AI 递归自我改进：Anthropic 联创预测 2028 年前有 60% 概率实现

如果有一天，AI 能自主构建并改进更强大的 AI，而不再需要人类工程师介入——这个时刻会是什么感觉？

Anthropic 联合创始人 Jack Clark 给出了他的判断：到 2028 年底，这件事发生的概率是 60%。

这不是科幻小说里的情节设定，而是他基于数百份公开论文、能力基准测试数据，一条条推导出来的结论。

---

什么是递归自我改进（RSI）？

“递归自我改进”（Recursive Self-Improvement，RSI）的核心含义是：AI 系统能够自主地设计、训练和改进下一代 AI 系统，形成无需人类干预的自我迭代循环。

Clark 将其比作跨越"卢比孔河"——一旦越过，就进入了一个几乎无法用现有框架预测的未来。

这个概念听起来抽象，但他用具体数据把它拉回了现实。

---

数据说话：AI 能力正在加速突破

任务时长：四年提升 1440 倍

METR 的研究跟踪了 AI 能独立完成任务所需的时长（以 50% 成功率为基准）：

• 2022 年：约 30 秒
• 2026 年：约 12 小时
• 预测 2026 年底：可能突破 100 小时

四年内，这个数字从 30 秒跳到 12 小时，增长了 1440 倍。这意味着 AI 能够独立驾驭的任务复杂度，正在以惊人速度扩展。

SWE-Bench：从 2% 到 93.9%

SWE-Bench 测试 AI 解决真实 GitHub 问题的能力——这是软件工程中最贴近实际生产环境的基准之一：

时间	Claude 模型能力
2023 年底	2%
2026 年	93.9%

不到三年，这个基准几乎被彻底解决。

CORE-Bench：15 个月从 21.5% 到 95.5%

CORE-Bench 衡量 AI 复现论文实验结果的能力——这正是科研流程中最耗时的环节之一：

• 2024 年：最高准确率 21.5%
• 2025 年中：最高准确率 95.5%

15 个月，从勉强及格到接近完美。该基准已宣布"被解决"。

MLE-Bench：AI 参加 Kaggle 竞赛

MLE-Bench 让 AI 参与真实的机器学习竞赛（Kaggle），评估其在模型优化任务上的实战水平：

• 2024 年 10 月：最高得分 16.9%
• 2026 年 2 月：最高得分 64.4%

AI 优化训练代码：速度提升 52 倍

Anthropic 内部测试中，AI 优化小型语言模型训练代码的效率，在不到一年内从基准的 2.9 倍跃升至 52 倍。

这意味着 AI 已经能够有效地对"AI 训练本身"进行工程优化。

---

核心逻辑：99% 的工程即将自动化

提供与官方 API 完全兼容的接入服务在这里插入图片描述](https://i-blog.csdnimg.cn/direct/13327fe047144c62813bc5e4fd58a310.png)

Clark 引用爱迪生的名言，将 AI 研究分为两部分：

• 1% 的灵感：真正开创性的思路，比如 Transformer 架构的提出
• 99% 的汗水：数据清洗、实验跑通、超参调整、论文复现……

他的判断是：AI 正在快速接管那 99% 的工程性工作。

有几个具体迹象支撑这一判断：

1. AI 充当项目经理：现有系统已能像 PM 一样调度多个 AI 子任务，分配工作并汇总结果。
2. PostTrainBench 的表现：在微调开源模型以提升性能的任务上，AI 已能达到人类研究员效果的约一半。
3. Anthropic 内部概念验证：在"自动化对齐研究"的实验中，AI 提出的方案甚至超过了人类研究员的基线。

一旦 AI 在那 1% 的"灵感"方面也取得突破，完整的"研究→改进→更强 AI"循环就会形成。

---

为什么是 60%，而不是更高？

Clark 的预测并非无条件乐观。他将概率区分为两个阶段：

• 2027 年底：30% 概率
• 2028 年底：60% 概率

他坦承，AI 目前在需要"创意直觉"的突破性研究上仍存在系统性缺口——那种真正提出新范式的能力，现有模型还不具备。

2027 年的 30% 反映的是"工程自动化基本完成但创意缺口未弥合"的情景；而 2028 年的 60%，则基于他对这一能力缺口有相当概率在那之前被填补的判断。

---

如果你正在评估如何将 Claude API 接入你的产品或工作流，ClaudeAPI.com 提供与官方 API 完全兼容的接入服务

质疑的声音也值得认真对待

公平起见，文章也梳理了几个反驳视角：

边际效益递减：AI 自我改进未必带来指数级增长，可能只是边际收益递减——在某些维度上越来越难再有突破。

定义模糊：目前学界对"递归自我改进"尚无权威的统一定义，不同人对"实现 RSI"的标准理解可能差异很大。

能力缺口：正如 Clark 自己承认的，现有 AI 在开创性研究上仍有明显不足。

这些质疑不是否定，而是提醒我们：预测这类拐点，本质上存在极大的不确定性。

---

更紧迫的问题：治理窗口正在关闭

技术层面的争论可以持续，但 Clark 更担心的是另一件事：我们没有多少时间了。

他警告：

• 如果 RSI 发生，现有的 AI 对齐技术在多代迭代后效果会急剧衰减
• 社会、研究界和政策层对此的讨论和准备还远远不够
• OpenAI、Anthropic 以及专注于此方向的新公司（如 Recursive Superintelligence）正在全速推进

整个行业都在踩油门，而刹车系统还没造好。

---

对开发者意味着什么？

如果 Clark 的判断哪怕只有一半是对的，那么接下来几年的 AI 能力跃升，将是我们见过的最快的一次。

对于现在正在使用 Claude API 构建产品的开发者来说，这意味着：

1. 今天构建的 AI 工作流，明天可能会被 AI 自动优化——把自动化能力内嵌进产品架构是值得认真思考的方向。
2. 模型能力边界在快速移动——定期重新评估你的任务分配（哪些交给 AI，哪些留给人类）是必要的习惯。
3. 复杂的多智能体协作正在变得可行——编排 AI 完成端到端研究或工程任务，不再只是实验室里的概念。

---

小结

Jack Clark 的预测不是末日论，也不是盲目乐观——它是一份基于数据推导的、带着明确不确定性区间的技术判断。

从 SWE-Bench 的 2% 到 93.9%，从 30 秒任务到 12 小时任务，从人工跑实验到 AI 自动优化训练代码……这些数字不是在预言未来，它们描述的是已经发生的现在。

2028 年还有两年半。无论 RSI 是否如期到来，AI 研发自动化的浪潮已经在路上了。

---