Jack Clark 的自我改進 AI 預測提前至 2027 年
Anthropic 聯合創辦人 Jack Clark 已將他對完全自我改進 AI 的首選時間表，由 2028 年提前至 2027 年。Jack Clark 的自我改進 AI 預測現在令這種可能性看似更近，但核心技術問題仍未有定論。更佳的研究表現，並不能證明 AI 能夠獨立打造出更強的後繼系統。
這個區別很重要，因為遞歸自我改進——即 AI 開發出更佳的後繼系統，並進一步支援持續改進的過程——所需的不只是出色的編程能力。真正相關的對照，是日益自動化的研究任務與可獨立運作的研究循環之間的差異。Google DeepMind 的 AlphaEvolve 為理解這條界線提供了有用參考。
對開發者及企業採購方而言，眼前的啟示關乎證據，而非倒數計時。較短的預測期引發了關於實驗室如何衡量進展、揭示失敗，以及維持人類控制的問題。它並不能證實自主研究系統何時會出現，或客戶將可獲得哪些存取權限。
Jack Clark 的自我改進 AI 預測實際改變了甚麼
Clark 修訂的是他對完全自我改進何時可能實現的個人評估，並非宣佈 Anthropic 已經做到。
Clark 在 10 月 12 日的電子報中寫道，完全遞歸自我改進現時看來較有可能在 2027 年而非 2028 年成為可能。他指出數學方面的進展，以及 AI 研究判斷能力正在提升的證據。他的自我改進預測並未提供更新後的數值機率。
這種表述保留了幾項重要區分。技術上可行，有別於可常規部署；成功示範，也有別於可靠的生產流程。兩者均不必然代表實驗室能安全地把整個研究計劃交由系統處理。
預測亦需要清晰的終點線。訓練一個小型實驗性後繼系統，所回答的問題會比獨立推進現有最強模型更狹窄。讀者應追問，任何未來公告實際描述的是哪一種成果。
Clark 較早前的研究評估認為，到 2028 年底，無人類參與的 AI 研究及開發出現的機率超過 60%。他亦區分了較小型的概念驗證系統，與前沿模型所面對的更艱巨挑戰；後者指現時能力最強的系統。
這項早前的限定仍然很有用。實驗室或可在可管理的規模展示自主改進循環，同時在其他環節保留大量人類參與。要準確報道這項成果，便需要交代其界線。
設想一項示例實驗：模型獲提供訓練計劃及評估目標。它修改計劃、啟動訓練，並產生結果更佳的後繼系統。決定性的問題在於，誰選定目標、修復失敗，以及批准最終比較。
若研究人員每逢系統停滯便介入，結果仍可代表有用的自動化。介入紀錄決定了實驗能支持多大程度的自主性。隱藏該紀錄，會令標題所傳達的結論更難評估。
同樣地，亦要看後繼系統本身。在優化目標上取得較高分數，仍需在系統沒有直接追求的任務上另行測試。否則，表面上的改進可能只是圍繞既定衡量標準的專門化。
因此，Jack Clark 的自我改進 AI 預測值得關注，因為它反映了預期的改變。其證據價值取決於後續示範是否具備明確的成功準則。單憑修訂後的年份，不能解決根本問題。
對透過標題接觸這則新聞的讀者而言，實際解讀很直接：一位知情參與者縮短了其時間表。公開證據仍須證明任何聲稱的自我改進具備多大的廣度、可重複性及獨立性。
研究判斷正成為更值得關注的測試
重要的轉變在於 AI 能否選擇有用的實驗，而不只是執行研究人員寫下的指令。
P-Zero Research 的實驗研究基準檢驗這項較狹窄的能力。TasteVal 向模型提供固定的研究問題，並衡量它們設計實驗及詮釋結果的效率。另一個編程代理會實作它們的選擇。
該基準涵蓋八項任務，並採用由 24 名專家組成的基線。其作者報告指，Opus 5.5 以 2.30 的運算倍數超越該基線。按其定義，這衡量的是相對於專家的實驗運算效率。
作者亦報告，自 2025 年 12 月以來的倍增周期為 3.0 個月。不過，他們明確指出限制：任務相對容易驗證、基線不包括頂尖研究人員，而問題選擇仍未受測試。他們的外推不應被視為已確立的到達日期。
這些限定影響讀者應如何理解結果。研究人員的工作包括在設計實驗前，判斷哪種不確定性值得優先處理。在有人提供問題後才取得成功，未能解決此前的決策問題。
一個示例模型開發項目可令這項差異更具體。假設團隊希望專門助手提供更佳答案，它可以修改訓練範例、調整訓練流程、改善資訊檢索，或修訂評估方式。
每個選項都暗示不同診斷。更佳的實驗選擇，意指找出哪項測試最能有效區分互相競爭的解釋。即使系統從未創造新的研究方向，這項技能仍可節省工作量。
問題選擇提出更廣泛的問題。團隊或會發現，不可靠的來源文件比模型的訓練程序更重要。自主研究者需要能在不被錯誤目標限制的情況下，辨識這種可能性。
這正是研究判斷受到關注的原因。編程助手可正確實作指定實驗，卻對判斷該實驗是否值得進行貢獻甚少。實驗規劃者則可影響項目的方向。
對 Anthropic AI 研究而言，這個區分亦改變了一項具說服力的評估應揭示甚麼。讀者需要看到可選方案、所提供的資訊，以及錯誤決策的後果。最終分數掩蓋了這個過程的大部分內容。
模型可能透過嚴謹推理、大量試錯，或幸運的初始猜測而取得好結果。這些途徑對可靠性的含意並不相同。重複嘗試及完整實驗紀錄，有助分辨它們。
相關的經濟問題亦不止於模型提出建議的速度。當有人實作、檢查及跟進建議時，提案便會消耗資源。一連串令人印象深刻的構思，只有在整個過程產生可靠發現時才有用。
因此，基準上的進步所支持的結論，比自主科學能力更為狹窄。它們指出一項值得調查的能力，卻不能免除測試這項能力在較長研究計劃中如何表現的需要。
更快的實驗令實驗室及採購方承受壓力
眼前壓力落在必須驗證更多研究產出、同時不失去決策理由脈絡的機構身上。
若生成實驗變得更容易，審核便可能成為限制步驟。實驗室仍須決定哪些發現可信，以及哪些值得進一步投資。更快提出方案，本身不能解決這項責任。
這在技術問題以外，亦帶來管理問題。研究主管需要一份紀錄，把假設與其實作、觀察、詮釋及最終決策連結起來。當一項看似理想的結果傳播開來後，缺失的環節會令錯誤更難診斷。
一宗示例訓練失敗說明箇中原因。某項建議改動看似提升表現，自動化報告亦建議採用。其後檢查卻發現，比較使用了不同的評估條件。
底層程式碼或可正常運作。失敗在於比較背後的推理。只聚焦於軟件正確性的審核流程，可能錯過影響更深遠的錯誤。
有用的實驗紀錄會保留系統的預期、它作出的改動，以及支持其結論的證據。它亦會標示不確定性及人類介入。這種結構讓不同意見可在結果成為既定做法前提出。
相同邏輯亦適用於 AI 實驗室以外。評估自主研究聲稱的企業團隊，須區分內部實驗室進展與客戶產品可用的能力。供應商成功的研究流程，不會自動反映企業部署情況。
採購方應詢問所委派的具體任務。生成候選分析，有別於選擇一項營運改動、實施它，以及檢查其後果。每增加一項責任，便改變獲批所需的證據。
對軟件團隊來說，合適的評估可檢視系統能否調查效能倒退問題，並提出有理據支持的修正方案。評估應包括失敗的方法，以及加諸審核者的負擔。單靠精心製作的示範，無法清楚呈現這些成本。
對知識工作者而言，眼前挑戰在於保留主張與證據之間的連繫。簡潔摘要可能掩蓋結論是來自實驗、公司聲明，還是預測。這些類別應有不同的可信度水平。
維護一個可搜尋知識庫，可協助團隊保存實驗報告、技術決策及佐證文件。目的在於當假設改變時，讓推理過程可供檢視。
這些是實驗加速的實際影響，而非對人手或開支的預測。機構可在不假定某個到達日期正確的情況下，檢視其審核流程。無論結果如何，這項工作仍有價值。
因此，最有力的採購問題很具體：這個系統能在我們的實際工作流程中，可靠地完成甚麼？關於遞歸 AI 改進的廣泛說法可提供背景，但不能取代客戶打算委派任務所需的證據。
AlphaEvolve 展示具明確界線的有效回饋循環
Google DeepMind 提供了一個具體對照：自動化演算法改進可以很有用，同時仍在經過審慎界定的評估流程內運作。
DeepMind 的演算法發現研究介紹了 AlphaEvolve：它會提出程式碼修改建議，並利用評估器回饋改良演算法。研究人員報告指出，其應用包括資料中心排程、硬件設計及模型訓練效率。
這項工作提供了一個相關例子，說明 AI 如何為支撐 AI 的基礎設施作出貢獻。論文指出，AlphaEvolve 加快了為該系統本身提供基礎的模型訓練。所報告的結果涉及一個特定的最佳化流程，而非自主主導所有後續開發。
這個比較有助區分其機制與較宏大的預測。回饋迴圈可以反覆提出改動、量度結果並保留改良成果。它能否支持更廣泛的自我改進，取決於評估器量度甚麼，以及甚麼範圍不在其涵蓋之內。
設想一項最佳化任務：它有可靠的正確性測試，並能清晰量度執行時間。未能通過測試的候選程式可被淘汰。在有效的候選方案中，系統可以優先選擇執行速度較快的方案。
這種結構為搜尋提供了有用的方向。評估器提供哪些改動有幫助的資訊，而系統則搜尋候選方案。人類專業知識仍內嵌於任務定義、限制條件和量度方式之中。
更廣泛的研究計劃面對較艱難的取捨。一項改動可能改善某種行為，卻削弱另一種評估器甚少測試的行為。研究人員必須判斷，量度到的增益是否代表朝向更大目標的進展。
這並不減低有界最佳化的價值。改良一個組件可帶來實際效益，而毋須解決每一個科學或組織問題。明確的界限令結果更容易評估和重現。
這個區分亦可避免在公司之間作出誤導性的比較。Anthropic 和 Google DeepMind 毋須採用完全相同的系統，其工作亦可闡明同一問題。共同的問題在於：在可信的評估下，有多少研究判斷可以交由系統處理。
對遞迴式 AI 改進而言，當系統能影響自身的開發流程時，評估器尤其重要。若同一系統可以暗中重新定義成功，正面的分數便意義較低。要詮釋結果，便需要獨立檢查。
因此，一項具說服力的展示應說明哪些部分固定不變，以及系統可改變哪些部分。它應交代誰控制評估，以及如何測試後繼系統。這些細節決定了回饋迴圈究竟能證明甚麼。
值得關注的競爭訊號，是在可比較限制條件下有記錄可查的改進。隨着系統承擔更廣泛的責任，有關自主性的主張應變得更具體。這種具體性有助讀者區分有意義的進展與術語上的改變。
人類監督仍然是區分協助與完全自主的關鍵
Anthropic 自身的量度顯示，雖然可大幅委派工作，但 AI 主導的工作與完全自主研究之間仍有清晰區別。
Anthropic 在其研究自動化量度中報告，截至 2026 年 8 月，Claude 主導了其 26% 的研發工作。按其定義，AI 主導的工作仍涉及人類監督。
該公司亦表示，在該等工作中任何被量度的子集，Claude 均非完全自主運作。Anthropic 承認跨實驗室比較，以及使用模型評估其他模型均存在困難。這些仍是公司自行報告的量度結果。
這項區分為對該預測作出過度延伸的詮釋提供有用檢驗。由高層提示主導一項任務，仍容許人類加以限制、檢視和重新引導。移除該角色，便改變了正在測試的主張。
人類監督本身亦需要定義。檢視相關證據的審閱者可以行使實質控制。收到不透明結論、並在時間壓力下批准的審閱者，角色則較為有限。
因此，評估應說明人類實際做甚麼。審閱者是否理解實驗、檢查可疑輸出，並有權停止流程？審閱者能否在系統據此採取行動前識別錯誤？
當任務彼此依賴時，這些問題會變得更困難。早期的詮釋可以塑造後續實驗，令一個小錯誤帶來重大影響。只審閱最終報告，或會忽略研究方向在何處出錯。
持懷疑態度的一方毋須假定 AI 研究成果並不真實。它所問的是，個別任務上的成功能否轉化為對更廣泛流程的可靠控制。這是一個實證問題，需要涵蓋整個工作流程的證據。
偵測錯誤與從錯誤中復原之間亦有分別。系統或能識別訓練失敗，卻誤解其原因。有用的復原應保留原有目標，並避免引入未被察覺的妥協。
就 Anthropic 的 AI 研究主張而言，發表失敗案例將尤其具參考價值。讀者可檢視失敗涉及執行、詮釋、規劃還是監督。每個類別都指向不同的尚餘障礙。
同一標準亦應適用於競爭對手。一項強而有力的公開展示，應清楚說明其限制，而非依賴讀者自行推斷。清晰的界限令比較更可信，亦減少對自主性含義的混淆。
Jack Clark 對自我改進 AI 的預測仍然只是預測，因為這些未解決的步驟至關重要。更佳表現可成為更新預期的理據，同時仍保留對整合和可靠性的不確定性。兩種判斷可以同時成立，並不矛盾。
因此，富有成效的辯論應聚焦於可觀察行為。系統作出了哪些決定、人們提供了哪些介入，而哪些改進通過了獨立測試？這些問題比把信心或懷疑當作量度的替代品更有用。
三個訊號會比另一次時間表更新更重要
下一項有意義的證據，應連結獨立評估、反覆的後繼系統改進，以及有效監督。
未來數月，首個值得留意的訊號是研究判斷增益能否獲獨立重現。外部評估應採用全新任務、可比較的資源，以及清楚說明的人類基準。不同環境下的結果一致，將加強這些增益可泛化的理據。
重現研究亦應檢視結果對設定有多敏感。改變可用工具或任務措辭，可揭示當中的依賴關係。能經受合理改變的能力，比依附於狹窄安排的能力提供更強證據。
未能重現一項結果，並不能為整場自我改進辯論下定論。但它會削弱支持較快時間表的具體證據。讀者應在這個層面更新信心，而非把每項結果視為普遍結論。
第二個訊號，是有文件記錄且可成功重複的後繼系統開發實驗。報告應展示起始系統獲得甚麼、產生了甚麼，以及人們介入了多少。獨立評估應確定後繼系統是否在最佳化目標以外有所改進。
再進行一個循環，將回答另一個重要問題：經改進的後繼系統能否在相似限制下為持續進展作出貢獻？重複結果有助區分可重用流程與一次成功的獨立實驗。
規模和範圍應保持明確。小型模型的展示所確立的，與推進前沿的系統並不相同。兩者均值得準確報道，而主張應限於實際測試的條件。
第三個訊號，是隨着委派範圍擴大，監督仍然有效的證據。實驗室應顯示審閱者能偵測具後果的錯誤並中斷流程。只報告成功的研究輸出，無法回答這個問題。
有用的監督證據應包括刻意引入的問題，以及系統對這些問題的反應。讀者應留意監察機制是否在失敗擴散前將其捕捉。保障措施的描述，不如對其行為的測試來得有參考價值。
綜合而言，這些訊號提供了一個實際方法來追蹤事件發展。獨立重現處理的是泛化性；反覆的後繼系統開發處理的是改進迴圈；監督測試處理的是控制。三方面均有進展，將加強較短時間表的論據。
進展不均衡則支持較有保留的評估。強勁的實驗規劃配合薄弱的復原能力，會顯示這是一個有價值但仍有限制的研究助手。成功的後繼系統訓練若需要大量人類介入，所確立的里程碑便不同於完全自主。
對開發者而言，這個框架有助審慎評估新工具。對企業買家而言，它把現有能力與未來系統的預測區分開來。對政策制定者而言，它指出值得仔細審視的證據，而毋須就單一日期達成共識。
把 Jack Clark 對自我改進 AI 的預測視為更仔細檢視證據的理由。閱讀原始主張，保留對基準限制的認識，並區分展示與部署承諾。下一次公布到來時，問問誰選定目標、誰核查結果，以及出錯時誰作出介入。應以獨立測試，而非系統本身偏好的分數，比較後繼系統。追蹤改進是否可重複出現，以及監督是否能捕捉具後果的錯誤。這些觀察將比另一個修訂年份提供更穩固的判斷基礎。在採納標題所述的時間表之前，你能否辨識哪些公開證據可算作成功，以及哪一項結果會令你改變看法？
