AI 加速 AI：进展已翻倍，朴素推演一年内到超智能

Anthropic 在 S-1 里写了一句话："可能即将满足"（may imminently meet）自家《负责任扩展政策》（RSP）里那条"由 AI 导致进展显著加速"的阈值。

METR 的研究员 Ajeya Cotra 在 11 月 6 日读了 METR 的深度访问报告，结论是：这条阈值看起来已经被越过了。她的算术更直白——如果 AI 让整体能力进展翻倍，那研究人员本人必须被加速 4–9 倍；考虑到收益递减，今天大概需要 10 倍。而 Anthropic 员工的自报是 12 倍。

如果这个加速继续复利，最朴素的推演是：一年内到超智能。

本文翻译她那篇《AI is dramatically accelerating AI research right now》，包括阈值原文、建模过程、以及她自己的保留。

一、阈值到底写了什么

原文引的 RSP 定义有两个条件，必须同时满足：

我们观察或预期，AI 整体能力的进展速度达到两倍——既相对于我们对无显著 AI 参与 AI 研发时的预期速率，也相对于我们在无显著 AI 参与时观察到的最快持续速率。

她说，之所以要两个条件一起看，是为了排除一种情况：本该大幅放缓的进展，被 AI 硬撑着维持原速。

第二条是归因：

这种翻倍很可能显著归因于研究与/或工程的自动化（而不是人数、算力或一般生产率的提升），以至于沿这个趋势继续下去，似乎会导致进一步的加速。

按字面读，她的判断是：已经满足。

二、报告说了什么

METR 的深度访问调查（她的同事做的）给出的核心发现是：

• 2025 年 10 月到 2026 年 10 月，Anthropic 的能力进展速度约为此前十二个月的两倍。 这个测量用的是内部版的 Epoch Capabilities Index，叫 AECI；大量支撑证据被删节了，而报告作者说，被删节的部分是"我们找到的证据里最有信息量的多数"。
• 加速最初可能是多种原因叠加，但今天仍然保持这个更快速度，大概率主要就是因为 AI 自动化。他们相信这一点的理由，也被删节。

她强调，这件事比她听起来更重要："这份报告是过去两年里我们得到的关于 AI 风险的最重要更新，比 Hugging Face 那次攻击大得多。"按最朴素的方式读，它指向的时间线比多数外部研究者（包括 AI 2027 团队）的预测短得多。

三、为什么"整体翻倍"意味着人要快 4–9 倍

这是全文最值得抄的一段推理。

AI 能力（"有效算力"）大致是算力乘数 × 训练算力的乘积。算力乘数指算法与架构上的改进——Anthropic 的 CEO 在一篇文章里这样解释：领域不断产生大大小小的想法，让事情更有效，可能是架构改动、也可能是把模型跑得更省；一次 2 倍的算力乘数，意味着原本 1,000 万美元做到的 40%，现在 500 万就能做到。

因为算力乘数只是能力的一个输入：如果整体能力因为软件进步而快了一倍，算力乘数的增速就得快于两倍，大约 2.5–3 倍。

再往下：研究者的劳动也只是发现算力乘数的一个输入——他们得做实验，实验要算力。在一个"劳动与实验算力同等重要"的柯布-道格拉斯模型里，劳动的提升大致需要是算力乘数加速的平方：也就是 (~2–3×)² ≈ 4–9 倍。

然后是最容易被忽略的一层：收益递减。 一旦能力开始加速，低垂的果实也以相应更快的速度被摘完，每发现一个新的算力乘数都要更多工作。AI 参与之前，劳动靠招人以大致固定的指数增长，配合算力增长，刚好抵掉收益递减、维持原来的进展速率。要维持一个更快的速率而不加快算力投入，就需要更快的劳动增速。

人类劳动力还卡在原来的增速上，所以 AI 带来的提升必须越来越大才能维持新速率。也就是说，今天的提升（已经加速几个月之后）必须高于"刚开始翻倍时"所需的 4–9 倍：

大概需要 10 倍。

她说这个数字非常不确定，但她觉得它和 Anthropic 员工的非正式自报对得上——他们说内部模型带来的提升大约是 12 倍。

她还特别纠正一个直觉：10 倍提升不是"每个研究者变成十个人的团队"。十个人的团队不会每小时产出十倍的活。它更像是"每个研究者活在一个时间扭曲泡里，外面过一天，他过十天"——AI 让他思考、阅读、说话、打字，一切都快十倍。

Anthropic 大概雇多少人都不可能把研究加速到这个程度。

四、如果它复利

一个合理的默认预期是：随着能力继续变好，研究者的加速会越来越大。如果今天是一个月做完过去一年的活，很快就是一周，然后也许是一天。

如果这个提升足以压过收益递减，又没有别的瓶颈，进展速率本身就会继续翻倍：4 倍、8 倍、16 倍……

报告作者对这个问题非常不确定，说他们的图景随新信息变了好几次。但最终，他们没有找到能挡住复利加速的瓶颈或陡峭的收益递减。他们还报告说，看到一些（令人困惑的、被删节的）证据显示，加速可能已经超过 2 倍，并且在继续上升。

于是有了那个算术：如果 AI 现在把研发速度翻了一倍，而加速是平滑增长的，那么按这个新速率，六个月内再翻一倍；到那时，三个月再翻一倍；再然后，六周。理论上，这些翻倍时间加起来会在一年内达到无限能力。现实中总会撞上软件效率的有效上限——但她认为那个上限离现在很远。

她接着说了后果，语气很平：如果走完这个反馈回路，出来的系统会能很快开发出新型武器，并在冲突中轻易压倒人类文明。如果这些系统严重失准，我认为它们很可能剥夺人类的权力，并可能导致人类灭绝。

五、行业没准备好

"AI 导致进展显著加速"这条阈值之所以重要，是因为它是近期极端能力的强而具体的指标。

她提醒一个容易被忽略的细节：在 2025 年 5 月的旧版 RSP 里，AI 研发自动化最高的命名风险阈值（AI R&D-5）对应的是更弱的里程碑。按旧版，Anthropic 到达 AI R&D-5 时，至少要具备"能抵御国家级对手窃取模型权重"的安全水平。

她同意这是最低门槛：要在地球上承担一次智能爆炸而不冒"杀死数十亿人"的巨大风险，模型权重与算法机密的安全是最低前提。 而行业离这条线还很远——OpenAI 和 Anthropic 最近都被业余团体攻破过。

除了权重的安全，她还列了清单：覆盖全面的日志与监控、对"可监控性"的可靠测量、对"监控者串通"的有效反制、有说服力的模型生物或可解释性来验证对齐训练真的有效、以及如果发现对齐与控制开始失效时给进展踩刹车的治理基础设施——"如果我们想以任何接近负责的方式接近一次智能爆炸"。

六、她自己给这篇打的折扣

这部分很重要，别跳过：

• "这份报告里喂给这些结论的大部分重要证据都被删节了。" 分析上的取舍不可避免会出错，报告作者也说证据常常令人困惑。
• 她信任同事做得仔细严谨，并据此做了很大的更新；但她希望更多底层证据能公开，这样读者不必依赖信任。"我们可能没有时间在时间线与起飞速度上达成共识了，而外部科学家无法检视数据、无法跑自己的模型时，达成共识会难得多。"
• 她还声明：因为自己可能看过其他与时间线相关的机密信息，本文只讨论公开证据的含义，不给出精确的底线预测。

一处需要替她说明的技术细节：报告作者的中央估计是，相对于过去进展速度约翻倍，但只把当前加速的大约 80% 归因于 AI。也就是说，按"相对于无 AI 反事实"的口径，中央估计在撰写报告时（2026 年 10 月）约为 1.8 倍。她认为 AI 的贡献一直在增长，到 2026 年 11 月应该明显更高；而阈值本身包含"预期翻倍"，所以按她的读法仍然成立。

七、我们的整理

翻译之外，三条我们自己的判断。

1. 这篇的价值在"算术"，不在"预言"。 它把"AI 加速 AI"从一个口号拆成了一个可以逐个质疑的链条：进展翻倍 → 算力乘数要快 2.5–3 倍 → 劳动要快 4–9 倍 → 考虑收益递减后今天要 10 倍。任何一环被推翻，结论就变；但正因为每一环都可质疑，它才比"专家说"有用。
2. 最该盯的指标不是"模型多强"，而是"研究速度"。 这条阈值用的是进展速率（翻倍时间），而不是某个基准分数。如果这个口径被行业普遍采纳，那么以后判断"是否临近"，看的是研发节奏，不是发布会。
3. 删节是这篇最大的弱点，也是行业的结构性问题。 作者自己说了两遍。这意味着外部人只能"相信或不相信"，而没法"检验"。对一个正在讨论全球风险的议题，这比任何单个数字都更值得记录。

边界：

• 这是一位 METR 研究员的个人解读，不是 METR 的立场，也不是 Anthropic 的确认；她明确说不代表 METR 与报告作者。
• 报告本身大量删节；公开可见的核心只有"约两倍"与"大部分归因于 AI"两条。
• 建模部分（柯布-道格拉斯、劳动提升取平方、10 倍）是她的简化模型，她自己在脚注里说"非常不确定，明显更高或更低都说得通"。
• "一年内到超智能"是朴素外推，不是预测；她明确写了现实中会撞上软件效率上限，只是认为上限很远。

来源

• Ajeya Cotra，《AI is dramatically accelerating AI research right now》，Planned Obsolescence，2026-11-06：https://www.planned-obsolescence.org/p/ai-is-dramatically-accelerating-ai（本文按原文顺序翻译正文与关键脚注，保留作者全部声明与保留）
• 原文引用：Anthropic S-1（"may imminently meet"）、Anthropic RSP（2026-07 生效）阈值原文、METR 深度访问报告、Epoch Capabilities Index / AECI、Dario Amodei 关于算力乘数的文章、旧版 RSP（2025-05）的 AI R&D-5 与安全要求