Jack Clark 对自我改进 AI 的预测提前至 2027 年

Anthropic 联合创始人 Jack Clark 将完全自我改进 AI 的首选时间线从 2028 年提前至 2027 年。Jack Clark 对自我改进 AI 的预测如今让这一可能性显得更近，但核心技术问题仍未解决。更出色的研究表现，并不能证明 AI 能够独立构建出更强的后继系统。

这一区别至关重要，因为递归式自我改进——即 AI 开发出更好的后继系统，并借此推动进一步改进的过程——所需要的不只是强大的编程能力。关键竞争发生在日益自动化的研究任务与可独立运作的研究循环之间。Google DeepMind 的 AlphaEvolve 为理解这条边界提供了一个有用参照。

对开发者和企业采购方而言，眼下的含义关乎证据，而非倒计时。更短的预测时间线引出了实验室如何衡量进展、披露失败以及保留人类控制权的问题。它并不能证明自主研究系统何时会出现，或客户将获得何种访问权限。

Jack Clark 对自我改进 AI 的预测究竟改变了什么

Clark 调整的是他对完全自我改进何时可能实现的个人判断，而非宣布 Anthropic 已经实现这一目标。

Clark 在 10 月 12 日的通讯中写道，与 2028 年相比，完全递归式自我改进如今更可能在 2027 年成为可能。他提到了数学方面的进展，以及 AI 研究判断能力不断提升的证据。他的自我改进预测并未给出更新后的数值概率。

这一措辞保留了几个关键区别。技术上可能实现，不等于能够常规部署；一次成功演示，也不同于可靠的生产流程。两者都未必意味着实验室可以安全地将整个研究计划交给 AI。

预测还需要明确的终点标准。训练出一个小型实验性后继系统，回答的是比独立推进当前最强模型更狭窄的问题。读者应当关注，任何未来公告实际描述的究竟是哪一种结果。

Clark 的早期研究评估认为，到 2028 年底，无人参与的 AI 研究与开发出现的概率超过 60%。他还区分了较小的概念验证系统与前沿模型这一更困难的挑战；前沿模型指的是当下能力最强的系统。

这一早先的限定依然很有参考价值。实验室或许能在可控规模上演示自主改进循环，同时在其他环节保留大量人工参与。要准确报道这项成果，就必须说明其边界。

设想一个示例实验：模型获得一套训练程序和一个评估目标。它修改程序、启动训练，并产出结果更优的后继系统。决定性问题在于：由谁选择目标、修复失败，以及批准最终比较结果。

如果系统每次停滞时研究人员都会介入，结果依然可以代表有价值的自动化。但介入记录决定了该实验究竟能支持多大程度的自主性判断。隐去这份记录，会让标题中的主张更难评估。

同样的道理也适用于后继系统本身。优化目标上的更高分数，还需要在系统未直接追求的任务上进行独立测试。否则，表面上的提升可能只是围绕所选指标的专门化。

因此，Jack Clark 对自我改进 AI 的预测值得关注，因为它改变了人们的预期。其证据价值取决于后续演示是否具有明确的成功标准。仅仅调整年份，无法解决底层问题。

对于通过标题初次接触这一消息的读者，实际解读很直接：一位知情参与者缩短了自己的时间线。公开证据仍须证明任何声称的自我改进在范围、可重复性与独立性方面是否成立。

研究判断正在成为更值得关注的测试

关键转变在于，AI 是否能够选择有价值的实验，而不只是执行研究人员写好的指令。

P-Zero Research 的实验研究基准考察了这一更狭窄的能力。TasteVal 向模型提供固定的研究问题，并衡量它们设计实验和解读结果的效率。另一个独立的编程代理负责实现其选择。

该基准涵盖八项任务，并采用由 24 位专家构成的基线。其作者报告称，Opus 5.5 以 2.30 的计算倍率超过了这一基线。按照他们的定义，这衡量的是相对于专家的实验计算效率。

作者还报告，自 2025 年 12 月以来，能力翻倍周期为 3.0 个月。不过，他们明确指出了局限性：这些任务相对容易验证，基线未涵盖顶尖研究人员，且问题选择能力仍未经测试。因此，不应将其外推结果视为已确立的到来日期。

这些限定决定了读者应如何理解这一结果。研究人员的工作包括在设计实验前，判断哪一种不确定性最值得关注。在他人已经提供问题后取得成功，并不能解决此前的决策问题。

一个示例模型开发项目可以将这一区别说得更具体。假设团队希望专业助手给出更好的回答。它可能改变训练样本、调整训练流程、改进信息检索，或修订评估方式。

每种选择都意味着不同的诊断。更好的实验选择，是指识别出哪项测试能够最高效地区分彼此竞争的解释。即使系统从未提出新的研究方向，这种能力也能节省工作量。

问题选择则提出了更广泛的问题。团队可能发现，不可靠的源文件比模型的训练流程更重要。自主研究者需要在不被错误目标限制的情况下，识别出这种可能性。

这正是研究判断受到关注的原因。编程助手可以正确实现指定实验，却几乎不参与判断该实验是否值得进行。实验规划者则可以影响项目的发展方向。

对于 Anthropic AI research 而言，这一区别也改变了一项有说服力的评估应当披露什么。读者需要看到可供选择的方案、提供的信息，以及错误决策带来的后果。最终分数掩盖了这一过程的大部分内容。

模型可能通过严谨推理、大量试错或幸运的初始猜测得到好结果。这些路径对可靠性的含义不同。重复尝试与完整实验记录有助于区分它们。

相关的经济问题也不仅在于模型提出建议的速度。只要有人需要实现、核查并跟进一项提议，它就会消耗资源。源源不断的好点子，只有在整个流程能够产出可靠发现时才有价值。

因此，基准上的提升支持的结论比自主科研能力更有限。它们指出了一项值得研究的能力，却不能免除测试该能力在更长研究计划中如何表现的必要性。

更快的实验让实验室和采购方承受压力

直接压力落在那些必须验证更多研究产出、同时又不能失去决策理由追踪能力的组织身上。

如果生成实验变得更容易，审查就可能成为限制因素。实验室仍需判断哪些发现值得信赖，哪些值得继续投入。仅仅更快地提出方案，并不能解决这项责任。

这在技术问题之外还带来了管理问题。研究负责人需要保留一份记录，将假设与其实现、观察结果、解释和最终决策联系起来。缺失的环节会让有前景的结果传播后出现的错误更难诊断。

一个示例训练失败说明了原因。一项拟议变更似乎提升了性能，自动报告建议采用。之后的检查却发现，这项比较使用了不同的评估条件。

底层代码或许运行正确。失败发生在围绕比较所作的推理中。只关注软件正确性的审查流程，可能会遗漏更具后果的错误。

有用的实验记录应保留系统原本预期什么、它改变了什么，以及哪些证据支撑其结论。它还应标明不确定性和人工介入。这样的结构使人们能够在结果成为既定做法前提出异议。

同样的逻辑也适用于 AI 实验室之外。评估自主研究主张的企业团队，需要区分实验室内部进展与客户产品中可用的能力。供应商成功的研究工作流，并不自动等同于企业部署能力。

采购方应询问被委派的具体任务。生成候选分析，与选择一项运营变更、执行它并检查其后果并不相同。每增加一项责任，所需的审批证据也会改变。

对于软件团队，恰当的评估可以考察系统能否调查性能回归并提出有充分依据的修复方案。评估应包括失败的方法，以及给审查人员带来的负担。仅凭精心打磨的演示，无法说明这些成本。

对于知识工作者，眼前的挑战是保留主张与证据之间的联系。一段简洁摘要可能掩盖某个结论究竟来自实验、公司声明还是预测。这些类别应获得不同程度的信心。

维护一个可搜索的知识库可以帮助团队留存实验报告、技术决策和支持文件。其目的在于，当假设发生变化时，让推理过程仍可检查。

这些是实验加速带来的实际影响，而非对人员配置或支出的预测。组织可以审视自身的审查流程，而无需假定某个具体到来日期必然正确。无论结果如何，这项工作都依然有用。

因此，最有力的采购问题是具体的：这个系统能否在我们的实际工作流中可靠地完成什么？关于递归式 AI 改进的宽泛主张可以提供背景，却无法替代客户计划委派任务所需的证据。

AlphaEvolve 展示了一个边界明确的有效反馈循环

Google DeepMind 提供了一个具体对照：自动化算法改进可以很有价值，同时仍在经过仔细定义的评估流程内运行。

DeepMind 的算法发现研究介绍了 AlphaEvolve：它提出代码修改建议，并利用评估器反馈改进算法。研究人员报告称，该系统已应用于数据中心调度、硬件设计和模型训练效率等领域。

这项工作提供了一个相关案例：AI 正在为支撑 AI 的基础设施作出贡献。根据论文，AlphaEvolve 加速了为该系统本身提供底层支持的模型训练。报告中的结果涉及一个特定优化过程，而非对所有后续开发拥有自主主导权。

这一比较有助于将其中的机制与更宏大的预测区分开来。反馈循环可以反复提出修改、衡量结果并保留改进。它是否能支持更广泛的自我改进，取决于评估器衡量什么，以及哪些内容不在其范围之内。

设想一项优化任务：它具有可靠的正确性测试和清晰衡量的执行时间。未通过测试的候选程序可以被淘汰。在有效候选中，系统可以优先选择运行更快的方案。

这种结构为搜索提供了有用的方向。评估器提供有关哪些修改有效的信息，而系统则搜索候选方案。人类专业知识仍然蕴含在任务定义、约束条件和测量方法之中。

更广泛的研究项目会面临更困难的取舍。一项修改可能改善某种行为，却削弱另一种评估器很少测试的行为。研究人员必须判断，所测得的增益是否代表朝着更大目标取得了进展。

这并不会削弱有界优化的价值。改进某个组件可以带来实际收益，而无需解决所有科学或组织层面的问题。明确的边界会让结果更容易评估和复现。

这种区分也避免了对公司之间作出误导性的比较。Anthropic 和 Google DeepMind 无需采用完全相同的系统，它们的工作同样可以阐明同一个问题。共同的核心在于：在可信评估之下，多少研究判断可以被委托出去。

对于递归式 AI 改进而言，当系统能够影响自身开发过程时，评估器尤为重要。如果同一个系统能够悄然重新定义成功的标准，那么一个有利的分数就意义有限。要解读结果，就必须有独立检查。

因此，一项令人信服的演示应说明哪些部分是固定的，哪些部分可以由系统修改。它应描述谁控制评估，以及如何测试后继系统。这些细节决定了反馈循环究竟能够证明什么。

值得关注的竞争信号，是在可比较约束下有文档记录的改进。随着系统承担更广泛的责任，有关自主性的主张应当变得更具体。这种具体性将帮助读者区分有意义的进展与术语上的变化。

人类监督仍将辅助与完全自主区分开来

Anthropic 自身的测量结果显示，在保留 AI 主导工作与完全自主研究之间明确区分的同时，已实现了大量任务委托。

在其研究自动化测量报告中，Anthropic 表示，截至 2026 年 8 月，Claude 主导了其 26% 的研发工作。按照其定义，AI 主导的工作仍然包含人类监督。

该公司还表示，Claude 在这部分工作中任何被测量的子集里都没有实现完全自主运行。Anthropic 也承认，跨实验室比较以及使用模型评估其他模型都存在困难。这些仍是公司自行报告的测量结果。

这种区分为对该预测作出宽泛解读提供了有用的校验。从高层级提示开始主导一项任务，仍为人类施加约束、检查和重新引导留下了空间。移除这一角色，所检验的主张也就发生了变化。

人类监督本身同样需要定义。审查者若能检查相关证据，就可以行使实质性控制。若审查者只收到不透明的结论，并在时间压力下予以批准，其角色则更为有限。

因此，评估应说明人类实际做了什么。审查者是否理解实验、检查可疑输出，并有权停止流程？审查者能否在系统据此行动之前识别错误？

当任务彼此依赖时，这些问题会变得更难。早期的一项解读可能塑造后续实验，使一个小错误产生重大后果。只审查最终报告，可能会忽略研究方向在哪一步出现偏差。

怀疑论立场并不要求假定 AI 在研究方面的收益是虚构的。它所问的是，单项任务上的成功能否转化为对更广泛流程的可靠控制。这是一个需要贯穿整个工作流的证据来回答的实证问题。

识别错误与从错误中恢复之间也存在差异。系统或许能识别训练失败，却误解失败原因。有效的恢复应保留原始目标，并避免引入未被察觉的妥协。

对于 Anthropic 有关 AI 研究的主张而言，公布失败案例将尤其具有参考价值。读者可以考察失败涉及执行、解读、规划还是监督。每一类都指向不同的剩余障碍。

同样的标准也应适用于竞争对手。一项强有力的公开演示应明确陈述其局限性，而不是依赖读者自行推断。清晰的边界能让比较更可信，并减少对自主性含义的混淆。

Jack Clark 对自我改进 AI 的预测仍然只是预测，因为这些尚未解决的步骤至关重要。更好的性能可以支持更新预期，同时仍保留对整合和可靠性的疑虑。这两种判断可以同时成立，并不矛盾。

因此，富有成效的讨论应聚焦于可观察的行为。系统作出了哪些决策，人们提供了哪些干预，以及哪些改进经受住了独立测试？这些问题比将信心或怀疑当作测量的替代品更有价值。

三个信号将比又一次时间线更新更重要

下一项有意义的证据应将独立评估、可重复的后继系统改进和有效监督联系起来。

未来几个月，第一个值得关注的信号是对研究判断能力提升的独立复现。外部评估应使用新的任务、可比较的资源以及清晰描述的人类基准。在不同环境中的结果一致，将增强这些收益能够泛化的论据。

复现还应考察结果对设置的敏感程度。改变可用工具或任务措辞，能够暴露依赖关系。一项能力若能经受合理变化，就比依赖于狭窄安排的能力提供更有力的证据。

未能复现某一结果，并不能终结整个自我改进讨论。它会削弱支持更快时间线的特定证据。读者应在这一层面更新自己的信心，而不是将每一项结果视为普遍性的裁决。

第二个信号是一项有文档记录、且成功重复的后继系统开发实验。报告应展示初始系统获得了什么、产出了什么，以及人们进行了多少干预。独立评估应确定后继系统是否在优化目标之外实现了改进。

再进行一个循环将回答另一个重要问题。改进后的后继系统能否在类似约束下推动持续进展？重复将有助于区分可复用的流程与一次成功的孤立实验。

规模和范围应保持明确。小模型演示所证明的内容，与推动前沿进展的系统不同。两者都值得准确报道，但主张应限于实际测试过的条件。

第三个信号是，随着委托范围扩大，监督仍然有效的证据。实验室应表明，审查者能够发现会产生重要后果的错误，并中断流程。只报告成功的研究产出，无法回答这一问题。

有价值的监督证据应包括刻意引入的问题，以及系统对这些问题的反应。读者应关注监控机制是否能在故障扩散前捕捉到它们。对防护措施的描述，不如对其行为的测试有信息量。

这三个信号共同构成了追踪这一进展的实用途径。独立复现检验普适性，重复的后继系统开发检验改进循环，监督测试检验控制能力。三者都取得进展，将增强支持更短时间线的论据。

进展不均衡则支持更具保留的评估。强大的实验规划结合薄弱的恢复能力，可能意味着这是一个有价值但仍有局限的研究助手。依靠大量人工干预实现的成功后继系统训练，与完全自主是不同的里程碑。

对于开发者，这一框架支持对新工具进行审慎评估。对于企业买家，它将现有能力与对未来系统的预测区分开来。对于政策制定者，它指出了值得审查的证据，而无需就某一个具体日期达成一致。

将 Jack Clark 对自我改进 AI 的预测视为更仔细审视证据的理由。阅读原始主张，保留对基准局限性的认识，并区分演示与部署承诺。当下一次公告到来时，问一问：谁选择了目标，谁核查了结果，以及当某些环节失败时谁进行了干预。应以独立测试中的表现来比较后继系统，而非以系统自身偏好的分数为准。跟踪改进是否可以重复，以及监督是否能捕捉到会产生重要后果的错误。这些观察将比又一次修订年份提供更坚实的判断基础。在接受标题所暗示的时间线之前，你能否识别哪些公开证据可被视为成功，以及什么结果会改变你的看法？