Anthropic 首次披露了自家模型参与自家研发的统计结果。按照该实验室 9 月 17 日公布的数据，截至 2026 年 8 月，Claude 已主导 Anthropic 26% 的 AI 研发工作，而 2 月这一比例还不足 1%。
这组数据出现在一个更大的问题之下：当 AI 开始参与研发 AI，人类还留在回路中的哪一环。Anthropic 将这一目标称为“递归自我改进”，即一个模型完全自主地构建它的继任者。不过，按该实验室自己的统计，截至 2026 年 8 月，没有任何被测量的研发工作在没有人参与的情况下运行。
Jack Clark 对时间表的判断
Anthropic 联合创始人 Jack Clark 在 2026 年 5 月 4 日的 Import AI 通讯中，给“最后一个人类退出回路”的时间下了一个概率判断：到 2028 年底，出现一个强大到能在没有任何人类参与的情况下造出自己继任者的 AI 系统，概率为 60% 或更高。
他同时给出了 2027 年的概率，数值为 30%。Clark 当时解释，之所以压低判断，是因为 AI 研究可能仍需要“创造力和异端洞见”，而系统到那时为止还没有在任何重大方面表现出这种能力。
5 周后的 6 月 8 日，Clark 再次写道，过去几个月他一直在 Anthropic 收集证据，试图证明同一想法的缩小版本已经开始出现，也就是实验室自身生产力的复合加速。不过他也写得很直接：“这些有任何定论吗？没有。”
到了 9 月 15 日，Clark 在接受 NPR 采访时又补了一句更直接的话：“我们没有一个第三方来验证我们所说的话。”
26% 这一数字是怎么得出的
Anthropic 9 月 17 日公布的文章由 Marina Favaro 和 Phillie Wright 撰写，Clark 被列为研究方向负责人。文章给出的核心结论是：截至 2026 年 8 月，Claude 主导了 Anthropic 26% 的 AI 研发工作，而 2 月这一比例还不到 1%。
这项统计不是人工逐项盘点，而是 Claude 自己完成的。Anthropic 的做法是，在 2026 年 7 月的每一周，从构成模型研究回路的每个部门中随机抽取五分之一的员工，再由一个 Claude 代理去梳理这些人的一周工作。它会阅读这些员工的 Slack 消息和内部文件，并记录每个人做了哪些任务。
在计量方式上，Anthropic 以“一个人、一周”为单位分配权重。若某名员工一周内完成 4 项任务，每项任务分得四分之一个权重单位；若完成 10 项任务，则每项任务分得十分之一。页面将这种方法描述为粗略近似，但认为在平均层面表现合理，因为大量员工重复进行的任务类别会累积更多权重。
按这一方法，7 月每一周被抽样的员工都经过同样处理，最后汇总成一个约 15,000 项细粒度任务的扁平列表。
随后，这些任务被放入一棵任务树中。整棵树共有 542 个不同深度的节点，其中 378 个是叶子节点，也就是最细颗粒度的任务。Anthropic 表示，这棵树会被冻结，因此每个月的评级都针对同一篮子工作进行。叶子节点对应的内容包括：评估平台缺陷诊断与修复、强化学习沙箱出口与网络策略、服务事故复盘等。
Anthropic采用的六级量表如何定义人的位置
Anthropic 使用的是 Epoch AI 的六级自动化量表。这个量表不是按模型能力上限来划分，而是按人在任务中的角色来定义等级。
在“辅助”级别，AI 主要帮助查资料和润色；在“协作”级别，AI 可以完成大块工作，但决策仍由人来做；在“主导”级别，AI 根据高层要求完成大部分任务，人负责监督、纠偏和批准；在“自主”级别，AI 完全独立工作，回路中不再有人类。
Anthropic 报告称，截至 2026 年 8 月，“主导”对应的是第四级，而第五级“完全自主”没有任何被测量到的工作达到。公司还表示，“协作”及以上级别的工作占比超过 90%。
Anthropic 也特别说明，这项评级衡量的是这些工作在 2026 年 7 月通常是如何完成的，而不是 Claude 在尽最大努力时理论上能做到什么。
一个故障修复案例，显示“协作”和“主导”的区别
为说明不同等级的差异，Anthropic 在页面中给出一个假设例子：一条夜间数据管道发生故障，必须在第二天运行前修好。
在“协作”级别，工程师会把日志交给 Claude，可能还会附上自己的猜测。遇到新问题时，Claude 会停下来，由工程师决定是绕过去还是彻底修复。测试通过后，工程师可能逐行阅读改动、重新运行管道并部署。
在“主导”级别，工程师只需把故障警报交给 Claude。之后由 Claude 找出出问题的阶段和原因，编写并测试修复方案，在数据副本上重新运行管道，把输出与上一次正常运行的结果对比，并写出问题说明。Claude 不负责部署，它会通知工程师，由工程师阅读报告、浏览改动、提出问题，然后决定当晚是否发布。
Anthropic 还写到，更高一级、也就是尚未达到的级别中，Claude 将被信任去监控、修复和部署，而人类只在想参与时才参与。
评级一致性并不高，边界会影响26%的结果
Anthropic 也披露了这套评级方法的局限。每个工作领域的负责人会给自己的领域评级，但不会看到评审所依据的材料。结果显示，评审与人类在具体级别上达成一致的概率为 59%，人与人之间达成一致的概率为 35%。如果只看相差不超过一级，评审与人的一致概率为 97%。
实验室自己承认，边界案例存在分歧空间，尤其是“协作”在哪里结束、“主导”从哪里开始。对 Anthropic 来说，这一点并不只是方法论问题，因为一个任务如果从“协作”翻到“主导”，就会直接改变 26% 这个总数。
图表显示，实验室每月读数从 2 月的不足 1% 上升到 8 月的 26%，而且每个月都是对同一篮子 7 月工作进行评级。Anthropic 还在图表中展示了 90% 测量区间及其他自动化等级，但文中未重绘这些内容。
这也意味着，26% 是整个实验室层面的总数，没有按工作类型拆分，因此外界无法从这一数字本身判断，究竟是哪些任务落在这 26% 之内。
工程与决策并不在同一条线上
Clark 在 5 月曾把两类工作分开来看。他当时写道，AI 现在已经可以自动化 AI 工程中的大量工作，也许是全部，但它究竟能自动化多少 AI 研究，仍不清楚。
Epoch 的作者也做过类似区分。第一类是决策，包括做什么、继续做什么、把算力放在哪里。按照 Epoch 自己给出的示例评级，“决定发布什么”和“设定团队方向”被评为 1 分，也就是边缘性帮助；而“编写研究代码”被评为 4 分，也就是 leads。Anthropic 的 26% 处在这两端之间的什么位置，单靠总数无法回答。
Anthropic 内部披露的一些例子更偏向工程侧。根据 Clark 合写的一篇文章，Claude 在 4 月交付了 800 多个修复，将一类 API 错误减少了一千倍。负责监督的工程师估计，这项工作量如果由人类完成，需要 4 年时间，而一名员工大约 5 个月没有写过代码。
另一位员工则写道，当一切正常运转时，他们所做的一切似乎都不重要；当一切崩溃时，“我已经不知道自己一直在做什么了。”
Anthropic 8 月风险报告给出了保留人工步骤的一个理由：信任。报告称，研究者本可以在有价值的工作上使用非常大量的 AI 劳动力，但他们选择适度的量，因为有些步骤他们不信任模型能做对。
同一份报告还提出第二个结论：实验室完全有理由用模型替换研究者，但它没有这么做。Anthropic 将此解读为模型尚不能替代整个研究团队的信号。不过报告也承认，这一解读只经过了部分检验，因为实验室从未在模型失败的任务上投入相当于研究者成本 5 倍的资源，去验证金钱是否能弥合差距。
OpenAI 的情况在文中也被拿来对照。截至 8 月中旬，OpenAI 研究组织每人工日运行 3.1 个智能体工作日，第 90 百分位用户每天的 token 花费超过 7000 美元。即便如此，那里的研究人员仍在设定研究优先级，判断哪些想法和结果值得推进，并决定是扩大规模、暂停还是部署。
文中的判断很明确：工程是 Clark 已经交给机器的领域，研究则仍是待回答的问题。
26% 衡量的是移交占比，不是研发速度
Anthropic 6 月的说法谈的是速度，也就是实验室生产力的复合加速；而 9 月 17 日公布的 26%，衡量的是另一件事：有多少工作份额已经移交给 AI 主导。
9 月 30 日，外部 AI 模型评估机构 Model Evaluation and Threat Research（METR）总裁 Chris Painter 在题为《Rogue AI: Securing the Homeland Against AI Agent Attacks》的参议院听证会书面证词中引用了 26% 这一数字。他在后文写道，当企业用 AI 自动化 AI 研究时，这种反馈回路“可能导致能力的自我持续加速”。
但按 Anthropic 自己的规则，真正触发风险阈值的是速率，而不是占比。其规则中所谓“急剧加速”，定义为进步速率翻倍，也就是一年内取得的进步相当于基线两年。规则同时指出，这并不等于研究者生产力翻倍，因为投入翻倍不一定会让进步速率翻倍。
根据 Anthropic 8 月风险报告的解读，在截至 7 月 15 日的时期内，实验室研究速度明显快于没有 AI 辅助的情况，但尚未达到 2 倍，实验室对此也并不确定，因为测量本身很困难。报告称，加速的早期迹象已经出现，实验室可能在未来一年内越过这一阈值。
Anthropic 在 9 月 17 日公布数据 5 天后，Claude Opus 5.5 的系统卡又给出一项内部测量：没有持续的、可归因于 AI 的 2 倍加速。
METR 也在 9 月 22 日发布了 Claude Opus 5.5 发布前评估摘要。摘要转述了另一个拥有更多访问权限的 METR 团队的估计：AI 带来的能力整体加速约为 1.5 倍，达到 2 倍的概率约为 30%。不过，该团队无法与摘要作者分享证据，估计也没有说明覆盖的时间段。
因此，9 月 17 日的 26% 衡量的是移交程度，8 月风险报告和系统卡估算的是速率，而这三者并没有在同一时间段、针对同类工作同时进行两种测量。
Anthropic给出的数字，留下了什么问题
按 Anthropic 自己的统计，截至 2026 年 8 月，Claude 主导了该实验室 26% 的 AI 研究工作，而且这一比例在同一篮子 7 月工作样本上连续 6 个月上升。这是按实验室口径计算的移交结果，由 Claude 采集，并与工作负责人评级进行比对。
但这个数字本身还不能回答闭环到底有多近。因为 Anthropic 的规则关注的是速率，而实验室自己的估计仍低于规则划定的线。真正悬而未决的问题是，这 26% 里面究竟包含什么。
如果其中主要是工程任务，那么它衡量的就是 Clark 在 5 月已经认为触手可及的部分；如果它已经触及决策和研究，那么它衡量的就是他仍留待回答的部分。
文中的解读倾向于前者。评级体系把决策放在较低位置，实验室给出的例子也把发布决策留给人类，研究者仍然保留“信任”这一关口。不过作者也强调，这只是一种解读，不是测量。要验证它，需要按工作类型拆分的数据。
Anthropic 页面对最高等级的描述中，关于人的那句限定语是：除非人类自己想参与，否则完全不需要介入。而在它下面一级，也就是当前更接近现实的层级里，最后一个留在回路中的人，是一位拿着报告、决定今晚是否发布的工程师。
作者署名为 Robonaissance，编译为深潮 TechFlow。
