Anthropic 用 AI 造 AI：当 Claude 开始主导四分之一研发，RSI 正从概念变成工程现实

如果要从最近一批 AI 新闻里挑一件真正值得长期关注的事，我会把 Anthropic 最新公布的内部研发数据放在很靠前的位置。

不是因为 Claude 又多了一个功能，也不是因为某个 Benchmark 再次刷新纪录。

而是 Anthropic 第一次把一个过去很难观察的问题直接量化了出来：

AI 到底已经参与了多少“研发 AI”的工作？

答案是：截至 2026 年 8 月，Claude 已经主导 Anthropic 内部 26% 的 AI 研发任务。

今年 2 月，这个比例还不到 1%。

短短半年，从不到 1% 上升到 26%。

这背后真正值得讨论的，已经不是“AI 能不能写代码”，而是 AI 正在逐渐进入研发下一代 AI 的完整循环。

---

26% 到底意味着什么？

Anthropic 采用的是 Epoch AI 提出的一套六级研发自动化框架，从 AL0 到 AL5 衡量 AI 在研发任务中的参与程度。

简单来说：

AL0 是完全没有 AI 参与；

AL2 还是典型的 AI 辅助，人类负责主要工作；

AL3 开始进入真正的人机协作，AI 可以完成大块任务，但仍需要人类持续指导；

到了 AL4，角色已经发生变化。

人类更多负责提出高层目标，例如：

“找出这个训练任务为什么失败，并解决它。”

接下来，AI 可以自己查看日志、分析问题、修改代码、运行测试、检查结果，并完成大部分端到端工作。

人类主要负责监督、纠偏和最后批准。

这就是 Anthropic 所说的“AI Leads”。

目前 Claude 已经在 26% 的内部 AI 研发工作中达到这一水平，而超过 90% 的研发工作至少进入 AL3，也就是 AI 已经成为研发过程中的实际协作者。

但还有一个非常重要的数字：

AL5：0%。

目前 Anthropic 没有任何被测量的研发工作达到真正意义上的完全自主。

也就是说，人类还没有退出循环。

这点非常重要。

---

80% 的代码已经不是人写出来的

另一个更容易理解的数据来自代码。

截至今年 5 月，Anthropic 合并进正式代码库的代码中，超过 80% 已经由 Claude 编写。

而在 Claude Code 2025 年初进入研究预览之前，这一比例还只是个位数。

到了 2026 年第二季度，Anthropic 一名典型工程师每天合并的代码量，已经达到 2024 年的约 8 倍。

当然，Anthropic 自己也非常谨慎地提醒：

代码量增长 8 倍，并不意味着生产力真的提高了 8 倍。

更多代码不一定等于更好的产品，也不等于更高质量的研究。

但这个数字依然说明了一件事情：

软件工程中的“执行成本”正在快速下降。

过去一个工程师需要亲自花几小时甚至几天完成的工作，现在越来越多可以变成：

提出目标 → Claude 执行 → 人类审核。

工程师的角色，也正在从“亲自写每一行代码”，逐渐转向“定义问题、设计系统、验证结果”。

---

更关键的变化：Claude 已经不只是写代码

如果 Claude 做的只是 Coding，我不会把这件事情看得这么重要。

真正值得关注的是，它正在逐步进入完整的研究循环。

Anthropic 已经在测试让 Claude：

提出实验方案、运行实验、修改代码、分析数据、比较结果、寻找异常，再根据结果决定下一步应该做什么。

在一个 AI Safety 研究实验中，Claude 驱动的 Agent 被要求研究“较弱模型能否有效监督更强模型”。

人类负责选择研究问题和定义评价方式，随后多个 Agent 自己提出假设、运行实验、交换结果并不断迭代。

这组 Agent 最终在约 800 个累计 Agent 小时中完成了整个研究过程的大部分实验设计和执行。

Anthropic 后续也继续尝试让自动化研究 Agent 参与 Alignment 研究，包括自动训练模型并降低欺骗、迎合、隐私侵犯等不同类型的对齐失败。

这意味着 AI 自动化正在跨过一个非常重要的边界：

过去 AI 自动化的是“任务”。

现在 AI 开始自动化的是“研究过程”。

两者并不是一回事。

---

RSI 为什么突然变得值得认真讨论？

这就引出了一个最近越来越频繁出现的词：

RSI，Recursive Self-Improvement，递归自我改进。

它描述的是一种理论上的循环：

AI 帮助开发更强的 AI；

更强的 AI 又进一步提高 AI 研发效率；

研发效率提高之后，更快产生下一代模型；

下一代模型再次加速研发。

于是形成：

AI → 更强 AI → 更快研发 → 更强 AI。

过去谈 RSI，很容易让人联想到某种“AI 一夜之间自己升级成超级智能”的科幻场景。

但现实可能完全不是这样。

它更可能首先以非常普通的工程形式出现：

今天 AI 帮工程师写 20% 的代码。

然后变成 50%。

再变成 80%。

之后 AI 开始自己运行实验。

接着自己分析实验。

再后来，它开始提出部分实验方向。

整个过程可能没有一个突然的“觉醒时刻”。

每一步看起来都只是生产力工具升级了一点。

但当这些步骤连起来，研发系统本身已经发生改变。

Anthropic 对 RSI 的描述其实也非常谨慎：公司明确表示，目前并没有实现完整的递归自我改进，而且这一结果也并非必然发生。

我认为这个区别非常重要。

我们现在看到的，并不是完整 RSI。

更准确的说法应该是：

RSI 的部分基础组件，已经开始进入真实生产环境。

---

真正稀缺的东西，可能从“执行”变成“判断”

这里还有一个容易被忽略的变化。

当代码、实验、数据分析这些工作越来越容易被 AI 自动化之后，研发过程中最稀缺的能力可能会向上移动。

以前一个优秀研究人员的大量时间会消耗在：

写代码、Debug、处理数据、运行实验、整理结果。

如果这些执行工作越来越多由 Agent 完成，那么真正重要的问题会变成：

我们应该研究什么？

哪个问题值得解决？

实验结果是否可信？

模型是不是找到了错误的捷径？

下一步应该往哪个方向走？

什么时候应该停止？

也就是说，AI 越擅长“做事情”，人的价值就越可能集中到：

定义目标、提出问题、建立约束和做最终判断。

从这个角度看，未来 AI 研发团队真正发生变化的，可能不仅是人员数量，而是组织结构。

未来一个研究员管理的，可能不是几个初级工程师，而是一组随时运行的 Research Agents。

---

所以，“AI 取代程序员”可能问错了问题

过去两年，一个反复出现的问题是：

AI 会不会取代程序员？

但 Anthropic 内部正在发生的事情让我越来越觉得，这个问题本身可能太简单。

更值得问的是：

一个拥有 20 个、100 个甚至上千个 AI Agent 的工程师，会变成什么？

如果过去一个工程师一天只能完成两三个实验，那么未来他可能同时监督几十个实验。

如果过去一个研究团队需要几十个人完成大量实现工作，那么未来少量研究人员可能可以调度大规模 Agent 集群。

这时候发生的就不只是“某个岗位效率提高 30%”。

它可能最终改变的是研发团队的基本生产单位。

以前的软件研发单位是“人”。

未来可能逐渐变成：

人 + Agent 集群。

---

我更关注的，是 Anthropic 为什么现在公开这些数字

还有一点很有意思。

Anthropic 这次不仅是在展示 Claude 的能力。

它实际上是在尝试建立一套衡量“AI 正在多快自动化 AI 研发”的公开指标。

26% 有多少工作由 AI 主导；

90% 有多少进入人机协作；

还有多少仍然完全需要人类；

有没有任务达到完全自主。

Anthropic 甚至提出，未来前沿 AI 实验室都可以定期公布类似数据，并引入第三方验证，从而让不同实验室的 AI 研发自动化程度可以被社会观察和比较。

我觉得这个思路可能比某一个具体数字更加重要。

因为未来真正决定 AI 发展速度的，也许不只是“下一代模型 Benchmark 提高多少”。

还有另一个指标：

AI 开始帮助自己进步的速度有多快？

如果这个比例未来从 26% 变成 50%、70%，甚至开始出现真正的 AL5 任务，那么它可能比任何一次模型发布都更值得关注。

---

AI Plus Lab 观察

我不认为今天已经到了“AI 自己研发下一代 AI”的阶段。

至少从 Anthropic 自己公开的数据来看，人类仍然控制着几个关键环节：

选择研究方向、定义目标、建立评价标准、监督过程，以及最终决定结果是否可以被接受。

但趋势已经越来越清楚。

AI 研发正在从：

人类做研究，AI 提供辅助

变成：

人类定义方向，AI 执行越来越多研究过程。

如果这个趋势继续发展，那么下一阶段真正值得关注的，就不再只是 GPT、Claude 或 Gemini 谁在 Benchmark 上领先。

而是：

哪一家 AI 实验室最先建立起一个能够持续帮助自己研发下一代模型的 AI 研发系统。

这可能才是 AI 竞争真正开始发生变化的地方。

过去，我们一直在观察：

“人类能把 AI 做得多强？”

接下来，也许要开始观察另一个问题：

AI 能把 AI 研发推进得多快？