当AI自我构建：内部数据揭秘

当AI自我构建：内部数据揭秘

(视频)

突破临界点：当 AI 开始构建 AI，人类的未来将走向何方？

1. 引言：从“人类编写代码”到“AI 自我迭代”

在人工智能发展的漫长历程中，人类始终是那个不可撼动的主宰：我们设定每一个目标，敲下每一行代码，并在漫长的深夜里逐一调试错误。实验室里，成排的工程师伏案工作，这种“人类驱动”的开发循环曾被视为技术的基石。

然而，Anthropic 近期披露的现状标志着一个历史性转折点的到来。人类正稳步将越来越多的开发权移交给 AI 系统。这不仅仅是工具的升级，更是一场深层次的职能交接。当 AI 开始被用来设计、编写并优化其自身的继承者时，我们正式踏入了“递归自我改进”（Recursive Self-improvement）的门槛。一个悬而未决的命题随之浮现：当 AI 的进化速度脱离人类的物理限制，开始以计算速度自主迭代时，我们的世界将发生怎样的剧变？

2. 效率神话：8 倍生产力的跃升与 80% 的代码占有率

根据 Anthropic 内部最新的工程数据，这种权力转移带来的效率提升近乎神迹。截至 2026 年 5 月，合并到 Anthropic 代码库中的生产代码中，超过 80% 是由 Claude 自动生成的。这种变化直接体现在工程师的产出上：到 2026 年第二季度，典型工程师日均合并的代码量已达到 2024 年水平的 8 倍。

这种增长已非线性，而是呈现出恐怖的指数级特征。这种生产力爆发正在重塑全球技术基础设施——据统计，全球 GitHub 的提交量已飙升至每年 140 亿次的惊人速度，迫使平台不得不疯狂扩容以应对这种由 AI 驱动的“代码洪流”。爱迪生曾言，天才就是 1% 的灵感加上 99% 的汗水，而现在，那 99% 的“汗水”正被彻底自动化。

“大约一年前，我开始全力投入‘Claude 化’。这是一段疯狂的冒险，到现在我已经有大约 5 个月没亲自写过一行代码了。” —— Anthropic 员工

3. 任务跨度：从几分钟到几周的进化

AI 独立处理任务的能力正在经历一场跨越数量级的时间跃迁。2024 年 3 月，Claude Opus 3 能够可靠处理的任务时长仅为 4 分钟；一年后，Claude Sonnet 3.7 将这一数字提升至 1.5 小时。而最新的 Claude Opus 4.6 已经能够独立管理长达 12 小时的复杂任务。

如果这一趋势持续，到 2027 年，AI 系统将具备处理原本需要人类专家耗时数周才能完成的复杂项目的能力。目前，衡量软件工程能力的 SWE-bench 和科研复现能力的 CORE-Bench 均已接近“饱和”状态（即 AI 接近 100% 完成度）。AI 正在从一个只能提供片段建议的助手，进化为一个能够独立运营项目的“数字员工”。

4. 超越人类：52 倍速的实验优化与安全漏洞挖掘

在最能体现递归能力的“代码优化”领域，AI 的表现已经步入“超人”阶段。2025 年 5 月，Claude Opus 4 在优化训练代码时能实现约 3 倍的加速；而到了 2026 年 4 月，Mythos Preview 已经实现了 52 倍的惊人优化加速。相比之下，一位资深的人类研究员在同样的任务中，通常需要 4 到 8 小时才能达到 4 倍的加速。

这种速度的飞跃在现实世界中具有极高的破坏性或建设性。在代号为 “Project Glasswing” 的项目中，Mythos Preview 在短短几周内就从全球核心系统中发现了超过 10,000 个高危漏洞。这种“自动化挥发汗水”的过程，正让防御和研究的瓶颈从“寻找问题”转向“修复速度”。

5. 攻克最后的堡垒：AI 是否具备“研究品味”？

长期以来，批评者认为 AI 缺乏“研究品味”和“大局观”。但数据正在反驳这一观点。在一项衡量科研决策能力的测试中，Mythos Preview 的决策方案在 64% 的情况下优于人类对比组，远高于 Opus 4.5 的 51%。

在更复杂的 AI 安全研究——“弱监督强模型”实验中，AI 的自主性表现得淋漓尽致。人类研究员在此任务中仅能恢复 23% 的性能差距，而 AI 代理自主完成了 97% 的任务指标，几乎完美地复刻了复杂科研的全过程，而人类仅需设定初始目标。

“目前人类的比较优势仍然在于看大局，以及思考超出直觉任务范围的事物。” —— Anthropic 员工

6. 阿姆达尔定律：新时代的“人类瓶颈”

根据阿姆达尔定律（Amdahl's Law），当系统中大部分环节（如执行和编写）的成本降为零时，整体速度将受限于那些无法被加速的部分。在 AI 开发的新纪元，“执行”已近乎无限快，而人类的审核速度成了最后的瓶颈。

这种冷酷的效率也正在侵蚀职场的社会属性。过去，工作不仅是任务的堆砌，更运行在一种**“由小额互助构成的礼尚往来经济”**中。一句“能帮我调下脚本吗？”曾是建立社交纽带的契机。而当一切都可以通过 AI 瞬间完成，这种“相互亏欠”带来的社会联系正在丧失，取而代之的是一种极致但孤岛化的效率。

7. 三种未来：平庸、高效还是失控？

面对 AI 自我构建的趋势，我们正站在三个分叉路口：

• 趋势停滞（S 曲线）： 受限于能源供应、芯片产能或架构瓶颈，AI 的进化触及天花板。这种情境下，人类社会有最充足的时间进行制度和法律的适应。
• 持续的高效协作： AI 成为极致的生产力杠杆。一个 100 人的公司通过 AI 代理的协助，能够完成过去 10 万人的工作量，彻底革新知识型经济。
• 完全的递归自我改进： AI 彻底掌握了设计继任者的能力，进化速度仅取决于计算资源。AI 在科学研究的所有领域引发革命，但人类面临失去对系统控制权的系统性风险。

8. 结语：在计算速度与治理机制的碰撞中思考

我们正处于一个奇特的时代：在实验室的上游，AI 正在以指数级的“计算速度”进行递归进化；而在下游，人类社会依然运行在固有的、生物性的节奏上——法律的辩论、选举的举行、友谊的培养，这些都需要时间的沉淀。

当 AI 最终在智能上全面超越人类劳动力时，这种“计算速度”与“人类速度”的碰撞将产生前所未有的冲击波。我们是否已经准备好面对一个人类劳动力不再具备竞争力的世界？在追求极致效率的烟尘之后，人类的治理机制和价值观如何避免被远远抛在后方？这不仅是一个技术课题，更是我们必须共同回答的文明命题。