说明，但这条链的每一环都可以被质疑。

三条可跟踪的观察指标，比记结论更有用：**算力乘数的年增速**是否真的到 2.5–3 倍、**内部模型带来的自报提升**是否从约 12 倍继续上升、以及**研究组织的人头数**是否在能力加速的同时停止增长（若人头还在猛涨，「AI 替代劳动」这个归因就弱了）。

一个必须写明的边界：这份报告是**深度访问评估**，不是公开可复现的基准；被评估公司同时是 RSP 的制定者；作者与 METR 有雇佣关系，且声明可能接触过其他机密信息，因此只讨论公开证据的含义、不给具体预测。读它时要同时握住两件事：这是目前信息量最大的一份内部评估，也是最难被外部检验的一份。

来源：[AI is dramatically accelerating AI research right now](https://www.planned-obsolescence.org/p/ai-is-dramatically-accelerating-ai?ref=hubwiz.com)（Planned Obsolescence，2026-11-06）。原始报告：[METR, 2026-11-05](https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/?ref=hubwiz.com)。

## 原文注释

1. 因为作者可能看过其他与时间线、起飞速度相关的机密信息，所以本文只讨论公开证据的含义，不给出精确的底线预测。作者未参与该项目，也未看过未删节版本；观点不代表 METR 或报告作者。感谢 Ryan Greenblatt 的讨论、反馈与建模帮助，以及 Daniel Kokotajlo、Eli Lifland、Hjalmar Wjik 的意见。
2. 精确条件是：「我们观察到或预期，AI 整体能力的进步速度，既是我们所预期的速度的两倍，也是我们在 AI 对 AI 研发还没有重大贡献时所观察到的最快持续进步速度的两倍。」作者的理解是：之所以要同时满足两个条件（相对于反事实翻倍**且**相对于「没有多少 AI 辅助时」的最快持续速度翻倍），是为了排除那种「没有 AI 自动化本来会大幅放缓、但靠 AI 的巨大提升勉强维持旧趋势」的情形。
3. 精确条件是：「这种翻倍可以合乎情理地显著归因于研究与/或工程的自动化（而不是人员增加、算力或一般生产率等其他因素），以至于 AI 进步的既有趋势若延续下去，很可能带来更大的加速。」
4. 这个门槛的定义有点琐碎，部分原因是两个加速条件都必须满足（相对反事实的加速、相对过去的加速）。但按字面读，作者猜它已经被满足。METR 报告的作者估计，相对**过去**的进步速度大约翻倍，但他们只把当前加速的约 80% 归因于 AI，这意味着在 2026 年 10 月写报告时，「相对无 AI 反事实」的中心估计约为 1.8 倍。但他们也发现 AI 的贡献随时间上升，作者猜现在（2026 年 11 月）会明显更高。即便这一刻进步速度没有**完全**达到反事实的两倍，门槛本身就包含了「合理预期」（「我们观察到**或预期**翻倍……」）。
5. Anthropic CEO Dario Amodei 在[这篇文章](https://darioamodei.com/post/on-deepseek-and-export-controls?ref=hubwiz.com)里解释了算力乘数：「这个领域不断涌现大大小小的想法，让事情更有效或更高效：可能是模型架构的改进（对今天所有模型用的那个基础 Transformer 架构的微调），也可能只是让模型在底层硬件上跑得更高效的方式。新几代硬件也有同样效果。它通常做的是移动曲线：如果某项创新是 2 倍的『算力乘数』（CM），它让你用 500 万美元而不是 1,000 万美元拿到编码任务 40% 的成绩；或者用 5,000 万而不是 1 亿拿到 60%，等等。每家前沿 AI 公司都经常发现很多这种 CM：多数是小 CM（约 1.2 倍），有时是中等（约 2 倍），偶尔有非常大的（约 10 倍）。」
6. 这是对作者同事 Ryan Greenblatt [此处](https://x.com/RyanGreenblatt/status/2118447235289817503?ref=hubwiz.com)所做建模的简化版。他的数字基于他此前对「软件与训练算力的相对重要性」「劳动与实验算力的相对重要性」等因子的[公开](https://www.lesswrong.com/posts/Jga7PHMzfZf4fbdyo/if-mythos-actually-made-anthropic-employees-4x-more?ref=hubwiz.com)[建模](https://www.lesswrong.com/posts/FG54euEAesRkSZuJN/ryan%5Fgreenblatt-s-shortform?commentId=rAFxcETtNtsuzw6aG&ref=hubwiz.com)。
7. 柯布–道格拉斯模型的常见写法把劳动计为人的**数量**。那种写法下要在劳动之上再加一个并行化惩罚，且系数之和不等于 1。如下文所讨论，作者选择用**串行劳动加速**而不是人的**数量**来表示劳动；这种写法由 Ryan Greenblatt 在[这篇文章](https://www.lesswrong.com/posts/LjgcRbptarrRfJWtR/a-breakdown-of-ai-capability-levels-focused-on-ai-r-and-d?ref=hubwiz.com)里提出。
8. 为简化数学，作者直接假设劳动与实验算力贡献相等（即算力乘数 = (劳动)^0.5 × (算力)^0.5）。这意味着把算力乘数的加速倍数平方，就得到劳动的加速倍数。给出的区间省略了对贡献大小的不确定性：例如若劳动贡献 ⅔，你应该改为取 3/2 次方。
9. 说「几个月」而不是整整一年，是因为报告作者说 2025 年底**最初**的加速很大一部分来自其他因素，而**当前**的加速主要来自 AI。
10. 实践中，10 倍提升不太可能是均匀的：某些任务（例如更[「可爬坡」的任务](https://metr.org/blog/2026-05-19-frontier-risk-report/?ref=hubwiz.com#coding-agents-did-real-projects-that-would-take-humans-hours-or-days)）会被加速得多得多，从而得到相当于 10 倍均匀加速的净生产率提升。
11. 也就是说，任何**实际存在**的人。作者猜如果能克隆现有研究者几百次就够了，但世界上并没有那么多强的 AI 研究者和工程师。
12. 报告原文：「一个关键担忧是，使用 AI 带来的加速可能开始复合：更有能力的模型被开发出来，又带来进一步加速。如下文所述，我们没有识别出任何明显的瓶颈（会阻止进一步增长的限制性投入），也没有识别出会阻碍这种复合加速的陡峭的规模收益递减；不过我们的理解在这次评估过程中变了好几次，并且我们仍有相当大的不确定性。因此，我们认为存在显著风险：未来一年里进一步的能力进步可能导致更快的加速。」
13. 这个启发式论证与一些简单但合理的模型一致：在其中，递归自我改进使 AI 进步速度成为累积 AI 进步（例如有效算力的对数）的指数。[这里有一个该类模型某一参数化下的推导](https://claude.ai/share/5ebb5437-f514-410c-b52a-014f3f62cc15?ref=hubwiz.com)。
14. AI R&D-5 的定义是：「造成有效规模扩张速度急剧加速的能力。具体来说，如果我们观察到或预测到，世界上最有能力模型的有效训练算力在一年内的增长，相当于 2018 年初到 2024 年初期间平均年进步速度的两年，即属此列。我们粗略估计 2018–2024 年的平均扩张约为每年 35 倍，所以这意味着实际或预测的一年扩张为 35² ≈ 1000 倍。」它之所以更弱，是因为它对比的是固定的 2018–2024 区间，而不是「没有显著 AI 加速时观察到的最快速度」，而且它严格来说不要求你把任何加速归因于 AI 就能满足门槛。
15. 最低承诺是达到 [RAND 的 SL-4 安全等级](https://www.rand.org/pubs/research%5Freports/RRA2849-1.html?ref=hubwiz.com)；作者的理解是，这个安全水平能保护模型权重不被顶级国家行为者（例如中国）的常规行动拿走，但挡不住最高优先级的行动。Anthropic 的说法是：「最少需要 ASL-4 安全标准（可防范国家级对手窃取模型权重），不过我们预期可能需要更高的安全标准。」

本文由汇智网 · Software 2.0 编译整理，转载请注明出处。

> **这是「AI 基建 / 评测 / 安全」专题的一部分。**完整地图见：[AI 基建 / 评测 / 安全完全指南](https://www.hubwiz.com/blog/ai-infra-stack/)