Anthropic 联合创始人 Jack Clark 将自我改进 AI 的预测提前至 2027 年

2026-10-25

一项名为 TasteVal 的新基准测试衡量 AI 系统自行设计实验并解读结果的能力。研究结果显示出一条异常陡峭的改进曲线。Anthropic 联合创始人 Jack Clark 表示，自 2025 年 12 月以来，这种能力大约每三个月翻一番。研究实验室 P-Zero Research 称之为“研究品味”，即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一小部分成本超过了由 24 名人类专家组成的对照组。

TasteVal 基准测试显示，AI 自主设计实验并解读结果的能力自 2025 年 12 月以来约每三个月翻一番。最佳模型 Opus 5.5 以不到一半算力达到专家级分数，但统计区间较宽。Jack Clark 据此把递归自我改进（RSI）最早可能在 2027 年出现的预测从 2028 年提前，不过该基准只覆盖有限科研环节，尚不能证明 AI 已在自我改进。

这是什么信号

这不是又一次“模型跑分”更新，而是把评测对象推进到科研流程本身：TasteVal 让模型在固定研究目标下决定下一步实验，并用结果指导下一步。P-Zero Research 用“compute multiplier”把“研究品味”折算成算力效率——达到专家分数所需算力越少，研究品味越高。最佳模型 Opus 5.5 的 compute multiplier 为 2.3，意味着用不到一半算力达到专家级分数；单次运行成本约为专家尝试平均成本的三十分之一。这释放的信号是：AI 研发自动化开始有了可量化的中间指标，而不只是终局性的“能否自我改进”。

为什么重要

因为如果编码被自动化后实验算力成为最大瓶颈（P-Zero Research 的 AI Futures Model 这样预测），那么“少做错实验、读懂结果”的价值会直接体现在研发吞吐和算力预算上。Clark 把 RSI 最早出现时间从 2028 年提前到 2027 年，依据正是该能力约每三个月翻一番的趋势。它重要不在于 2027 这个日期本身，而在于争论焦点从“模型原始性能”转向“语言模型能独立承担多少研究工作”。

对谁有价值

对 AI 实验室的研究负责人、算力预算管理者和 AI 产品/平台团队最有直接价值：前者可以用类似指标评估实验代理是否真的节省实验轮次；后者可以判断模型供应商的能力差异是否体现在研发闭环而非单点分数。对战略与安全团队也有价值，因为 RSI 时间表会影响竞争假设和安全评估节奏，但应把它当作情景变量，而不是确定日程。

可以怎么行动

企业不必等待 TasteVal 公开复现，可以先在内部把“实验设计—结果解读—下一步决策”拆成可评测闭环：记录模型建议的实验、实际消耗算力和人类专家结论，计算自己的“算力乘数”或等价指标。采购/合作评估中，除了看基准分数，增加“在固定预算下能否达到专家结论”的任务。对 RSI 预测建立 2027/2028 两套情景规划，明确触发条件，而不是把单一预测当路线图。

风险或限制

TasteVal 只测试八项任务，且每项任务的研究目标已固定，模型只负责选择后续实验和解读结果；定义中“选择值得研究的问题”这一核心能力并未被测试。实验由固定编码代理在单张 Nvidia H100 上运行，单次运行在 40 GPU-hours 计算或 120 小时实际时间后结束。人类基线是 24 名近期在 OpenAI、Google DeepMind、Nvidia、Microsoft Research 等工作过的专家，每项任务至少两人，取最佳人类尝试作为基准；最佳模型统计区间为 1.15 到 4.37，低端仅略领先。翻倍时间的报告区间为 1.7 到 5.0 个月，不确定性很大。因此它能说明趋势和评测方向，但不能证明 AI 已在自我改进，也不能单独支撑精确的 RSI 时间表。

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 将自我改进 AI 的预测提前至 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。