Anthropic 联合创始人 Jack Clark 依据 TasteVal 基准将自我改进 AI 预测提前到 2027 年

The Decoder：AI 新闻· Manuel Uth·2026-10-25 17:37· 2 小时前AI 评分61

Anthropic 联合创始人 Jack Clark 将其对自我改进型 AI 的预测提前至 2027 年

AI 导读

Anthropic 联合创始人 Jack Clark 依据新基准 TasteVal 的结果，将递归自我改进（RSI）可能实现的时间从 2028 年提前到最早 2027 年。

正文 · 原文

2026 年 10 月 25 日

由 THE DECODER 提示的 Nano Banana Pro

一个名为 TasteVal 的新基准衡量 AI 系统自主设计实验并解读结果的能力。研究结果显示出一条异常陡峭的改进曲线。

据 Anthropic 联合创始人 Jack Clark 称，自 2025 年 12 月以来，这一能力大约每三个月翻一番。研究实验室 P-Zero Research 将其称为“研究品味”，即挑选正确实验并从中得出正确结论的能力。测试中表现最好的模型以极低的成本超越了由 24 名人类专家组成的对照组。

Clark 是 Anthropic 的联合创始人，并撰写 Import AI 通讯。基于这些数字，他现在认为，AI 系统开发自身后继者的递归自我改进（RSI）最早可能在 2027 年成为现实。他此前预计是 2028 年。

该基准并不能证明 AI 系统已经在自我改进，因为它只捕捉了科学研究中很窄的一部分。但它确实显示了这场讨论的走向：从原始模型性能转向语言模型究竟能承担多少独立研究工作这一问题。

TasteVal 只衡量了图景的一部分

P-Zero Research 将研究品味定义为三种能力：识别哪些研究问题值得追求、设计实验来回答这些问题，以及正确解读结果。TasteVal 只测试后两项。选择最有前景的研究方向通常被视为科学直觉的核心，但在 TasteVal 中，这一决定已由模型代为完成。

八个任务中的每一个都指定了一个来自 AI 模型开发的固定研究目标，以及一个可衡量的分数。这些任务涵盖训练数据选择、语言模型的预训练与微调、基于人类偏好的训练，以及防御对抗性提示等领域。

模型决定下一步运行哪个实验，并利用结果指导其后续步骤。为避免编码能力影响结果，所有实验均由固定的编码代理在单块 Nvidia H100 GPU 上运行。每次运行在 40 GPU 小时的计算量或 120 小时的挂钟时间后结束。

人类基线来自 24 名专家，他们近期曾在 OpenAI、Google DeepMind、Nvidia 和 Microsoft Research 等机构工作。他们处理相同的任务，每个任务至少有两人参与。每个任务中最佳的人类尝试被用作基准。

通过计算效率衡量研究品味

为使研究品味可量化，P-Zero Research 将其转化为计算效率。其逻辑是，在 AI 研究中实验算力稀缺，因此挑选正确的实验并正确解读其结果意味着在相同预算下运行更少、进展更多。

The lab draws on its "AI Futures Model," which predicts that experiment compute becomes the biggest bottleneck once coding is automated. So TasteVal measures how much compute a model needs to match the experts' scores. A model that gets there with half the compute has twice the research taste by this definition. P-Zero Research calls this ratio the compute multiplier.

排名最高的模型是 Anthropic 的 Opus 5.5，其算力乘数为 2.3，即用不到一半的算力就达到了专家级评分。不过，统计区间为 1.15 到 4.37。在区间低端，该模型仅能勉强领先。单次运行的成本平均约为专家尝试成本的三十分之一。

在多个模型世代中，自 2025 年 12 月以来，算力乘数大约每三个月翻一番。这里的不确定性也很大，报告的翻倍时间从 1.7 个月到 5.0 个月不等。

在此前几年，模型研究品味的提升要慢得多。这条曲线直到 2025 年末至 2026 年初才明显变陡。这是否是一种持久趋势，无法从单一基准测试中确定，作者本人也承认，他们的结果可能夸大了“研究品味提升的速度”。这些任务可以快速、低成本地核查，而这正是 AI 实验室最容易针对其进行优化的任务类型。对照组中也没有任何顶级研究人员。

Clark 提前了自己的时间表

Clark 长期以来一直称创造力是 AI 系统自我提升速度的关键因素。今年早些时候，他写道，模型尚未在任何突破性规模上展现出这种能力。他现在指出，数学突破方面的进展以及 TasteVal 等基准测试表明，这种情况正在改变。

在 5 月的一篇长文中，Clark 曾给出更为谨慎的数字。他认为，一个能独立训练出更强继任者的系统，到 2028 年底出现的概率约为 60%，到 2027 年约为 30%。这一预测来自一位联合创办了其模型在该基准测试中排名第一的公司的人，这给预测增加了一层偏差。

批评者恰恰把这条线划在这一能力上

TasteVal 之所以重要，是因为它衡量的正是怀疑者所指出的、阻碍 AI 取得重大突破的那项能力。AI 研究员 Herbie Bradley 反驳了 Clark 5 月的文章，认为虽然模型有可能接管初级研究人员的工作，但研究品味、创造力以及连贯的长期研究规划等要求更高的技能仍不见踪影。

在规划和评估实验方面，TasteVal 对上述评估构成了挑战，尽管它对选择长期研究议程只字未提。

实际差距有多大，体现在复旦大学团队领导的一项关于使用 AI 智能体进行 AI 开发的研究中。研究人员分析了自己模型的开发过程，发现 AI 智能体贡献了高达 55% 的方法论提案，但人类仍然做出了超过 85% 的最终决策。作者指出，目前尚不清楚 AI 如何能在结果出来之前生成多样化的研究方向并评估其价值，而这正是 TasteVal 从模型手中接过的决策类型。

争论正在转变

这项基准测试出现之际，正值各大 AI 实验室自己引发的争论之中。今年 6 月，Anthropic 写道，递归自我改进尚未实现，但“可能比大多数机构准备好的时间来得更早”。Anthropic CEO Dario Amodei 如今呼吁对 AI 发展进行受控放缓，而 OpenAI 承认完全自主的 RSI 尚未发生，并表示只有在确保人类监督的前提下才应推进。

TasteVal 改变了何为进步的衡量标准。长期以来，关注点一直是模型在解决数学问题或编程挑战等定义明确的任务上表现如何，但如今问题越来越在于，它们能否做出推动研究向前发展的决策。

如果 P-Zero Research 所测量的趋势在其他测试中依然成立，其影响将是双向的。AI 开发会变得更快、更便宜，但与此同时，越来越多的研究将变得更难由人类验证，因为模型将自行规划和评估实验。

没有炒作的 AI 新闻——由人类精选

订阅 THE DECODER，享受无广告阅读、每周 AI 新闻简报、每年六期独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。

立即订阅

• 完整访问 THE DECODER 上的每一篇文章
• 无广告
• 加入评论和社区讨论
• 每周通过邮件获取 AI 新闻回顾
• 每年 6 次：“AI Radar”——深入探讨最重要的 AI 话题
• 每日 AI 新闻，始终紧跟最新动态
• 我们完整的十年档案
• 由拥有 10 年以上 AI 经验的团队报道

来源：The Decoder：AI News · the-decoder.com