Import AI：AI系统即将开始自我构建——递归自我改进的第一步

2026年5月4日，Import AI第455期 newsletter发表长文指出，AI系统正快速接近能够自主进行端到端AI研发（AI R&D）的阶段，甚至可能在2028年底前实现“无人类参与的AI研发”——即AI系统强大到足以自主构建其继任者。这标志着递归自我改进（recursive self-improvement）的第一步，将把人类带入一个几乎无法预测的未来。

核心预测：60%+概率在2028年前实现

作者Jack Clark（前OpenAI政策主管）基于公开信息（arXiv、bioRxiv、NBER论文及前沿公司产品）得出结论：所有自动化当前AI系统工程组件的要素已就位。若scaling趋势持续，模型将具备足够创造力，不仅能优化现有知识，还能提出新颖研究路径，推动前沿进步。

他预计2026年不会发生，但“模型端到端训练其继任者”的概念验证可能在1-2年内出现（非前沿模型阶段更容易，前沿模型因成本和人力投入更高而更难）。

证据一：编码能力的“奇点”

AI已彻底改变代码生产。SWE-Bench（评估AI解决真实GitHub问题的基准）从2023年底Claude 2的约2%成功率，飙升至Claude Mythos Preview的93.9%，接近饱和。现实中，前沿实验室工程师已全面通过AI编写代码、测试代码。

METR的时间跨度图显示AI独立完成任务的能力指数级增长：

· 2022年（GPT-3.5）：约30秒

· 2023年（GPT-4）：约4分钟

· 2024年（o1）：约40分钟

· 2025年（GPT-5.2）：约6小时

· 2026年（Opus 4.6）：约12小时

Ajeya Cotra预测，到2026年底，AI或能可靠完成需人类100小时的任务。这直接对应agentic coding工具的爆发，也让AI能接管AI研发中大量“几小时级”任务（如数据清洗、实验启动）。

证据二：核心科学技能的自动化

AI在复制研究结果、链式组合机器学习技术、优化AI系统本身等AI研发核心技能上进展显著。CORE-Bench（计算可复现性代理基准）要求AI安装依赖、运行代码并回答问题，自2024年9月推出后已取得显著进步。

这些能力结合，使AI不仅能辅助人类科学家，还能部分自动化R&D流程——从指定实验方向、运行实验到验证结果。

意义与风险：跨越“卢比孔河”

一旦实现端到端自动化AI研发，人类将跨过“卢比孔河”，进入几乎无法预测的未来。AI不仅加速现有研究，还可能自主探索新路径，实现真正的递归自我改进。

Clark强调，这并非遥远科幻，而是基于当前公开趋势的“勉强结论”。他计划2026年深入探讨其影响，并呼吁社会为自动化AI研发带来的剧变做好准备。

当然，基准存在噪声，真实世界部署仍面临成本、可靠性与对齐挑战。但趋势清晰：AI正从“工具”走向“研究者”，而人类需思考如何与之共存并引导其发展。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。