AI 行业洞察2026-09-23

先把速度量出来，再谈要不要踩刹车

Anthropic 的 26% 更像一块尚待第三方校准的仪表盘：它不能证明 AI 已经自主造 AI；只有把自动化、监督和算力一起测，前沿 AI 的速度才可能进入公共治理。

看到“Claude 已经主导 Anthropic 26% 的模型研发工作”，很容易把它读成一句更耸动的话：AI 正在自己造下一代 AI。

但 Anthropic Institute 这篇《Measurements for understanding the pace of AI development inside frontier labs》并没有这么说。它反而花了相当多篇幅解释：这个 26% 到底测了什么，哪些地方还没有测到，以及实验室怎样把这些内部数字交给外部人检查。

我读完后最在意的不是 26% 会不会继续上升，而是一个更基础的问题：如果前沿 AI 的速度正在变快，我们有没有一块足够诚实的仪表盘，知道它究竟快在什么地方。

这个答案还粗糙，但已经足够改变读法。报告把“速度”拆成三个控制面：AI 做了多少研发工作，Agent 的动作能不能被看见并及时干预，计算资源又流向了能力还是安全。仪表盘还没有校准完成，黑箱却开始出现刻度。

前沿 AI 速度的三层测量：自动化、监督与算力

26% 先要翻译：它测的是“谁在做”，不是“谁在想”

报告使用的是一条从 AL0 到 AL5 的 Automation Level 量表：AL0 是没有 AI 参与，AL3 是 AI 在紧密的人类指导下协作，AL4 是人类只给高层目标、AI 可以端到端完成大部分工作，AL5 才是完全自主。

所以，26% 的准确翻译是：截至 2026 年 8 月，在 Anthropic 按自己的任务篮子和权重计算的 AI R&D 工作中，Claude 被评为 AL4“leads”的部分占 26%。达到 AL3“AI collaborates”或更高等级的部分超过 90%，但已经达到 AL5 的已测量子集仍然是零。

这三个限定词不能删：任务篮子、评分等级、权重。

Anthropic 没有把所有代码行扔进一个分类器，再吐出一个漂亮比例。它先从 Slack 和内部文档的工作记录里列出约 15,000 个细粒度任务，再整理成 542 个节点、378 个叶子节点的任务树；对参与模型研发循环的各部门，每周随机抽取 20% 的员工，用人时作为任务重要性的近似权重。

这个做法比“模型在某个 benchmark 上得了多少分”更接近研发现场，因为它问的不是模型会不会答题，而是模型到底参与了哪类工作：训练基础设施、评估平台、运行故障、实验代码，还是研究方向本身。

但它也带来另一种不确定性。任务是 Claude 代理从记录里整理出来的，等级又由 Claude judge 读取证据后分配。模型与人工评分精确一致的比例是 59%，人工之间是 35%；模型和人工相差不超过一个等级的比例是 97%。这说明模型 judge 不是随便拍脑袋，却也说明 AL3 和 AL4 的边界仍然需要人来争论。

这张图值得原样看，因为它同时展示了上升曲线和量表边界。曲线很陡，证据仍然是一个由 Anthropic 自己定义、自己采样、自己评审的指数。两件事必须一起保留。

Anthropic R&D Automation Index 原图

100% coverage：先问它覆盖了什么

第二组测量让我想到工程系统：coverage、review latency、escalation rate。

Coverage 问有多少动作经过监控；review latency 问动作发生后多久能被自动和人工复核；escalation rate 问多少动作被在线阻断，或被离线系统标记为需要进一步审查。它们合起来，才比一句“我们有安全措施”更接近真正的监督能力。

报告说，截至 2026 年 8 月，Anthropic 最常用的内部平台上大约有 30,000 个 Agent 同时做研究和工程工作。就这个平台而言，在线监控和离线监控都写成 100% coverage：前者在动作执行前经过检查，后者在动作执行后把活动送入监控系统。在线被阻断的动作由人工在一周内复核，离线系统每周大约筛出 100,000 条 transcript，再把最高优先级的约 50 条交给人看。

数字开始变得具体：Anthropic 分析了超过十亿个研究与工程 Agent 决策，其中 0.002%，大约每 4.7 万次一次，被在线监控阻断；离线监控则大约每千条 transcript 标记一到两条进一步复核。

不过，读到这里最不能做的，是把 100% 当成一句脱离上下文的安全承诺。

Anthropic 8 月风险报告描述的是更广的内部监控面：最常见的编码 Agent scaffold 只对部分 prompt 和 completion 做抽样，其他内部 API 流量的抽样比例更小，部分非编码使用也不在离线监控内。报告还直接写明，自动离线监控并不覆盖所有内部部署面，也不覆盖外部部署。两份材料的监控面和分母不同，不能直接对照；它们合起来反而提醒我们：coverage 后面必须跟着范围说明。

这正是我在《让评估者坐进模型工厂：我读 Anthropic 与 Accenture 的合作》里写到的问题：评估者能看到什么、看不到什么，能不能公开说明被拒绝的访问，发现问题后谁有权升级。Agent 规模变大以后，监控不只是多装一个分类器，还要留下可追溯、可争议、可复核的证据链。关于 Agent 从运行到监控的工程视角，也可以参看《Agent 能跑 demo 不算本事，能跑一年才是》。

6% 算力不是安全感，口径才是

第三组数字很容易被做成一张饼图：在 2026 年 7 月 13 日到 20 日的一周快照里，约 6% 的 AI R&D compute 被归为安全工作；如果只看 AI-driven AI R&D，这个比例约为 12%。

我反而觉得，报告对这两个数字的解释比数字本身重要。

安全研究经常更耗研究者的时间，而不一定消耗同等规模的 GPU。一个研究者花时间设计实验、读日志、理解模型行为，可能比一次大训练运行更有安全价值，但 compute 账本不一定看得见。反过来，一个分类器跑得更高效，安全 compute 占比下降，也不代表安全工作减少。

分类边界同样麻烦。原文把“主要目的在于让 AI 更安全、更可理解或更安全地运行”的工作算作安全；如果一项工作同时帮助能力和安全，就保守地归入 AI R&D。连“可扩展监督”这种既可能提升安全、又可能提升产品能力的工作，都很难只贴一个标签。

这也是为什么原文提到的自然语言自动编码器和reward hacking 研究值得顺手看一眼。前者尝试把 activation 转成可读文本，但作者明确提醒解释会出错、需要独立方法互证，而且成本高；后者说明一个看似局部的训练捷径，可能泛化成更严重的错位行为。安全工作不是“把算力标成安全”就完成了，关键是它能不能产生可检查的理解、缓解和复现结果。

我会把 6% 和 12% 当成一个组织开始公开账本的起点，而不是安全程度的分数。它们以后可以按同一分类规则继续测，和其他实验室对照，再接受第三方抽查；局限也得跟着数字一起发布。

从实验室自报到公共仪表盘，先补四件事

读到这里，我对这份报告的判断已经很明确：它不是一张证明 Anthropic 安全的证书，而是一份把自我测量公开化的试验稿。要让它成为别人可以使用的治理基础设施，还需要四道门。

先固定口径。每个月的任务篮子不能悄悄换，AL3 和 AL4 的边界不能随着结果变得好看就移动；如果任务树要重建，就要重新版本化，告诉读者上升来自模型变强、工作变化，还是统计对象换了。

范围要透明。100% coverage 这种数字必须同时给出平台、动作类型、排除项和采样规则。计算分配也要说明哪些工作被算作安全、哪些灰区被保守地排除了。看见一个数字不难，知道它没有看见什么才难。

还要有独立复核。Anthropic 的 Advanced AI Framework 自己也写得很直白：self-assessment is not enough。它建议定期风险报告、独立评估者、对删节和关键结论的公开审查；Dario Amodei 的 pacing 提案则把 embedded evaluators 放在可验证性的第一步。

最后要能连到行动。如果 AI R&D 自动化升高，代码审查和实验筛选已经变成瓶颈，组织是否增加复核能力？如果离线监控的升级率变化，是否能解释漏报、误报和处置时间？如果安全 compute 占比下降，是因为能力投入变多、分类器变高效，还是安全工作被挤出去了？没有行动接口，指标只会成为一张更精致的仪表盘截图。

这也是 RSP 和政策框架持续强调风险报告、版本记录和外部评估的原因。测量的终点不是让公众更容易相信实验室，而是让公众更容易检查实验室为什么值得相信、哪些地方还没有足够证据。

读下一份 AI 加速报告，我会先问五件事

以后再看到“AI 让研发快了多少”“Agent 已经自动完成多少工作”这类数字，我会先问：

测的对象是什么，是代码行、任务、人时、动作，还是一个固定 benchmark？
分母是什么，哪些平台、团队、任务和流量被排除了？
时间窗口多长，是一周快照、一个月指数，还是经过版本控制的长期序列？
谁负责分类和复核，模型、内部员工、其他实验室，还是有访问权的独立评估者？
指标升高或降低之后，组织会做什么，谁能要求复查，谁能公开不同意？

这五个问题看起来没有模型排行榜那么刺激，却决定了一个数字能不能离开发布会，进入工程管理和公共治理。

我会保留的不是一个可以转发的 26%，而是这份报告对测量边界的承认： “AI 正在建造 AI”必须拆开来测，而这些测量还需要共同方法、第三方核验和长期记录。

先把速度量出来，才有资格谈要不要踩刹车；而真正需要被校准的，从来不只是曲线，还有我们用曲线作决定的制度。