> ## 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.

# 递归自我改进有多远：AI 写了九成代码，选题仍由人定
- URL: https://www.hubwiz.com/blog/how-close-recursive-self-improvement-evidence/
- Published: 2026-11-15T15:28:19.000Z
- Updated: 2026-11-15T15:34:27.000Z
- Description: AI 已经写掉九成代码，却没人把选题交给它。这份综述把"RSI 还有多远"拆成三个必须依次成立的步骤和 18 个可下注的问题。
- Author: admin
- Tags: 递归自我改进, RSI, AI 研发自动化, AI 评测, METR

截至 2026 年 11 月初，**AI 是一个很强的研究助理，但研究判断仍然由人提供**：在 Anthropic，AI 写了代码库九成以上的贡献，可是决定"做哪个方向"的还是人。公开指标上，过去两年 ECI 前沿每年涨约 14 点，看不出明显的加速；而按 Anthropic、OpenAI 自己的内部指标做朴素外推，**AI 大约会在 2027—2028 年接手大部分 AI 研发任务**——这和 OpenAI 那句"2028 年 3 月做到自动化 AI 研究者"的目标对得上。

这是 [Forecasting Research Institute（FRI）2026 年 11 月 10 日的工作论文](https://forecastingresearch.org/research/recursive-self-improvement-v1?ref=hubwiz.com)的结论。它没有停在"RSI 可能/不可能"的立场上，而是做了三件更硬的事：把实验室的定义、公开基准、内部指标全部摊开；把分歧改写成 18 个有判定标准的预测问题；再拿四个前沿模型的集成打了一组初值。数据截止 **2026 年 11 月 3 日**。

下面按原文顺序完整编译，表里的数字一个没删。

## 一、这份报告想回答什么

到 2030 年以前，AI 会有多快变强？方向上有三种：变慢、维持现状、加速。其中最要紧的是加速——因为 AI 在帮着造下一代 AI。国际 AI 安全报告 2026（IASR）写道，"正反馈回路，比如 AI 系统对 AI 研究的贡献，可能加速进展"，"几十年的进展可能在几年内发生"。这条正反馈回路通常就叫**递归自我改进（recursive self-improvement，RSI）**：AI 系统自动化 AI 研发，进而造出更好的后继系统。

![图 1：理想化的 RSI 回路——这一代模型去做 AI 研发，产出下一代更好的模型](https://www.hubwiz.com/blog/content/images/2026/11/img_9d749ed9fd0d4f2042c85604a35bb2d4-800.jpg)

RSI 既可能带来巨大收益，也可能带来巨大风险。2026 年 9 月，Geoffrey Hinton、Yoshua Bengio、OpenAI 首席科学家 Jakub Pachocki、Anthropic 联合创始人 Jack Clark 等人的一份报告认为，RSI 可能把 AI 的收益提前好几年。但人类也可能跟不上能力增长的速度，或对先进 AI 系统失去监督（Chan 等，2026）。

已有的报告大多聚焦 RSI 的风险与政策应对（Chan 等，2026；Sarma 等，2026）。**这一份是补充性的、朝前的**：汇总当前证据与关键分歧，把分歧变成预测问题，再给出一组来自前沿 LLM 集成的初值。同时，作者正在请一组顶级人类预测者和 AI 专家基于这份文档做预测，后续版本会补上。

全文结构：第 2 节梳理实验室与文献的定义，并给出本文的操作化；第 3 节看证据——实验室自报的内部数据、公开基准与开放式评估、研究者访谈；第 4 节收集已有预测（实验室目标、趋势外推、预测平台、专家与知名个人）；第 5 节列关键分歧；第 6 节给预测问题与 LLM 初值；第 7 节总结。

## 二、先把"RSI"这个词定义清楚

定义 RSI 和"自动化的 AI 研发"本身就很难。尤其 RSI，"有好几种用法，而且常常前后不一致"（Cunningham 等，2026）。

### 2.1 实验室怎么定义

OpenAI 和 Anthropic 各自从两条路定义：**替代**（AI 能顶替他们的研究人员）或**加速**（AI 明显加快 AI 进展的速度）。截至 2026 年 11 月初，两家都没有宣布跨过自己的门槛。

| 测法     | OpenAI（Preparedness Framework v2）                                    | Anthropic（Responsible Scaling Policy v3.4）                     |
| ------ | -------------------------------------------------------------------- | -------------------------------------------------------------- |
| **替代** | Critical："一个超人的研究科学家 agent"；High："相对于 2024 年的基线，一个表现极佳的中期研究工程师助理"    | 模型可以"以有竞争力的成本，完全替代我们全部的研究科学家与研究工程师"                            |
| **加速** | Critical："一代模型的提升（例如从 o1 到 o3）只用 2024 年同等进展所需实际时间的 1/5，并持续数月"        | 能力进展急剧加速，定义为"(a) AI 总体能力的进步速度翻倍；(b) 这个翻倍在很大程度上可归因于研究与/或工程的自动化" |
| **状态** | GPT-6 Astra"未达到 High 门槛"（系统卡）；GPT-6.1 Terra 同样"未达到 High 门槛"（附录 p.33） | 风险"低"；研发"加速了，但还没到 2 倍"（2026 年 8 月风险报告）                         |

两点要注意：

- 两家的定义相似但不相同。**加速这一项，OpenAI 的 Critical 是 5 倍，Anthropic 用的是更低的 2 倍阈值。**
- 这些阈值是写在安全政策里的，跨过就有直接后果。OpenAI 的 High 要求"满足 High 标准的安全控制"，Critical 则要求"在拿出满足 Critical 标准的防护与安全控制之前，停止进一步开发"。Anthropic 的 2025 版政策要求，对可能急剧加速 AI 进展的模型施加 **ASL-4** 防护；2026 版政策不再要求 ASL-4，但它对全行业的建议是"安全水平大致相当于 RAND SL4"，也就是"大概能挡掉领先的网络能力机构的大部分标准操作"。

### 2.2 文献里的四个词

递归自我改进的念头至少可以追到 I. J. Good（1965）。他描述了一场智能爆炸：机器设计更好的机器，并留下那句名言——"第一台超智能机器，将是人类需要做出的最后一项发明"。

| 术语          | 定义                                                                                                            |
| ----------- | ------------------------------------------------------------------------------------------------------------- |
| 自动化 AI 研发   | AI 能"以同等成本，自主做出至少等价于人类研究者的技术改进"（Cunningham 等，2026）。实验室的"替代"测法就是这个定义的变体                                        |
| 递归自我改进（RSI） | "一个能够完全自主设计与开发自己后继系统的 AI 系统"（Favaro 与 Clark，2026）                                                             |
| 自持加速        | "当 AI 系统足以推动 AI 能力进步加速，而无需任何外生投入（人力、训练算力等）增长时"（Cunningham 等，2026）。软件智能爆炸（SIE）很接近：单靠 AI 驱动的软件改进就足以让 AI 进展快速且加速 |
| 智能爆炸        | "一台超智能机器可以设计更好的机器，于是毫无疑问会有一场智能爆炸"（Good，1965）；"AI 能力在有限时间内趋于无穷"（Cunningham 等，2026）                             |

加速可以是**窄的**（只发生在 AI 研发或容易验证的任务上），也可以是**广的**（扩散到大多数其他科学和多数经济活动）。Davidson、Hadshar 与 MacAskill（2025）另外定义了"全栈智能爆炸"：AI 推动"全部软件、芯片技术与芯片生产"的改进。

三点观察：

- 自动化 AI 研发与 RSI 常被混用——OpenAI 在自己的框架里就把两者等同。但作者认为**自动化 AI 研发弱于 RSI**：它可以是部分的，AI 做了大部分但不是全部的研发工作。
- 弱反馈回路不一定意味着强反馈回路。自动化 AI 研发可能到来了但能力没加速（被算力等稀缺投入卡住）；反过来，也不一定需要完全自动化才能出现加速——在一些标准增长模型里，不完成全自动化也能出现奇点（Aghion、Jones 与 Jones，2019；Jones，2026）。
- **快不等于广**。原则上，快可以一直很窄，而广可以发生在慢速进展里。能力加速是留在窄范围还是变广，是关键的预测分歧之一。

![图 2：能力进展的"广度 × 速度"四象限——快而窄、快而广、慢而窄、慢而广都可能](https://www.hubwiz.com/blog/content/images/2026/11/img_60a1703618b69fca82a375501ec3cd18-800.jpg)

### 2.3 怎么度量"能力进展"

真正关心的是：**自动化 AI 研发有没有提高能力进展的速度**。度量用 Epoch Capabilities Index（ECI）。作者把"能力加速"操作化成**快年（fast year）**：任何一个 12 个月的窗口里，ECI 前沿上升 **30 点以上**（大约是 2024 年 9 月以来速度的两倍）。ECI 前沿指某一日期之前、任何已公开模型里的最高 ECI 分数。快年不需要真的等满 12 个月：只要在 12 个月或更短的时间里涨到阈值，问题就判为"是"。

内部预测试里，快年这个问法表现很好：简单易懂；而且内部对"会不会有快年"分歧很大，而这个分歧看起来就是来自对自动化 AI 研发的不同预期。

但快年不等于 RSI，所以问卷也直接问自动化 AI 研发：AI 在没有人介入的情况下能做多少研发工作（AL5，Anthropic 自主性量表的最高级）；人类审稿人会怎么给 AI agent 独立写的论文打分（CRUX 2，开放式评估）；以及把自动化研发和加速连起来的问题。

**ECI 数据。** ECI 前沿在推理模型出现前大约每年涨 6 点，2024 年 9 月推理模型出现后大约每年涨 14 点。对 2027 年 1 月 1 日的新前沿模型，Epoch 的 90% 预测区间是 166—176。为了外推到 2027 年以后，作者拟合了一个局部线性趋势模型（允许进步速度随时间变化，样本里已包含推理模型带来的加速）：新前沿模型的 80% 区间，2027 年底是 176—206，2030 年底是 171—317。用这个模型做 20,000 次模拟，出现快年的概率是 **2027 年底 17%、2030 年底 44%**。

模型里，进步速度每月受一次随机冲击，12 个月内这些冲击会让年速度变化约 10 点（一个标准差）。但数据本身说不准这个值，2 到 20 点/年都能拟合得差不多——在这个范围里，快年概率是 2027 年底 2%—31%、2030 年底 7%—58%。

![图 3：2023 年 3 月以来的 ECI 前沿与两条趋势投影——土黄色带是 Epoch 的趋势与 90% 预测区间，蓝线是本文的局部线性趋势模型（带 80% 区间）](https://www.hubwiz.com/blog/content/images/2026/11/img_d01d34a142da975f20e05e5b99b59979-800.jpg)

快年这个定义有五点利弊，原文都列了出来：

- **和实验室的加速测法大致对应。** 推理模型出现后 ECI 前沿约每年 +14 点，所以 12 个月涨 30 点大约是今天速度的两倍，接近 Anthropic 的 2 倍测法。参照：过去 12 个月涨了约 18 点（从 151 GPT-5 Pro，2025-10，到 169 GPT-6 Astra，2026-09）；至今最大的 12 个月涨幅是 21 点（2024-12 到 2025-12，o1-mini 到 GPT-5.2 Pro）。
- **快年可能没有 RSI。** 一项人类发现的创新（比如 2024 年的推理模型）就能造成快年，尽管从今天的速度翻倍意味着更大的绝对跳幅。反过来，RSI 也可能没有快年——如果算力之类瓶颈卡住了。
- **从弹性看，今天还看不到自持加速。** Cunningham 等（2026）用 AI 能力、研究投入、算法进步之间的弹性给出了自持加速的条件，初步校准认为反馈回路还不够强。一个更简单的检验是 ECI 趋势的斜率有没有变大：在他们的设定里，自持加速会让 ECI 趋势向上弯，即使投入固定；而现实中投入还在快速增长，弯折本应更明显——所以 **2024 年 9 月以来大致线性的 ECI 趋势，说明今天还没有自持加速**。
- **ECI 原则上无上限，但对固定基准集实际上是封顶的。** GPT-6 Astra 的 169 分由 24 个基准算出；一个在这些基准上全拿 90% 的模型，ECI 大约是 189，也就是比今天的 ECI 前沿高 20 点，按每年 14 点算是 1.4 年。预测问题里假设 Epoch 会像过去一样继续补充未饱和的基准。
- **只统计公开模型。** 实验室可以在内部先跑，之后再发布，甚至不发布。作者对"内部领先公开前沿"的最佳估计是**按今天速度约 3—4 个月**。两个换算案例：Mythos Preview 在 2026-02-24 内部启用，AECI 161.9 减去 0.9 的偏移约等于 161.0，而当天 ECI 前沿是 GPT-5.2 Pro 的 156.5，领先 4.5 点，约四个月；未发布的"Model 2"在 163.6—169.5 之间，对 2026-07-15 的 ECI 前沿 163.1 领先 0.5—6.4 点，取中值约 3.5 点，约三个月。

## 三、实验室自己报了什么

实验室报的数据（下表）显示：**AI 在 AI 研发里承担的份额已经很大，而且涨得很快**。Anthropic 用 Denain、Kwon 与 Ho（2026）的 AL0—AL5 量表给自己的内部研发任务分级：AL0 是没有 AI 参与，AL3 是"协作"，AL4 是"主导"，AL5 是"AI 完全自主运行、无人在回路"。OpenAI 目前没有对应数据。

| 指标          | OpenAI                                                                                                                                  | Anthropic                                                                                                                                                                                                                                                                 |
| ----------- | --------------------------------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| AI 承担的研发工作量 | 2026 年 8 月，每个"人类工作日"对应 **3.1 个 agent 工作日**，5 月还只有约 0.5                                                                                  | 2026 年 8 月，Claude **主导（AL4+）26%** 的模型研发任务（2 月还不足 1%）；**至少协作（AL3+）超过 90%**。2026 年 8 月内部民调：构建一个 2026 年初的前沿模型，AI 承担的工作量中位数估计 **51%**                                                                                                                                         |
| AI 写的代码     | 全公司"每个活跃贡献者改动行数"：2026 年 7 月是 2025 年前均值的 **7.02 倍**                                                                                      | 2026 年 9 月，代码库贡献 **90% 以上**由 Claude 写；2026 年 7—9 月每位工程师日均代码量是 2024 年的 **45 倍以上**                                                                                                                                                                                          |
| 生产力提升       | 2026 年 8 月每个实验者的实验数是历史最高，约为 2025 年的 1.6 倍，但 OpenAI 注明"我们的可用算力自 2025 年以来也显著增长"                                                           | 内部调查（n=130）中位数受访者估计，用 Mythos Preview 的产出约为没有任何 AI 模型时的 **4 倍**；另一项调查里，18 人中有 1 人认为它等价于一个可直接上岗的初级研究员                                                                                                                                                                       |
| 实测加速        | 说 agent 工具"正在实质性地加速研究进展"，但"度量工作仍然是初步的"；GPT-6 Astra 未达"High"门槛                                                                           | 内部 AECI 上，Claude Opus 5.5 比历史趋势（约每年 15 点）高约 **6.5 点**；不清楚这是 Mythos Preview（2026-04）的一次性跳变，还是趋势断裂到 2025 年 9 月以来约每年 22 点。内部度量"没有显示出持续的、可归因于 AI 的 2 倍加速"；METR 的初步外部评估估计"**由于 AI 带来的总体能力加速约 1.5 倍**"，"有机会到 2 倍的概率约 30%"                                                       |
| 内部调试基准      | 内部 Research Debugging Evaluation（41 个真实 bug，加上 6 个对齐审计任务）：GPT-6 Astra **78.05%**，"低于我们对 High 的指示性阈值"                                    | CoBench v2（449 个真实内部归因问题，筛到 Mythos Preview 至少失败过一次的）：Opus 4.6 **15.6%**、Mythos Preview **54.8%**、内部 Model 2 **62.8%**；而"真正能完全替代 Anthropic 研究人员"的模型至少要 **85%**                                                                                                             |
| 内部 AI 研发基准  | GPT-6 Astra 在四项内部 AI 研发评测上都胜过 GPT-5.6 Sol；相对人类基线，在 PostTrainBench Lite 上填掉了从基座模型到人类差距的约 **77%**，但在 NanoGPT 上只有人类最高分的约三分之一（约 24% vs 72%） | 在 Anthropic 基于任务的 AI 研发套件里，前沿模型"在大多数任务上超过人类基线"                                                                                                                                                                                                                            |
| 研究判断力       | 没有直接度量。2026 年 8 月，"高层规划仍然只占 agent 输出 token 的极小部分"                                                                                       | Anthropic 说"Claude 在工程与研究中选择目标时的判断力仍存在很大差距"；内部用户反馈 Opus 5.5"主要在测增量想法，偏好不那么宏大的假设"；METR 说"我们手上的证据不支持 Opus 5.5 在这些'判断力'技能上比 Fable 5.1 有大改进"。内部调查把弱点列为"品味、验证、指令遵循与认识论"。定量上，TASTE 基准（在两个 AI 安全研究提案里选更好的）最好的模型 Claude Fable 5 与资深研究者一致率 **60%（±10 个百分点）**，而研究者之间估计是 77%，随机是 50% |
| 长任务自主性      | 无人干预的成功率，2026 年 1 月 → 7 月：2—4 小时任务 **28%→57%**，4—8 小时 **18%→53%**，8—16 小时 **10%→35%**                                                   | Claude"在 AI 研发工作的任何被测子集上都不是完全自主运行"；Claude Code 在开放式问题上的会话成功率一年内从约 26%（2025-08）涨到 **91%（2026-09）**，四个难度档现在都在 88%—92%                                                                                                                                                       |
| 每位研究者的推理支出  | 到 2026 年 8 月中，按 API 价格中位数 **每天 600 美元以上**（2026 年 2 月还接近零）；90 分位 **每天 7,000 美元以上**                                                       | 未披露                                                                                                                                                                                                                                                                       |

原文从这堆数字里提炼出五点：

- **在 Anthropic，代码基本是 AI 写的**；OpenAI 没报占比，但每个贡献者的代码量是 2025 年前均值的约 7 倍，暗示情况类似。
- **两家的研究者都更能出活了**，但自报的生产力容易失真：METR 对 349 名技术工作者的外部调查给出的中位提升是 **1.4—2 倍**（也是自报），明显低于 Anthropic 员工自报的 4 倍。
- **有内部加速的证据。** 除了上面那 6.5 点和"实质性加速"，实验室负责人也在说类似的话：Sam Altman 称 AI 对研发的帮助是"递归自我改进的幼体版本"（2025 年 6 月），Dario Amodei 说 RSI"正在全行业开始发生"（2026 年 9 月），Jack Clark 说"今年我们获得了令人信服的证据，说明它已经开始"（2026 年 10 月）；Anthropic 的招股书写"每一个新版本的 Claude 都直接加速了下个版本的开发"。但投入增长解释了一部分超趋势结果：Anthropic 员工数从 2024 年底约 940 人涨到 2026 年 9 月 30 日的约 5,300 人，2026 年二季度算力与基础设施开支同比增长 300%。
- **Google DeepMind 看到类似现象但给出另一种解释。** 在他们自己的 GCI 上，Gemini 4 Argon 也高于趋势，但他们怀疑这是"组织投入增加、训练算力相对历史趋势增长"所致，"而不是 AI 驱动的加速"；另外 DeepMind 的生产代码已经"**超过 75% 由 AI 写**"，但完全委托出去的 PR 在 2026 年 9 月只占 **11.9%**。
- **判断力的证据有限，但指向重要缺口。** 基准考的是定义清楚、可验证的任务，不是判断力；而且任务越长成功率越低（OpenAI 2—4 小时 57%，8—16 小时 35%）。RAND 对公开证据的综述得到类似结论："没有任何已披露的系统会自己定研究议程、把开放式研究持续数周，或设计自己的后继者"（Sarma 等，2026）。
- 顺带算一笔账：OpenAI 中位研究者的每天 600 美元，按 250 个工作日算是**约 15 万美元/年**；90 分位的每天 7,000 美元以上，对应**约 175 万美元/年**（API 价格很可能高估了 OpenAI 自己的成本）。

## 四、公开证据

这一节看四个公开基准和一项开放式评估。

其中两个测端到端的机器学习工作：**PostTrainBench** 和 **WeirdML**——Epoch 的基准审查都给到"Verified"（"可以大致按其描述来理解"）。另两个试图直接隔离研究品味：**TasteVal** 测模型设计与解读实验的能力，Epoch 的 **InnovationEval** 问 agent 能不能重新发明一项它没见过的 ML 创新。Epoch 给 TasteVal 的评级是"信息不足"，很可能因为它不公开任务；Epoch 不审查自家的 InnovationEval 以避免利益冲突。

最后 **CRUX 2（2026 年 7 月）**不是基准而是开放式评估：agent 在一个开放问题上做完整的研究项目，没有固定任务也没有自动打分，由人类专家给产出的论文评分。

| 基准                  | 测什么、人类基线                                                                                                                                                               | 当前前沿                                                                                                                                                      |
| ------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------- |
| PostTrainBench v1.1 | agent 能否干完实验室后训练团队的活：把一个原始预训练模型变成一个有用的助手。给定四个小基座模型、一张 H100、10 小时；分数是产物在基准上的加权平均。人类基线：各实验室官方 instruct 模型（自家团队后训练）得 **51.1**                                             | v1.1 上，Locus（Opus 5 上的外部脚手架，2026-09 提交）**45.6**，Claude Fable 5（2026-06）**41.8**，而 Claude Sonnet 4.5（2025-09）是 9.9                                         |
| WeirdML v3          | agent 能否为没见过的小而怪的问题搭出可用的 ML 模型。11 个手作任务；分数是归一化表现（0—100）；没有人类基线                                                                                                         | GPT-6 Astra **42.2（2026-09）**，GPT-5.6 Sol 是 15.0（2026-07），Claude Opus 4.5 是 6.5（2025-11）                                                                  |
| TasteVal            | 模型能否像人类专家一样选择和解读实验。8 个未公开的 AI 研发任务（数据整理、预训练、微调等）；被测模型只设计实验并解读结果，执行交给固定的编码 agent。分数 = 达到同样测试分数所需实验算力比人类基线少多少倍。人类基线 = 每个任务至少两位专家里最好的（来自 OpenAI、Google DeepMind 等 24 位专家） | Claude Opus 5.5（2026-09）用**少 2.3 倍的算力（95% CI 1.15—4.37）**达到专家分数，最终分还略高（1.14 vs 1.00）；Claude Opus 4.8（2026-05）是 0.84 倍                                     |
| InnovationEval      | agent 能否发明一项它没见过的已知 ML 创新。给 Qwen3-8B、数据集和 GRPO（后训练用的强化学习方法）代码库，要求它想出更好的后训练方法。分数 = 在 SDPO 相对 GRPO 的已发表增益里拿到多少（0% = GRPO，100% = 原论文结果）                                   | GPT-5.6 Sol（2026-07）**15%**，Claude Fable 5（2026-06）2%；GPT-6 Astra（2026-09）拿到 63%，但很可能记住了原论文                                                               |
| CRUX 2（开放式评估）       | agent 能否做完一个真实的开放研究项目。给一个未发表 AI 论文的研究问题（不给论文）、约一周时间、API 预算与 GPU 额度，要写出一篇投顶会的论文。原作者按 NeurIPS 1—6 分打分（4 分是"边缘接收"，6 分是"强接收"）                                              | 原始研究（2026-07）：OpenClaw 脚手架里的 Claude Opus 4.8，得分 **2（拒稿）与 1（强拒）**；后续（2026-10）：Codex 里的 GPT-6 Astra、Claude Code 里的 Claude Fable 5.1，各配最高推理强度，得分仍是 **2 与 1** |

公开证据的四点小结：

- **在两个端到端 ML 基准上，模型表现不错**——因为这两个基准按构造就是定义清楚、可验证的任务。PostTrainBench 上最好的 agent 用一张 GPU 跑 10 小时，把小模型带到实验室官方 instruct 模型的约 **89%**（51.1 分基线下 45.6 分）；但 Epoch 的审查提醒，agent 可以"靠窄化地过拟合那一个评测"拿高分。这和 Anthropic 说的自家任务型 AI 研发评测"已经饱和"一致。
- **两个研究品味基准指向不同方向。** TasteVal 的小型可验证任务上，Opus 5.5 用少 2.3 倍算力追平专家，而这个倍数自 2025 年 12 月起大约每三个月翻一倍；但 InnovationEval 上，agent 只回收了未见创新的 **2%—15%**。TasteVal 不测"选什么问题"，InnovationEval 只基于一项创新。
- **CRUX 2 的两篇论文都被拒。** 该研究结论是"今天的 agent 能做 AI 研究的工程部分，但在研究生命周期的关键环节上吃力"，后续用更新的模型、更多时间与更大预算重做，仍然是两篇拒稿；作者看到"实验设计与资源管理有明显改进，但创造性解题、判断、校准与沟通上仍有持续局限"。
- **基准之外，公开的发现记录本身是加速的证据。** METR 2026 年 8 月的笔记发现，2026 年漏洞发现"急剧加速"、数学结果"有所加速"；但"整体算法优化的公开记录还没有显示出可察觉的加速"（Cunningham 与 Rush，2026）。此后数学的发现速度看起来又快了一档：OpenAI 声称解决了千禧年问题 Navier–Stokes（2026-09）；10 月 6 日发布数百个开放数学问题的结果，计算机科学家 Scott Aaronson 说那是"数学史上最大的日子之一"；10 月 26 日声称拿下第二个千禧年问题 Yang–Mills 的一半（存在性，不含质量间隙），以及否证指数时间假设（ETH）。

## 五、定性证据：25 位研究者怎么说

Epoch 早前的访谈问了 8 位 AI 研究者关于自动化的问题：规划研究很重要但"花的时间相对少"，编码与调试"更耗时"；8 人都同意"未来五年工程任务会是研发自动化的主要驱动"，他们的描述暗示这"可以自动化掉他们当前一半以上的工作"。

Severin Field、Raymond Douglas 与 David Krueger（2026 年 8 月 13 日）访谈了 OpenAI、Anthropic、Google DeepMind、Meta、普林斯顿、UC Berkeley 与斯坦福的 25 位研究者：

- **20/25** 把自动化 AI 研发列为最严重、最紧迫的风险之一；**18/25** 说它放大了其他风险（"它只是让其他威胁模型跑得更快"）。
- 明确谈到规模趋势会不会延续的 21 人里，**12 人**预期会一直延续到 AI 能达到人类 AI 研究者的劳动水平。
- **16/25** 在某个时刻对正反馈（也就是 RSI 里"递归"那一半）表示怀疑。怀疑者说 RSI 需要"一次渐进改进本身不会带来的能力突变"，比如记忆、创造力、或分辨真假假设上的突破；相信的人则引用 METR 的时间跨度、缩放定律，以及他们在实验室内部的体感。
- 谈到部署的 20 人里，**一半**预期最强的模型会留在内部。

## 六、已有的预测

### 6.1 实验室自己的目标

| 实验室       | 目标                                                              | 状态                                |
| --------- | --------------------------------------------------------------- | --------------------------------- |
| OpenAI    | 2026 年 9 月实现"自动化研究实习生"，2028 年 3 月实现"自动化 AI 研究者"                 | 称实习生目标"按我们的度量已经达到"（2026-09-06）    |
| Anthropic | "最早 2027 年初就有可能"让 AI"完全自动化、或以其他方式急剧加速大型顶级人类研究团队的工作"，领域包括"AI 本身" | 按 Dario Amodei 的说法，RSI"正在全行业开始发生" |

Anthropic 在 2026 年 11 月 2 日的修订招股书里写，公司"可能即将满足其 RSP 对'可归因于 AI 的急剧加速进展'的定义"。2026 年 8 月的内部民调中，员工对"AI 在建一个 2026 年初前沿模型的工作中占多少"的中位预期是：2027 年底 **80%**、2030 年底 **95%**，而当时的中位数是 51%。

### 6.2 趋势外推

如果被测序列就按当前趋势走，大多数"自动化研发"里程碑落在 2027—2028 年。作者的依据是 Peter Wildeford 做的一个自动化仪表盘：

| 序列                             | 里程碑                    | 中位与 80% 区间                    |
| ------------------------------ | ---------------------- | ----------------------------- |
| Anthropic R&D Automation Index | 90% 任务完全自主（AL5）        | 2028 年 5 月（2027-08 至 2029-10） |
| Anthropic CoBench              | 85%（Anthropic 内部替代参考线） | 2027 年 6 月（2027-01 至 2029-03） |
| METR 50% 时间跨度                  | 174 小时（一个工作月）          | 2027 年 6 月（2027-01 至 2028-08） |
| OpenAI 实验速度                    | 2025 年水平的 10 倍         | 2028 年 2 月（2027-05 至 2029-08） |

注：AL5 在 Anthropic 目前是 0%。为外推这个指标，仪表盘假设 AL5 落后 AL4+ 一段滞后期（由更低层级之间的实测间隔推断），不确定性很大。

### 6.3 各种预测

"完全自动化 AI 研发"的中心估计散布极广，**从 2027 年到 2052 年**。最早的来自实验室内部人士与 AI Futures 的预测者，最晚的来自 AI Impacts 调查的 ML 研究者。

**预测平台**（截至 2026-11-03）：

| 问题                                              | 平台         | 预测                         | 参与量           |
| ----------------------------------------------- | ---------- | -------------------------- | ------------- |
| 弱通用 AI / 通用 AI 宣布                               | Metaculus  | 中位 2027 年 8 月 / 2030 年 9 月 | 1,800 / 1,900 |
| 2028 年前出现 AI 撰写的 NeurIPS/ICML/ICLR 论文           | Metaculus  | 85%                        | 135           |
| Anthropic 达到 ASL-4                              | Metaculus  | 中位 2028 年 5 月              | 13            |
| OpenAI 在 2027 / 2028 / 2030 前宣布 AGI             | Kalshi     | 3.5% / 45% / 71%           | 合计 110 万美元    |
| OpenAI 或 Anthropic 在 2026-12-31 前宣布 RSI         | Polymarket | 9%                         | 该合约 5,000 美元  |
| OpenAI 或 Anthropic 在 2026 / 2027 / 2028 前宣布 RSI | Kalshi     | 11% / 57% / 77%            | 合计 2,100 美元   |

预测者对 AI 研发是看多的，但既开放又有流动性的相关问题很少。两个 RSI 市场对"2026 年底前宣布"只给 9%（Polymarket）和 11%（Kalshi），而且两个盘子都极薄。

**LLM 预测：FutureSearch。** 其 RSI 预测集含 57 条 LLM 预测（2026-10-16 更新）。三个与本报告最接近的：实验室宣布某模型已跨过或在下一代跨过自动化研发门槛，中位 **2027 年 12 月**（80% 区间 2027-02 至 2031-01）；对 2029 自然年 ECI 最高分涨幅的中位预测是 **16 点**（80% 区间 9.5—28.5），接近今天每年约 14 点；对 Anthropic 今天的 AI 研发提升给 **1.5 倍**（80% 区间 1.25—2），和 METR 的初步估计一致。

**专家与超级预测者调查。** 在一项与 METR 合作的试点研究里，作者于 2024 年 11 月至 2025 年 2 月调查了 8 位 AI 预测专家与 10 位超级预测者。主结果是"3 倍加速"：2029 年前出现一个两年期，其有效算力增长相当于 2018—2024 那六年。

| 预测                                                                           | 专家（中位） | 超级预测者（中位） |
| ---------------------------------------------------------------------------- | ------ | --------- |
| 3 倍加速（主结果）                                                                   | 20%    | 8%        |
| 顶级研究者替代：2027 年 1 月，知情者几乎一致同意"AI 系统可以在 AI 研发上完全替代一位 2024 年的顶级（前 0.01%）AI 研究者" | 5.5%   | 20%       |
| 月级项目：2027 年初，AI 在 80% 的开放式月级 ML 项目上击败五人团队，且资源少用 20%                          | 31.5%  | 45%       |

按作者读法，"月级项目"这条接近判"否"。这个场景需要 2027 年初就有一个多月（174 小时）的 50% 时间跨度；按 Epoch 的经验法则，"ECI 涨 5 点大致对应 METR 时间跨度翻倍"，一个月的跨度比 GPT-5（ECI 150，约 3.6 小时）高出约 5.6 个翻倍，即 ECI 约 178，按趋势要到 2027 年中期才到。"顶级研究者替代"在 2027 年 1 月前看也不像会发生。

另有一项专家调查：AI Impacts 在 2024 年 12 月调查顶级 AI 会议作者（1,580 人，10% 回复率），对"AI 完全自动化 AI 研究者这份工作"的中位日期是 **2052 年**（n=458）。当被要求评价"智能爆炸论证"（如果 AI 做掉几乎所有研发，技术进展可能"比现在快一个数量级以上"），回答分裂：**28%** 认为可能或很可能，**23%** 认为五五开，**49%** 认为不太可能或很不可能。

**知名个人的预测。**（原作者注：数据截止于 11 月 3 日之后 METR 才发布那份加速报告，此后几位预测者缩短了时间线；例如 AI Futures Project 最新更新的所有作者现在都预测 2027 年出现超人 AI 研究者（假设没有刻意减速），因此下表中部分数字已过时——AI Futures 的三位与 Ryan Greenblatt 大概率已不适用。作者计划在下一版更新。）

| 人物                                                                                | 完全自动化 AI 研发（中心估计，作者读法）   | 原话/预测                                                                              |
| --------------------------------------------------------------------------------- | ------------------------ | ---------------------------------------------------------------------------------- |
| AI 2027（Daniel Kokotajlo、Eli Lifland、Thomas Larsen、Romeo Dean，AI Futures Project） | 2027（情景）                 | 超人编码者 2027 年 3 月，超人 AI 研究者 2027 年 8 月                                              |
| Leopold Aschenbrenner（Situational Awareness）                                      | 2027                     | "到 2027 年，模型能做 AI 研究者/工程师的工作，这惊人地可信"                                               |
| Jack Clark（Anthropic 联合创始人、Anthropic Institute 负责人）                               | 2027                     | "我现在认为 2027 年出现完整 RSI 更可能"；2026 年 5 月时给的是 2027 年 30%、"2028 年底前出现无人类参与的 AI 研发"60%+  |
| Dario Amodei（Anthropic CEO）                                                       | 2027—2028                | AI 反馈回路"可能只差 1—2 年就到这一代 AI 自主构建下一代的程度"；RSI"正在全行业开始发生"                              |
| Daniel Kokotajlo                                                                  | 2028 年底                  | AI 做"整个研究流程"："2028 年底前约 50%"；自动化编码者中位 2027 年 11 月（80% 区间 2027-01 至 2030-04）        |
| Ryan Greenblatt（METR）                                                             | 2030—2031                | 2028 年底前完全自动化"略低于 30%"（此前约 15%）；AI 研发打平人类的中位在 2031 年初；后来改口"完全自动化大概在 2031、2030 年左右" |
| Eli Lifland（AI Futures Project）                                                   | 2030 之后                  | 自动化编码者中位 2030 年 1 月（80% 区间 2027-06 至 2070-10）；超智能中位 2033 年 7 月                     |
| Andrej Karpathy                                                                   | 约 2035（能当员工/实习生用的 agent） | AI agent 应该"几乎像一个你雇来的员工或实习生"那样工作，但"它们的认知能力还不够，就是跑不起来。把这些问题都解决大约要十年"                |
| Ilya Sutskever                                                                    | 2030—2045                | 被问到"能像人一样学习的 AI"何时"超越人类"："我想大概 5 到 20 年"                                           |
| Toby Ord                                                                          | 约 2038（变革性 AI）           | 变革性 AI（"让科学与技术进展速度翻倍"）："中位 2038 年，80% 区间从 3 年到 100 年"；未来五年内"大约五分之一"                |
| Arvind Narayanan 与 Sayash Kapoor（《AI as Normal Technology》）                       | 不给日期；渐进，不是近期             | "更可能出现的是自动化在 AI 开发中的角色逐步上升，而不是某个单一、不连续的 RSI 时刻"                                    |

## 七、三个关键分歧

**通过自动化 AI 研发实现广泛加速，需要三个有争议的步骤依次成立**：1）AI 研发被自动化；2）自动化带来能力急剧加速；3）加速是广的。作者把这个结构画成一张图，并给出四类可能结局（从"只是更强的研究助理"到"广泛加速"）。

![图 4：RSI 的分歧框架——三步、三种必须依次成立的条件，以及四类结局](https://www.hubwiz.com/blog/content/images/2026/11/img_51a9076217ceaa2f6c876d0b0478740f-800.jpg)

| 步骤                    | 主要分歧                                             | "会"的一方                                                                                                                                  | "不会"的一方                                                                                                                                      |
| --------------------- | ------------------------------------------------ | --------------------------------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------- |
| 1\. AI 研发被自动化了吗       | AI 能提供研究品味与判断（选题、判断结果），还是只能做实现？能不能在长、开放的项目上保持可靠？ | "我不太认同 AI 会缺某种深刻洞察这个说法"；ML"比数学浅"（Ryan Greenblatt）；如果 AI 能"创造性地解决问题从而在科学上成功"，那就是它能"泛化到许多领域、当然也包括 AI 研究本身"的标志（Jack Clark）                 | "就算你能让 AI 做任何实验，你还是得决定做什么实验。现在 AI 相比写实验代码，这方面很差"（Beren Millidge）；定义目标是"人类最后的工作"（John Schulman）；"创造力，以及智力的其他维度，是不可验证任务的极致"（Arvind Narayanan）  |
| 2\. 如果研发被自动化，能力会急剧加速吗 | 会带来软件智能爆炸，还是边际收益递减（"想法越来越难找"）以及算力、数据、监管瓶颈会封顶？    | 即使"硬件保持不变"，软件智能爆炸也"至少相当可能"（Daniel Eth 与 Tom Davidson）；"一年里走完四五年的 AI 进展"（Ryan Greenblatt）；关于数据瓶颈，"如果它让智能爆炸多花 2 倍以上时间，我会意外"（Tom Davidson） | 反馈回路"目前还不够强，无法产生自持加速，虽然看起来在增强"（Cunningham 等）；回路"大约要强 5—10 倍才能自我维持"（Ramez Naam，假设 ECI 每点带来 2—3% 研发生产力提升，而 Cunningham 等是 9%）；"政治与社会障碍可能让它半路停住" |

第三步（加速是否变广）的分歧同样尖锐：一边是 Amodei 说的"把人类生物学家未来 50—100 年的进展压缩到 5—10 年"，另一边是"自动化 AI 研发不会迅速产出领域通用的超级智能"、"奇点会被信号瓶颈卡住"、"构建与部署强大 AI 的外部瓶颈无法靠改进技术设计来克服"。

## 八、18 个预测问题，和 LLM 给出的初值

作者把分歧拆成 18 个问题，分五组，分别对应上面三个步骤：第 1 组问 AI 自己做多少研发、agent 做开放式研究有多好；第 2 组问 ECI 前沿涨多快；第 3 组问会不会有快年、有的话是不是 AI 自动化研发造成的；第 4 组问实验室内部最强模型领先公开前沿多少；第 5 组问快年会不会改变 2050 年前"专家级 AGI"与"AI 灾难"的概率。

![图 5：五组问题对应到三步分歧——每一组问题在检验哪一步](https://www.hubwiz.com/blog/content/images/2026/11/img_896c416257cbc1552b376eb3727ca849-800.jpg)

这些问题在内部测试里表现不错：它们抓住了真实分歧，而分歧的理由正好沿着第 5 节的三步走。2026 年 10 月的内部调查（n=11）里，成员对"2030 年底前出现快年"给出的概率从 **8% 到 75%**；另一项调查（n=4）里，所有人都认为如果 2030 年前出现快年，2050 年前专家级 AGI 与 AI 灾难的概率都更高。

| ID   | 问题（简写）                                                 | LLM 集成初值               |
| ---- | ------------------------------------------------------ | ---------------------- |
| Q1.1 | 领先 AI 公司由 AI 完全自主（AL5）完成的研发工作占比，2027-12-31             | 8.3%（80% 区间 0.9—34.5%） |
| Q1.2 | 同上，2030-12-31                                          | 41.2%（5.6—87.2%）       |
| Q1.3 | 2027-12-31 启动的 CRUX 2 复跑，最优 agent 论文的平均 NeurIPS 分（1—6） | 2.8（1.6—4.1）           |
| Q1.4 | 2030 年底前两个里程碑同时达成：AL5 占比 >50%，且 CRUX 2 复跑均分 ≥4         | 32.7%                  |
| Q2.1 | ECI 前沿，2027-12-31                                      | 187.9（179.5—201.4）     |
| Q2.2 | ECI 前沿，2030-12-31                                      | 240.3（208.1—303.9）     |
| Q2.3 | 若 Q1.4 达成，之后 12 个月的 ECI 前沿涨幅                           | 33.1（13.1—89.0）        |
| Q3.1 | 2027 年底前出现快年（12 个月 +30 点）                              | 10%                    |
| Q3.2 | 2030 年底前出现快年                                           | **39.6%**              |
| Q3.3 | 若出现快年，快年之后 12 个月的 ECI 前沿涨幅                             | 29.8（11.2—76.3）        |
| Q3.4 | 若出现快年，它由 AI 自动化 AI 研发造成的概率                             | **69.6%**              |
| Q4.1 | 内部领先公开 ECI 前沿多少（2027-12-31）                            | 6.4（1.6—16.6）          |
| Q4.2 | 同上，2030-12-31                                          | 10.1（2.2—40.3）         |
| Q4.3 | 若 Q1.4 达成，之后 12 个月的内部领先                                | 16.5（3.8—61.2）         |
| Q5.1 | 若有快年，2050 年前专家级 AGI                                    | 84.3%                  |
| Q5.2 | 若无快年，2050 年前专家级 AGI                                    | 55.7%                  |
| Q5.3 | 若有快年，2050 年前出现 AI 灾难                                   | 8.4%                   |
| Q5.4 | 若无快年，2050 年前出现 AI 灾难                                   | 2.9%                   |

**方法。** 四个前沿模型的集成（Claude Opus 5.5、Claude Sonnet 5.5、Claude Fable 5.1、GPT-6 Astra）在 2026 年 10 月 29 日对各题做了预测，每题各自做网络检索、用五种不同提示各答一遍；每个模型的五次要平均，集成值是四个模型均值的**中位数**。用来生成这些预测的是他们做"自动化 AI 风险展望（AIRO）"的预测流水线。模型只拿到问题，没拿到这份文档。

**结果。** 集成认为 AI 很快会做掉更多研发，但不是全部：AL5 占比中位在 2027 年底是 8.3%（今天 Anthropic 没有任何一段研发工作是 AL5），2030 年底 41.2%；CRUX 2 复跑中位 2.8 分，低于"边缘接收"的 4 分，但高于实际拿到的 1—2 分；两个里程碑同时达成的概率 32.7%。

ECI 前沿的中位预测接近趋势线：2027 年底 187.9、2030 年底 240.3，都落在趋势模型的 80% 区间内。快年概率是 2027 年底 10%、2030 年底 39.6%，比趋势模型（17%、44%）略低。**四个模型在这道题上分歧很大**：2030 年底出现快年的概率从 35%（Claude Sonnet 5.5）到接近 56%（GPT-6 Astra）。

集成还认为内部与外部的差距会扩大：内部领先从今天约 3.5—4.5 点涨到 2027 年底 6.4 点、2030 年底 10.1 点，80% 区间宽到 40 点——因为公司可能把最好的模型留在内部。

最有意思的是跨题联动：**如果 2030 年前出现快年**，集成就把 2050 年前专家级 AGI 给到 **84.3%**、AI 灾难 8.4%；**如果没有快年**，分别是 55.7% 与 2.9%——也就是说，条件是"有快年"时，AI 灾难的概率几乎**高出 3 倍**。作为对比，他们"纵向专家 AI 小组（LEAP）"的中位专家给 2050 年前 AI 灾难 2%，给 2100 年前 AGI 80%（时间跨度长得多）。

作者自己强调这组数字"主要是示意性的"，人类预测者的结果还在收；但他们在 ForecastBench 上的经验是，现在有几个 LLM 已经与超级预测者统计上难以区分，且能力更强的模型在罕见事件上更准——所以这组初值可以当作一个信息量不错的基准线。

## 九、原文的七条结论

- **截至 2026 年 11 月初，AI 是高度能干的研究助理，但仍缺研究判断力。** Anthropic 代码库九成以上的贡献由 AI 写（2026-09），但做哪个研究方向仍由人决定。关于 AI 判断力的证据有限且多为定性，但指向重要缺口。
- **公开指标上，能力进展还没有明确加速。** ECI 前沿过去两年每年涨约 14 点，至今最大的 12 个月涨幅是 21 点。但 2026 年的发现速度看起来在加快：漏洞发现"急剧"（METR），数学越来越明显。
- **前沿公司内部有加速的迹象。** METR 的初步外部评估估计 Anthropic 内部"由 AI 带来的总体能力加速约 1.5 倍"，Altman 与 Amodei 都在描述早期 RSI 的迹象。
- **原文特别加的一条事后说明**：数据截止（11 月 3 日）之后，METR 发布报告估计 Anthropic 的能力进展约为此前速度的 **2 倍（区间 1.3—3 倍）**，其中约 80% 归因于 AI；这个估计只针对 Anthropic，且包含未发布模型。**如果这个速度保持并传导到公开模型，就大致相当于一个"快年"。** 本文的 LLM 预测是在 10 月 29 日做的，早于 METR 那份报告。
- **按趋势外推，AI 可能在 2027—2028 年接手大部分 AI 研发任务**，与 OpenAI"2028 年 3 月"的目标一致；但其他预测的中心估计从 2027 年（实验室内部与 AI Futures）到 2052 年（AI Impacts 的 ML 研究者调查）都有。
- **广泛加速需要三步依次成立：自动化、加速、广度。** 分歧点分别是：AI 会不会长出研究判断力；边际收益递减与算力/数据/监管瓶颈会不会封顶；收益会不会扩散到 AI 研发与易验证任务之外。
- **前沿 LLM 集成给"2030 年底前出现快年"约 40%**；一旦出现，约 70% 归因于 AI 自动化研发；出现快年还会把集成对专家级 AGI 的预测从 56% 抬到 84%，把 AI 灾难的预测从 2.9% 抬到 8.4%（约 3 倍）。

## 十、我们的整理：这份综述怎么用

**第一，把它当成三段式证据链，而不是一个日期。** 报告最实用的地方是把"RSI 什么时候来"拆成三个必须依次成立的步骤。你会看到不同人的分歧其实落在不同的步骤上：Greenblatt 主要在争第一步（判断力能不能长出来），Cunningham 等争第二步（弹性够不够），Narayanan 与 Kapoor 争第三步（会不会变广）。**引用"某某说 2027 年"时，先问他说的是哪一步。**

**第二，把"快年"这个定义抄走。** 12 个月里 ECI 前沿涨 30 点（约当前速度的两倍），这是个可以被证伪、也可以被跟踪的判据，比"RSI 到没到"清楚得多。它还有一个隐性的好处：逼你注意基准饱和——一个今天 24 个基准全拿 90% 的模型，ECI 也只到约 189，也就是 1.4 年的进度；换句话说，**没有持续补充未饱和基准的话，"一年涨 30 点"很快就会变成不可达**。

**第三，跟本博客此前那篇** [**METR 报告**](https://www.hubwiz.com/blog/ai-accelerating-ai-research-metr-one-year/) **对着读。** 时间线是这样的：这篇综述的数据截止 11 月 3 日；METR 11 月 5 日发布对 Anthropic 的评估，给出 1.9 倍（95% CI 1.5—2.8 倍）与"加速过半可归因于 AI 做研发"；综述在第七节加了一条事后说明，承认"如果这个速度传导到公开模型，就大致相当于一个快年"。这也是为什么 11 月之后一批预测者把时间线往前挪了。两篇的差别不在事实，而在**口径**：METR 量的是实验室内部（含未发布模型），综述量的是公开前沿与可下注的问题。

**第四，对工程团队的三条实际含义：**

1. **"AI 写了 90% 代码"不是 RSI 的证据。** 同一份文档里，DeepMind 生产代码 75% 以上由 AI 写，但完全委托的 PR 只有 11.9%；Anthropic 的 AL4+（AI 主导）占 26%，AL5（完全自主）是 0%。判断力、把长任务跑完、以及在开放式问题上不跑偏，是三道没过去的坎。
2. **要测的东西得往"判断"挪。** 四个公开基准里，凡是定义清楚可验证的（PostTrainBench、WeirdML）分数都好看，真正隔离研究品味的（InnovationEval 2%—15%、CRUX 2 两篇全拒）就难看。你内部的 agent 评测集如果只考"能不能修好这个 bug"，会系统性高估它。
3. **成本的尺度会跟着变。** OpenAI 中位研究者的推理支出已经到每天 600 美元（按 API 价约每年 15 万美元），90 分位是每天 7,000 美元以上；而真正会失控的不是单次推理，是"自我改进"这个动作本身的开销——那是[另一篇要拆的账](https://www.hubwiz.com/blog/rsi-tax-self-improvement-token-cost/)。

## 来源

- Simas Kučinskas 与 Josh Rosenberg，[How Close is Recursive Self-Improvement? A Review of the Evidence](https://forecastingresearch.org/research/recursive-self-improvement-v1?ref=hubwiz.com)，Forecasting Research Institute，2026-11-10（数据截止 2026-11-03）
- 文内引用的一手材料：METR《Independent Assessment of AI R&D Acceleration at Anthropic in October 2026》（2026-11-05）、Anthropic 与 OpenAI 的系统卡/风险报告/招股书、Epoch AI 的 ECI 数据、Chan 等（2026）、Cunningham 等（2026）、Sarma 等（2026）

本文由汇智网编译整理，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/)