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

本周早些时候，Anthropic 在其 S-1 里表示，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）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：

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，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）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。

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。

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。

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。

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。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，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）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 和 Anthropic 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、对可监控性的可靠测量、针对监控者串谋的有效对策、有原则的对齐训练方法并配上非常有说服力的模型生物或可解释性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，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（Planned Obsolescence，2026-11-06）。原始报告：METR, 2026-11-05。

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」等因子的公开建模。
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）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。
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；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