摘要:Anthropic 的内部资料,值得用来理解 AI 如何参与 AI 开发;读数字时,仍要分清程式码量、工作阶段成功率与自主研究能力。本文回看原文的历史观测,将公司报告、未来情境与我自己的工作判断分开。
「AI 开始打造自己」很容易让人想到一条已经合上的回圈:这一代完成下一代,下一代又改进自己。但帮助研究者写程式,与自主决定研究方向、打造后继系统,不是同一个阶段。
我读 Anthropic Institute 的〈When AI builds itself〉,最想留下的正是这个区别。文章由 Marina Favaro 与 Jack Clark 合著,也有后续更新。下文的数字限于其中明确注明的历史观测期,不是今天所有模型的能力报告。
先把加速与自主分开
原文认为,AI 已在加速公司的开发工作,同时明言完整的递回自我改进尚未达成,也不是必然。
在这个起点上,我想先拆开几个问题:工具能执行哪些步骤?谁提出目标?结果由谁判断?下一轮是否仍需要人重新界定问题?
参与开发流程,不等于已能自主打造自己的后继系统。
把这些问题合成一句「AI 会自己造 AI」,虽然有张力,却会让读者看不见目前证据究竟在哪一层。
八倍:增加的是哪个量?
原文详细段落报告,2026 年第二季,人均每日并入的程式码行数约为 2024 年的八倍。来源也提醒,行数偏重量,不能直接代表等比例的生产力提升。它的开场与图说有不同时间汇整口径,这里采详细段落,不混成每季与多年平均的比较。
程式码量增加,不能直接换算成同倍率的有效成果。
对我的工作,这个提醒比倍数更实用。一份产出变长,可能解决了更多问题,也可能增加阅读、维护与修正的负担。要谈效率,还需要把交付的用途、品质与后续工作放回来看。
百分比:成功的是哪种任务?
另一个数字是,2026 年五月,最开放类别的 Claude Code 工作阶段成功率达 76%,半年约增加五十个百分点。这是公司以 Claude 评审判定的指标,任务组成也会影响结果;不能写成从个位数成长到 76%,更不能当成所有请求的成功机率。
成功率要连同任务定义、评分方式与观测期间阅读。
例如,我让工具整理一份文件与让它排查不明原因的错误,需要的证据就不同。一个总百分比,不能替这两种工作的验收安排作答。
长任务,不只是计时器跑了多久
原文引用的任务时间跨度指标,涉及特定任务集合与成功率门槛。这不等于模型不会中断地可靠工作了同样长的时间;跨到未来的时间推算,也应当作条件式外推。
我因此不想只问「能跑几小时」。更有用的问题是,这段时间里取得了什么、哪些部分可重现、失败时如何回报,以及是否留下能接手的工作结果。
任务能持续执行,与结果值得采用,需要分别确认。
如果工具跑了很久,却没有人知道它改了哪个版本,长度本身反而不能帮我判断进度。
一个实验成功,还要问能转移到哪里
读到实验中的加速或进步时,我会接着看:起始条件是否相同、哪些目标由人预先设定、评分涵盖什么,以及结果能否转到不同规模与情境。
这些问题不是要否定实验,而是帮助我决定它能支持哪一种结论。优化一段指定程式,与证明整个真实训练流程都能同倍率加速,显然需要不同的证据。
特定测试中的进步,不能直接扩成整个研究流程的保证。
本文不再用未核对的中间数值补成连续曲线,也不把示意比例挂到具名模型上。保留定义清楚的数字,比画出看似完整的趋势更有帮助。
产出变多,验收也要跟上
对我来说,这篇导读最实际的问题,是当工具能同时提出很多结果,谁有时间确认它们?
我希望每次交付至少能说明三件事:为什么做、实际改了什么、用什么标准核对。没有通过的部分,也应留在纪录里,而不是被一个「已完成」盖过。
执行变快之后,仍要计入验收、维护与修正的成本。
我不把这个问题写成「人一定不再写程式」或「执行已经免费」。工具、算力、人的注意力与后续责任,都可能影响一个方案是否值得采用。
未来情境,用来准备,不是用来报机率
原文讨论了三种大方向:进步遇到限制、开发持续加速但人仍决定方向,以及系统达到完整递回自我改进。这些是作者用来思考后果的情境,不是已测得的发生机率。
我会把它们带回比较具体的准备:哪些限制若改变,需要重新评估?哪些工作即使工具更强,也仍需要权限、验证与责任安排?如果发现原本的假设不成立,要怎么停下或调整?
情境可以帮助准备,不能替尚未发生的结果背书。
我想保留的,是对方向的责任
读完这些资料,我仍然很在意「做什么」。但我不需要先证明 AI 永远不会判断,才能说明自己应该负责什么。
在我的工作里,价值取舍、能接受的风险、授权范围与最后采用的结果,都需要有人承担。工具可以协助提出选项、找资料或提醒盲点;人的责任不是因此自动消失。
这是我的工作选择,不是从某个测试百分比推导出的人机本质排名。
回到那个还没合上的问号
这篇文章让我想继续追问的,不只是下一个倍数,而是证据与主张之间的距离。
一个数字能说明什么?还缺哪个观察?谁可以反驳它?当结果不如预期,流程能不能承认并修正?这些问题,值得和模型能力一起进步。
判断的价值,需要在具体选择与后果中实践。


💬 留言讨论
加载中...