Knowledge File / 全球热点解读

2026-10-25 2 浏览公开

Anthropic 联合创始人 Jack Clark 把自我改进型 AI 的预测时间提前到 2027 年

Q: 这篇文章和哪些AI专题相关？

它适合放在AI日报、AI工具、AI超级个体专题里阅读。 关联原因：这篇内容命中「热点解读」等主题信号。；这篇内容命中「自动化」等主题信号。；这篇内容命中「效率」等主题信号。

新基准 TasteVal 用「算力乘数」量化 AI 的「研究品味」——自主设计实验并解读结果的能力。Anthropic 的 Opus 5.5 以不到一半算力达到 24 位人类专家的水平，单次成本约为人均专家尝试的 1/30；该能力自 2025 年 12 月起约每三个月翻一番。Jack Clark 据此把递归自我改进（RSI）的时间预期从 2028 年提前到 2027 年。

SOURCE / 全球热点解读 MIN / 9 ACCESS / 公开 POST / 2026-10-25 17:37:46

原贴

查看原文

作者：Manuel Uth 来源站点：the-decoder.com 原贴时间： 2026-10-25 17:37:46

原文

A new benchmark called TasteVal measures how well AI systems design experiments on their own and interpret the results. The findings show an unusually steep improvement curve. That capability has roughly doubled every three months since December 2025, according to Anthropic co-founder Jack Clark. The research lab P-Zero Research calls it "research taste," meaning the ability to pick the right experiments and draw the right conclusions from them. The best model tested outperformed a comparison group of 24 human experts at a fraction of the cost. Clark co-founded Anthropic and writes the Import AI newsletter . Based on the numbers, he now believes recursive self-improvement (RSI), where AI systems develop their own successors, could become possible as early as 2027. He had previously expected 2028. The benchmark doesn't prove that AI systems are already improving themselves, since it only captures a narrow slice of scientific work. But it does show where the debate is heading, away from raw model performance and toward the question of how much independent research work language models can actually take on. P-Zero Research defines research taste as three abilities: identifying which research questions are worth pursuing, designing experiments to answer them, and correctly interpreting the results. TasteVal only tests the last two. Choosing the most promising research direction is often considered the core of scientific intuition, but in TasteVal that decision is already made for the model. Each of the eight tasks specifies a fixed research goal from AI model development, along with a measurable score. The tasks cover areas like training data selection, pretraining and fine-tuning language models, training on human preferences, and defending against adversarial prompts. The model decides which experiment to run next and uses the results to guide its following step. To keep coding skill from skewing the outcome, a fixed coding agent runs all experiments on a single Nvidia H100 GPU. Each run ends after 40 GPU-hours of compute or 120 hours of wall-clock time. The human baseline came from 24 experts who had recently worked at places like OpenAI, Google DeepMind, Nvidia, and Microsoft Research. They tackled the same tasks, with at least two people on each one. The best human attempt per task served as the benchmark. To make research taste quantifiable, P-Zero Research translates it into compute efficiency. The reasoning is that experiment compute is scarce in AI research, so picking the right experiments and reading their results correctly means fewer runs and more progress on the same budget. The lab draws on its "AI Futures Model," which predicts that experiment compute becomes the biggest bottleneck once coding is automated . So TasteVal measures how much compute a model needs to match the experts' scores. A model that gets there with half the compute has twice the research taste by this definition . P-Zero Research calls this ratio the compute multiplier. The top model, Anthropic's Opus 5.5, hit a compute multiplier of 2.3, reaching expert-level scores with less than half the compute. The statistical range runs from 1.15 to 4.37, though. At the low end, the model would barely lead. A single run cost roughly one-thirtieth of what an expert attempt cost on average. Across several model generations, the compute multiplier has roughly doubled every three months since December 2025. The uncertainty is large here too, with the reported doubling time ranging from 1.7 to 5.0 months.

中文翻译

一个名为 TasteVal 的新基准衡量 AI 系统在自行设计实验并解读结果方面做得如何。研究结果显示出一条异常陡峭的改进曲线。根据 Anthropic 联合创始人 Jack Clark 的说法，这一能力自 2025 年 12 月以来大约每三个月翻一番。研究实验室 P-Zero Research 称之为「研究品味」，意思是挑选正确实验并从中得出正确结论的能力。测试中表现最好的模型以极低的成本击败了由 24 名人类专家组成的对照组。

Clark 是 Anthropic 的联合创始人，并撰写 Import AI 通讯。基于这些数字，他现在认为递归自我改进（RSI），即 AI 系统开发出自己的后继系统，最早可能在 2027 年成为可能。他此前预期是 2028 年。该基准并不能证明 AI 系统已经在改进自身，因为它只捕捉了科学工作中很窄的一部分。但它确实显示了这场讨论的走向：从原始模型性能，转向语言模型实际能承担多少独立研究工作这一问题。

P-Zero Research 将研究品味定义为三种能力：识别哪些研究问题值得追求、设计实验来回答它们、以及正确解读结果。TasteVal 只测试后两项。挑选最有希望的研究方向通常被认为是科学直觉的核心，但在 TasteVal 中，这一决定已经替模型做好了。八个任务中的每一个都指定了一个来自 AI 模型开发的固定研究目标，以及一个可测量的分数。任务涵盖训练数据选择、语言模型的预训练与微调、基于人类偏好的训练，以及防御对抗性提示等领域。模型决定下一步运行哪个实验，并利用结果指导其下一步。

为避免编程能力影响结果，由一个固定的编程智能体在单块 Nvidia H100 GPU 上运行所有实验。每次运行在 40 GPU 小时算力或 120 小时实际时间后结束。人类基线来自 24 位近期在 OpenAI、Google DeepMind、Nvidia 和 Microsoft Research 等机构工作的专家。他们完成同样的任务，每个任务至少有两人参与。每个任务中最好的人类尝试被用作基准。

为了让研究品味可量化，P-Zero Research 将其转化为算力效率。其推理是，在 AI 研究中实验算力是稀缺的，因此挑选正确的实验并正确解读结果意味着更少的运行次数和在相同预算下更多的进展。该实验室依据其「AI 未来模型」，该模型预测一旦编程被自动化，实验算力将成为最大的瓶颈。因此 TasteVal 衡量的是模型需要多少算力才能达到专家的分数。按此定义，用一半算力达到该水平的模型，其研究品味是两倍。P-Zero Research 将这一比率称为算力乘数。

排名第一的模型 Anthropic 的 Opus 5.5 达到 2.3 的算力乘数，用不到一半的算力就达到了专家级分数。不过统计区间为 1.15 到 4.37。在低端，模型仅略微领先。单次运行的成本约为专家尝试平均成本的三十分之一。跨越多个模型世代，算力乘数自 2025 年 12 月以来大约每三个月翻一番。这里的不确定性也很大，所报告的翻倍时间从 1.7 个月到 5.0 个月不等。

核心信息

新基准 TasteVal 用「算力乘数」量化 AI 的「研究品味」——自主设计实验并解读结果的能力。Anthropic 的 Opus 5.5 以不到一半算力达到 24 位人类专家的水平，单次成本约为人均专家尝试的 1/30；该能力自 2025 年 12 月起约每三个月翻一番。Jack Clark 据此把递归自我改进（RSI）的时间预期从 2028 年提前到 2027 年。

新基准 TasteVal 用「算力乘数」量化 AI 的「研究品味」——自主设计实验并解读结果的能力。Anthropic 的 Opus 5.5 以不到一半算力达到 24 位人类专家的水平，单次成本约为人均专家尝试的 1/30；该能力自 2025 年 12 月起约每三个月翻一番。Jack Clark 据此把递归自我改进（RSI）的时间预期从 2028 年提前到 2027 年。
原贴提到：A new benchmark called TasteVal measures how well AI systems design expe
来源：the-decoder.com

详细解读

这是什么信号

这不是又一张模型跑分表，而是一次测量对象的更换。P-Zero Research 的 TasteVal 不再问「模型答得对不对」，而是问「模型能不能自己决定下一个实验做什么，并从结果里读出下一步」。八个任务都锁定在 AI 模型开发本身——训练数据选择、预训练与微调、人类偏好训练、对抗性提示防御——每个任务给出固定研究目标和可测量分数，模型自行选择实验、读取结果、决定下一步。

核心指标是「算力乘数」：达到与人类专家相同分数所需的算力比值。Anthropic 的 Opus 5.5 拿到 2.3，意味着用不到一半算力达到 24 位来自 OpenAI、DeepMind、Nvidia、微软研究院的专家的最好成绩，单次运行成本约为专家尝试的三十分之一。更关键的是趋势线：自 2025 年 12 月以来，这一乘数大约每三个月翻一番。Jack Clark 据此把递归自我改进（RSI）的时间预期从 2028 年提前到 2027 年。

为什么重要

第一，争论的坐标系变了。过去两年行业争论的是模型能力上限，现在被换成「语言模型究竟能接管多少独立研究工作」。这是一个关于自动化研发管线的问题，比榜单排名更接近真实生产力。

第二，它给出了一个可复用的度量思路：把一种模糊的能力（研究品味）翻译成稀缺资源的节省程度（算力效率）。这个翻译是否完美可以争，但它让「AI 会不会自己搞研究」从哲学讨论变成了每季度可复测的数字。

第三，时间线被前沿实验室内部人士公开前移。Clark 不是外部评论者，他写 Import AI、在 Anthropic 内部，把 RSI 从 2028 挪到 2027 是一个值得记录的口径变化，而非标题党。

对谁有价值

AI 实验室与自动化研发团队：算力乘数是衡量「模型能否替代实验员」的直接指标，可直接借用为内部评测框架。
企业 AI 负责人：如果实验设计能力按季度翻倍，那么今天被判为「必须人类专家介入」的研发环节，12 个月后需要重新评估。
投资与战略：RSI 时间线的可信区间从 2028 收敛到 2027，会影响对算力、数据和研发人力配置的长期假设。
科研与工程组织：24 位专家的基线说明，被替代的不是「执行实验的手」，而是「选择实验的判断」。

可以怎么行动

把「单位算力产出」作为评估 AI 项目的主指标之一，而不是只看单次输出质量。这直接对应 TasteVal 的算力乘数逻辑。
在内部挑 3–5 个有明确可测量目标的小型研发任务，做一次人机对照：同一预算下，人类专家与模型各跑一遍，记录成本与得分。
关注模型在「读结果—改下一步」这个闭环上的表现，而不是单轮生成质量。这个闭环才是研究品味测试真正考的东西。
把 RSI 时间线纳入规划时保留区间而非点估计，按 2027 前后做压力测试，而不是押注某一年。

风险与限制

这份结果的可信度需要打折看。其一，TasteVal 只测了三项「研究品味」能力中的两项：识别值得研究的问题这一项被跳过了，研究方向是预先指定的。而这恰恰是科学直觉中最难、最不可替代的部分。所以它证明的是「在被给定目标后，模型能高效试错」，不等于「模型能提出好问题」。

其二，统计区间极宽。算力乘数 2.3 的背后是 1.15 到 4.37 的区间，低端意味着模型只是略微领先专家；翻倍时间报告为 1.7 到 5.0 个月，同样的数据可以支撑「一年翻四倍」也可以支撑「一年翻一倍」，趋势方向明确但斜率高度不确定。

其三，样本面窄。顶尖成绩来自单一模型 Opus 5.5；人类基线是 24 位专家、每任务至少两人，取最好一次作为基准，这比平均人类水平更宽松。单次运行与专家单次尝试的成本对比，也没有计入人类专家的经验积累与选题成本。

其四，「研究品味 = 算力效率」是一个特定定义下的等价，不是对科研能力的完整刻画。基准证明了讨论正在往哪里走，但没有证明 AI 已经在改进自身。

信息差价值

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《Anthropic 联合创始人 Jack Clark 把自我改进型 AI 的预测时间提前到 2027 年》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

参考来源

Manuel Uth 原帖

TOPIC HUBS

延伸专题

AI日报 AI日报：每日AI信号、工具动态与行动判断

这篇内容命中「热点解读」等主题信号。

AI工具 AI工具：模型、插件、自动化与实战场景

这篇内容命中「自动化」等主题信号。

AI超级个体 AI超级个体：个人品牌、效率系统与技能杠杆

这篇内容命中「效率」等主题信号。

AI SUMMARY

这篇文章回答了什么