6月5日,Anthropic 研究院于发布报告《When AI Builds Itself》,首次系统性公开前沿 AI 实验室内部的生产数据——这不是基准测试分数,而是 Claude 在 Anthropic 自家代码库中的真实贡献占比、工程师产出变化、以及 AI 在研究决策中的判断力表现。报告的核心论点只有一个:AI 正在加速 AI 自身的开发,递归自我改进虽然尚未实现,但可能比大多数机构准备好的时间来得更早。 外部证据:任务时长每四个月翻一倍
在给出内部数据之前,报告先梳理了公开可见的趋势。
AI 模型能可靠独立完成的任务时长正在加速增长。根据 METR(一家独立 AI 评估机构)的测量,这个时间跨度的翻倍周期已从此前的约7个月缩短至约4个月。具体来看:2024年3月的 Claude Opus 3 能完成人类大约4分钟的软件任务;一年后 Claude Sonnet 3.7 达到约1.5小时;再过一年,Claude Opus 4.6 达到12小时。METR 发现 Mythos Preview 能连续工作「至少16小时」,已经触及其评估框架能测量的上限。
如果这个趋势持续,需要人类数天才能完成的任务今年就可能进入 AI 的能力范围;到2027年,可能扩展到需要数周的任务。
编码和研究基准的饱和速度同样惊人。SWE-bench——一个给模型真实开源代码库和真实 bug 报告、要求它写出通过项目测试的修复代码的标准测试——模型从个位数得分到接近饱和只用了两年。CORE-Bench 测试模型能否复现已发表论文的实验结果,AI 系统从约20%的成功率到饱和只用了15个月。
但公开基准无法回答一个关键问题:AI 到底在多大程度上加速了 AI 自身的开发?为此,需要来自 AI 公司内部的直接证据。
80%的代码,8倍的产出
报告给出了三个核心工程数据。
第一,截至2026年5月,Anthropic 代码库中超过80%的合并代码由 Claude 编写。2025年2月 Claude Code 以研究预览形式发布前,这个数字仅为个位数。报告特别注明这是保守度量——仅统计合并到生产环境的代码行,归因管道本身存在覆盖缺口,未被归因到 Claude 的代码行中也包含自动生成的代码和其他非人类手写的产物。Anthropic CEO Dario Amodei 此前在公开场合估计过90%以上(包含脚本和实验性代码),80%是更严格口径下的数字。 第二,2026年第二季度,典型 Anthropic 工程师每日合并的代码行数是2024年的8倍。报告追溯了 Anthropic 成立以来的代码产出趋势:2021年到2024年,每位工程师每日合并的代码行数基本持平;2025年出现第一个拐点——Claude 从「建议代码片段供人类复制粘贴」进化为「自主运行代码」;2026年出现第二个拐点——模型开始在更长时间跨度内自主工作。这两个拐点之后,曲线急剧上扬。
报告坦承代码行数是一个不完美的指标,衡量的是数量而非质量,「8倍几乎肯定高估了真实生产力增益」。但 Anthropic 内部并不以代码行数作为考核标准,工程师产出更多代码纯粹是因为他们在用 AI 系统来写代码。这个数字也与 GitHub 的宏观数据吻合:GitHub 在2025年全年有约10亿次代码提交;到2026年年中,每周提交量达到2.75亿次,全年预计约140亿次。GitHub COO 公开表示正在「极力扩容」以跟上。
第三,2026年3月对 Anthropic 研究团队130名员工的内部调研中,中位数受访者估计 Mythos Preview 使其产出提升约4倍(相比完全不使用任何 AI 模型的情况)。报告认为真实提升幅度可能略低于这个自评数字,引用 METR 的近期研究指出开发者对 AI 生产力提升的自我估计往往偏高。但报告仍认为这一判断总体可信,与其他观察一致:Anthropic 相当大比例的技术人员正在以数倍于无 AI 辅助时的速度完成核心工作。
报告还提到了一类更难量化的价值:Claude 正在完成那些「原本根本不会有人做」的工作。2026年4月,Claude 完成了超过800个修复,将一类 API 错误降低了1000倍。负责监督的工程师估计人类需要四年才能完成这项工作——修别人的 bug 缓慢且痛苦,人类难以同时在脑中持有这么多不熟悉的上下文。
代码质量:从「略逊」到「持平」再到「预计年内超越」
「好代码」有两个标准:能运行,以及其他工程师能理解并在此基础上构建。
在第一个标准上,数据非常清晰。过去一年中,Anthropic 员工中途修正、重定向或接管 Claude 工作的比率持续下降,即使是最复杂的开放式任务也是如此。在难度最高的开放式问题(没有明确规格说明、工程师不确定答案应该是什么样子的任务)上,Claude 的 session 成功率在六个月内从约26%飙升至2026年5月的76%——提升了50个百分点。
报告给出了一个具体案例来说明这个难度层级:一次常规升级开始导致数万个训练任务崩溃。工程师仅向 Claude 提供了一些文本内容和集群访问权限,没有给出更多指引。Claude 独立检查运行中的任务,逐一测试环境配置,最终定位到一个隐蔽的调试标志引发了崩溃,可靠地复现了问题并确认了修复方案。整个过程约两小时,通常这需要两到三天。
在第二个标准——代码可读性和可维护性——上,差距仍然存在但正在快速缩小。报告原文的措辞极为明确:「Anthropic 内部并无完全共识,但许多人认为 Claude 编写的代码在2025年末仍略逊于 Anthropic 人类工程师编写的代码,目前大致持平,我们预计年内将严格优于人类。」
这已经改变了 Anthropic 审查代码的方式。代码库的每次变更现在都会先经过一个自动化的 Claude 审查员检查 bug、安全缺陷和其他问题。回溯分析发现,如果这个工具在过去就已部署,大约三分之一导致 claude.ai 线上事故的 bug 会在进入生产环境之前被拦截——而编写那些代码的工程师已经是全世界构建这类系统最优秀的人。 研究维度:从执行到判断的三级跃迁
报告将 AI 开发分为两大类工作:工程(写代码、搭基础设施、监督训练)和研究(决定做什么实验、解读结果、判断哪些方向值得继续)。在工程层面,Claude 已经可以在只给定目标、不给定方法的情况下自主解决问题。研究层面的图景更为复杂,报告用一个类比来组织论述:
Anthropic 员工通常随着经验增长接手越来越开放的任务。初级阶段,执行别人指定的任务——「导出按钮坏了,请修复」。中级阶段,拿到一个目标,自行设计方法——「调查为什么网络在高负载下变慢」。高级阶段,决定哪些问题值得解决——「团队下季度应该做什么?」
Claude 在这三个级别上分别走到了哪里?
第一级:按既定目标执行实验——已超越人类。 Anthropic 每次发布模型都会运行同一项标准化测试:给 Claude 一段训练小型 AI 模型的代码,要求在通过相同正确性检查的前提下尽可能加速。目标和成功指标预先固定,Claude 的任务是通过重写代码、运行、计时、迭代来找到优化。这是实验研究循环的微缩版。2025年5月的 Claude Opus 4 平均实现约3倍加速;到2026年4月的 Mythos Preview,加速比达到约52倍。作为对照,一位熟练的人类研究员需要4到8小时才能达到4倍。报告特别注明,绝对倍数取决于起始代码留有多少优化空间,不应被解读为真实的训练加速;更有参考价值的是跨模型(一年内从3倍到52倍)和与人类(4-8小时达到4倍)的对等比较。
第二级:自主提出实验方向——快速进步中。 2026年4月,Anthropic 发表了 Claude 端到端运行开放式研究项目的首个演示。Claude 驱动的 Agent 被给定一个 AI 安全领域的开放问题——大致是「弱模型能否可靠监督强模型?」——然后被放手去解决。这涉及自主提出假设、测试假设、在并行 Agent 之间分享发现、并进行迭代。这个任务有一个清晰的性能「地板」和「天花板」:地板是弱监督模型独自的表现,天花板是强模型在正确答案上训练的表现。两位人类研究员花约一周恢复了这个差距的约23%;Agent 在800累计小时内恢复了97%,耗费约18,000美元算力。
报告列出了几个重要限制:结果未能干净迁移到生产规模模型;人类仍然选择了问题和评分标准。但在这些边界内,Agent 自行设计了每一个实验,人类唯一发挥实质作用的环节是方向设定。一位 Anthropic 研究员评价:「Claude 在1-2天内几乎不需要我帮助就完成了这些。如果一个初级同事在同样时间内拿出这样的结果,我会有点刮目相看。」
第三级:研究判断力——早期信号出现。 报告团队检查了2026年1-3月间真实的 Claude Code 研究 session,这些 session 中 Anthropic 研究员与 Claude 合作解决开放式调查问题(比如查明训练运行为何崩溃、模型在某个基准上为何得分偏低)。在每个 session 中,团队找到了研究员「走弯路」的时刻——追求了一个使 session 偏离正轨的方向,最终才回到正轨。
然后他们让不同代次的 Claude 模型仅看到弯路之前的工作,提出自己的下一步建议。另一个能看到 session 完整结局的 Claude 作为裁判,判断 AI 还是人类的建议更好。
因为样本(n=129)刻意选的是人类判断有提升空间的时刻,所以这不是 AI 与人类的对等比较——它无法告诉我们 Claude 总体上是否比人类研究员有更好的判断力。但它提供了一组现实且有挑战性的场景,在这些场景中正确的下一步并不明显,人类的选择可以作为有效标尺来比较不同模型。结果:2025年11月的 Opus 4.5 在51%的情况下给出了比人类更好的建议;2026年4月的 Mythos Preview 提升至64%。作为偏差检查,团队在另一组人类判断本身就很强的时刻(n=127)上运行了同样的测试,模型只在约20%的情况下给出了更好的建议。
报告将此视为一个「早期信号」——AI 系统正在变得更善于做出 AI 研究所依赖的那类判断。
人类角色正在收窄
报告用一个精炼的框架概括了当前态势:「做」的成本(写代码、跑实验、产出结果)在人类时间维度上已接近于零(尽管计算成本依然存在)。当 Claude 编写的代码质量与人类持平后,人类将完全停止写代码,转为纯审查。但如果人类审查代码的速度跟不上 Claude 生成代码的速度,人类审查就会成为 AI 开发的新瓶颈。同理,当 Claude 能自主运行实验后,问题就变成「这些实验中哪些值得做?」
目前人类的比较优势在于研究品味和判断力:选择哪些问题重要,哪些结果可信,何时一个方向是死胡同。
报告引用了几段匿名员工发言来展示这种转变的主观感受。一位员工说:「我大约一年前开始全面 Claudify。这是一段疯狂的冒险,现在已经约5个月没有自己写过任何代码了。」另一位说:「一切顺利的日子里,我不禁觉得我做的事毫无意义,一切都被自动化了,比我做得更好更快。但到了一切崩溃的日子,我不知道为什么,也意识到我已经不知道自己一直在干什么了。」还有一位说:「工作和生活曾经建立在人与人之间小帮忙的礼物经济上——'你能帮我把这个脚本跑起来吗?'每一次都创造一点债务、一点相互觉察。Claude 更快,零债务,但每一次都是失去的人类协作机会。」
三种未来情景
报告勾勒了三条可能路径,并对每条路径的可能性和影响做了判断。
情景一:趋势停滞,但当前能力已广泛扩散。 报告中所有的指数曲线可能实际上是S曲线,即将进入平台期。将优秀研究者与合格研究者区分开来的那种判断力,可能是一种无法通过增加训练计算和数据来获得的能力。或者约束可能在供应链而非模型端——推进前沿所需的能源和计算可能超出当前存量。
即使模型能力冻结在当前水平,报告认为世界仍将发生重大变化。Project Glasswing 是一个早期信号:Mythos Preview 在头几周内就在全球最重要的系统中发现了超过一万个高危和关键级别的软件漏洞,网络防御的瓶颈已经从发现漏洞转向修补速度。一个100人公司日益能做到1000人公司的工作,因为每个员工都坐在一个 Agent 金字塔的顶端。
报告将此情景列出以确保完整性,但明确表示「我们不认为它可能」——迄今每一项可测量的能力(包括代码质量和开放式任务成功率这类「更软」的指标)都遵循同一条曲线,尚未看到曲线弯折。三种情景中,这种给政府和社会留下最多适应时间。
情景二:AI 实验室持续获得复合效率增益。 AI 开发被大幅自动化,但人类继续设定研究方向和评判结果。使用 AI 的组织效率持续提升——100人公司可以做10000甚至100000人组织的工作。这将革命性地改变知识工作和政府服务,但也可能被用于有害目的——从威权政府对全体人口的监控到针对每个人定制的规模化影响力操作。
报告认为当前证据指向这个情景。但也指出阿姆达尔定律在这里同样适用:加速流程的一部分往往只是把瓶颈转移到别处。Anthropic 已经遇到了一个典型征兆:当推送到组织各处的代码量增加时,人类代码审查成为新瓶颈。在工程之外也遇到了类似的摩擦——因为员工与高能力模型协作,新想法、新倡议、新工具、新模拟出现了爆发式增长,远超组织有能力追求的范围。识别和消除这些瓶颈的速度可能会成为任何组织最重要的能力。
情景三:AI 系统实现完全递归自我改进,开始构建自己的后继者。 如果技术趋势持续,且 AI 系统发展出变革性人类智慧所固有的那些能力,那么 AI 系统自主设计和优化自身是可以想见的。在这个世界里,AI 开发速度完全由计算可用性(或算法训练/推理效率发现的速度)决定。人类角色大幅缩减至监督、验证和确认一个不断扩展的由 AI 系统运营的「虚拟实验室」。报告预期,具备自动化 AI 研发能力的系统其技能将可迁移到其他科学领域,开始革新其他学科。
在这个情景下,对齐问题如何解决——或者无法解决——是报告最不确定的部分。模型可能足够对齐且具备足够的研究品味,从而发现并实施人类尚未触及的新方案。它们也可能足够明智地在条件不成熟时主动停止开发。但另一个方向同样可能:当前模型中那些少量的对齐偏差随着模型构建后继者而累积,变得更频繁但更不被理解,直到人类失去控制。而且,可能人类无法构建、整合和验证所需的工具来判断自己到底处在哪条趋势线上。
报告坦言「我们对这个世界会是什么样子没有好的直觉」。即使模型开发变成完全自动化和递归的,也无法预测这对大多数人日常生活意味着什么。阿姆达尔定律在这里同样适用。递归智能可以在某些领域快速实现巨大收益。但更多的智能无法知道一种药物在数十年使用后会有什么效果,无法让选举比宪法规定的更早举行,也无法在一个周末把陌生人变成老朋友。对大多数人来说,这个未来的体感节奏仍将由瓶颈决定——即使上游的实验室以计算速度运转。
「如果我们错了呢」
报告主动回应了一个最自然的反驳:仍然握在人类手中的工作——选择解决什么问题——可能才是最关键的。如果没有这种判断力,Claude 是一个能力很强的助手,但不是一个能独立推动 AI 进步的系统。
报告的回应是:AI 极少靠「灵光乍现」来推进。近年 AI 历史上确实有几次这样的时刻——Transformer 架构、混合专家模型——但范式转变几年才出现一次。两次之间,绝大多数进步是增量式的:放大规模,看哪里出问题,修复,再试。这恰恰是 Claude 现在最擅长的工作流。爱迪生说天才是1%灵感加99%汗水,而汗水正在被日益自动化。越来越清楚的是,推动前沿的大部分工作是可自动化的——大规模研究进步主要取决于工具和资源,决定了你能多快运行实验、同时运行多少个、多快拿到结果。
即使做最保守的假设——Claude 永远无法获得好的研究品味——每位工程师或研究员现在也在指导远比以前更多的工作。证据表明 Anthropic 的员工既在更快地行动,也在覆盖更广的面。实际上这意味着 AI 已经让 Anthropic 比有效 AI 工具出现之前快得多。
不那么保守的解读是:Claude 在研究判断力上的早期改善证据——虽然目前还很窄——是一个指标,表明这项能力也在提升。「研究品味」可能只是 AI 系统暂时不擅长、然后变得擅长的又一项能力。类似的模式在其他定性能力上已经出现过——比如 AI 系统能解释一个笑话为什么好笑、展示心理理论、解决语言谜题。
呼吁:可验证的减速机制
报告最后转向政策层面。如果有可能有效减速前沿 AI 开发以留出更多时间应对其巨大影响,报告认为这很可能是好事。但如果减速只是让最不谨慎的参与者在技术上追赶上来,那么所有人都会更不安全。在没有全球协调机制的情况下,公司和政府将不得不在竞争和地缘政治压力下做出关于安全的艰难决策。
报告提出,应当建立让前沿 AI 开发者能够可验证地停止或减速的系统——并且 Anthropic Institute 将开展研究和行动来帮助构建这些系统。如果这样的系统存在,Anthropic 表示自己预计会减速或暂停,前提是其他处于或接近前沿的开发者也以可验证的方式这样做。
但报告也坦承这极其困难。一个有意义的减速或暂停需要多个在前沿或接近前沿的、位于多个国家的充分资源实验室,在相同条件下同意停止,并且每一方都能验证其他方确实停止了。训练运行比导弹发射井更容易隐藏,输入是通用的,偷偷继续的激励巨大。一个可信的暂停还必须明确什么触发它、什么解除它、谁来裁决。世界曾为其他复杂技术建立过验证体制(比如中程核力量条约),但那些体制花了几十年才建起基础设施和信任。而现在没有那么多时间。单方面暂停是立即可行的,但效果有限——它只会改变谁领先,而不会创造目前缺失的广泛协商过程。
Anthropic Institute 将在未来数月组织对话,让政策制定者、研究者、公民社会和其他 AI 公司共同参与回答这篇报告提出的问题。
竞品视角:为什么这篇报告的独特价值在于「公开内部数据」
OpenAI 的 Codex 截至2026年3月已有超过200万周活跃用户,在 SWE-bench 等公开基准上的表现与 Claude 处于同一梯队,并且正在从编码工具扩展为企业级 Agent 平台。但 OpenAI 尚未公开类似的内部代码归因数据——我们不知道 OpenAI 内部有多少代码由自家模型编写。
Google 方面,Gemini 系列同样在代码生成和自动化实验方面推进,DeepMind 在 AlphaFold 等项目上展示了 AI 驱动科学研究的能力,但 Google 更倾向于将成果以产品形式(Android Studio AI 集成、Colab 等)对外输出,而非将自身作为「AI 自建 AI」的案例来披露。 Anthropic 此次报告的独特价值正在于此:它是第一家系统性地公开内部生产数据的前沿实验室。不是精选的 demo,不是基准分数,而是代码归因比例、工程师产出趋势、代码质量的纵向变化、研究判断力的对照实验。这为整个行业和决策者提供了一个罕见的窗口,去理解 AI 加速 AI 开发这件事在一家前沿实验室内部的实际状态。
报告的局限
报告本身标注了几处重要局限。80%的代码归因来自不完整的归因管道,实际比例可能更高。8倍代码产出以代码行数为度量,质量维度未被充分捕捉。4倍产出自评可能偏高。研究判断力评估(n=129)刻意选择了人类判断有提升空间的时刻,不是对等比较。97%自动化研究实验结果未能迁移到生产规模模型。
但也许最根本的局限在于:这篇报告本身就是由一家正在推动 AI 前沿的公司发布的。Anthropic 有动机展示自家模型的能力——更强的模型意味着更强的产品竞争力。报告中的数据未经第三方独立审计。读者应当将这些数据视为有价值的第一手证据,同时保持对数据来源和呈现方式的批判性审视。