6 月 4 日，Anthropic 旗下 Anthropic Institute 发布由 Marina Favaro 与 Jack Clark 合著的长文《When AI builds itself》，以公司内部数据论证「AI 正在加速 AI 自身的研发」。核心证据是：截至 2026 年 5 月，合并进 Anthropic 代码库的代码中逾 80% 由 Claude 撰写，而 2025 年 2 月 Claude Code 进入预览前，这一数字还是个位数；2026 年第二季度，典型工程师每天合并的代码量约为 2024 年的 8 倍。
这篇文章试图为「递归自我改进」提供早期证据，即 AI 系统自主设计并开发下一代模型（recursive self-improvement）。但两个月后的 8 月 14 日，Anthropic 第二份公司级风险报告给出了更保守的口径：内部 AI 辅助研发「显著更快」，但「尚未达到 2 倍」。两份文件衡量的并非同一件事。代码量增长不等于整体研发同比例提速；研究方向、结果取舍等判断工作，目前仍由人承担。
八成代码由 Claude 撰写，不等于八成研发由 AI 完成
「80%」需要先看清口径。Anthropic 管理层此前公开估计「90% 甚至更多」的代码由 Claude 撰写，但《When AI builds itself》的脚注说明，>80% 测量的是「可归因于 Claude、合并进生产代码库的行数」，比管理层口径更保守，原因有二：归因流水线存在缺口；未被归因给 Claude 的行里，还包含自动生成的代码等同样非人手写的内容。也就是说，>80% 是一个下限式估计，而非精确值。
「8 倍」衡量的同样是代码数量。文章正文写的是「2026 年第二季度典型工程师每天合并的代码量约为 2024 年的 8 倍」，并承认代码行数衡量的是数量而非质量，「几乎肯定高估了真实的效率提升」。文章还给出一个可对照的数字：2026 年 3 月对 130 名研究人员的内部调查中，中位数受访者估计自己在 Mythos Preview 辅助下的产出约为无 AI 时的 4 倍，而文章认为这一数字也可能偏高。
这些数量与自评指标，不能直接代表整体研发速度。Anthropic 用 Amdahl 定律解释了原因：Claude 开始大量产出代码后，人工代码审查成了新的瓶颈——「加快流程的一部分，往往只是把瓶颈移到别处」。
Claude 已能写代码和跑实验，研究判断仍需人来做
文章从写代码、跑实验到做判断，逐步考察 AI 能独立完成多少工作。三类任务的证据强度不同。
写代码，证据最强。在最开放、最少规格说明的任务上，Claude 2026 年 5 月的成功率达 76%，六个月上升 50 个百分点。文章举的例子是：一次例行升级导致数万训练任务崩溃，工程师只给了 Claude 少量文本和集群访问权限，它在约两小时内定位并复现了触发崩溃的那个调试标志，而这通常需要两到三天。Anthropic 还做了回溯分析：用自动化 Claude 审查全部代码变更，能提前拦截 claude.ai 过去事故背后约三分之一的 bug。
跑实验，Claude 能执行别人设定好目标的实验。Anthropic 每次发布模型都跑同一个固定测试——让 Claude 把一段训练小模型的代码优化得尽可能快。2025 年 5 月 Claude Opus 4 平均做到约 3 倍加速，2026 年 4 月 Mythos Preview 做到约 52 倍；作为对照，熟练研究员需要四到八小时才能做到 4 倍。2026 年 4 月发表的一项实验中，研究者向 Claude 驱动的 Agent 提出了一个开放问题：较弱的模型能否可靠地监督更强的模型。Agent 随后自主求解，用约 800 小时、约 1.8 万美元算力恢复了 97% 的性能差距，而两名人类研究员一周只恢复了约 23%。
做判断的证据最弱，却直接关系到 AI 能否自主改进下一代模型。文章分析 129 个「人类研究员走偏了方向」的真实会话时刻，比较模型与人类谁给出更好的下一步：2025 年 11 月的 Opus 4.5 在 51% 的时刻胜过人类，2026 年 4 月的 Mythos Preview 升到 64%。但文章自己承认，这些时刻是刻意挑选「人类判断有改进空间」的，因此不是模型与人类的同口径对比。
三类任务中，AI 都还需要人来设定方向。文章明确说，工程上「人类给目标，但不再需要给方法」，而「选择研究什么问题、信任哪个结果、判断何时该放弃」仍是人类的比较优势。这些工作仍限制着 AI 自主设计下一代模型的能力。
8 月报告称整体研发速度尚未翻倍，部分评测已饱和
8 月 14 日的第二份风险报告（覆盖期截至 7 月 15 日）延续了「Claude 撰写大部分生产代码」的说法，但对「加速」给出更克制的数字：内部 AI 辅助研发「显著更快，但尚未达到 2 倍」，且「测量很困难」。这与 6 月的「人均代码量 8 倍」不矛盾——前者测的是端到端研发速度，后者测的是代码产出——但对比说明，代码量的暴涨尚未传导为同等幅度的研发提速。
报告还披露了评估能力增长的困难：其最具体的任务型 AI 研发评估「已经饱和，不再能反映能力的进一步提升」，系统卡里报告的评估套件已达到「前沿模型在多数任务上超过人类基线」的程度。作为替代，Anthropic 启用了内部基准 CoBench（449 个真实工程问题），据 BERI 整理，Mythos 5 得 50.3%，未发布的内部模型 Model 2 得 62.8%，而「能完全替代研究人员」的估计门槛是 85%。旧任务已难以区分模型的进一步提升，新基准的分数则尚不足以支持「能完全替代研究人员」的判断。
这份报告还调整了 RSP 中「AI 研发自动化」的触发阈值，将原先按历史 AI 进展速度衡量的标准，改写为满足以下两个条件之一：模型能以 5 倍以内的成本完全替代全部研究科学家与工程师，或出现「进展速率翻倍」的戏剧性加速。Anthropic 仍认为当前模型未达阈值。这次修改也表明，公司正在为研发「加速」寻找更容易验证的定义。
Anthropic 推演三种前景，并讨论如何协同暂停研发
文章给出三种未来情景，并认为第二种最可能发生。一是趋势停滞（S 曲线见顶）、能力广泛扩散，Anthropic 承认「为完整列出，但不认为可能」。二是复合效率提升，AI 研发大幅自动化、人类继续设定方向与判断结果，文章说「证据表明我们很可能正走向这一情景」，100 人公司能做 1 万甚至 10 万人组织的工作。三是完全递归自我改进，进展速度完全由算力决定。文章对第三种情景下的对齐问题「最不确定」——今天偶发的模型行为偏离设计意图的问题（misalignment），可能在模型代际更替中「变得更频繁、更不可理解，直到我们失去控制」。
基于这些推演，文章提出：为「可验证地放缓或暂停前沿开发」保留选项。但它同时否认单边暂停的价值——「单家实验室单方面暂停立即可行，但收效甚微：它改变的只是谁在领跑，而不是创造当前缺失的更广泛协商过程」。一个有效的暂停需要多个国家、多家处于或接近前沿的实验室在相同条件下同步停止，并能互相验证对方确实停了；而训练运行比导弹发射井更难察觉、投入通用、悄悄违约的激励巨大。因此，如何验证各方确实暂停，是这一提议能否实施的重要条件。
数据来自公司自报，外界对「自我改进」的解读有分歧
评估这套论证，还需要留意数据来源、发布时机和外部研究者的不同解释。
数据全部自报、未经审计。从代码量到成功率，关键数字都来自 Anthropic 内部数据，部分方法论有明确局限（如「129 个时刻」是刻意挑选的）。
发布时机紧贴 IPO。Anthropic 于 6 月 1 日向 SEC 秘密递交 S-1，三天后发布《When AI builds itself》。Tom's Hardware 指出「所有数据均为自报、未经审计，且出现在公司申请上市的几天之后」，并提醒 Anthropic 4 月关于 Mythos Preview 发现数千个严重漏洞的说法，后来「因依赖少量人工样本而受到审视」。
独立研究者对「递归自我改进」的定性有异议。Gary Marcus 在 Marcus on AI 中称这篇博客是「偷换概念」：「他们真正展示的只是更快的编程——完全在人类控制之下，外加一些基准上的进步」，而「更快的编程工具大概不会终结世界」。他的核心区分是：AGI 比「递归自我改进」更难，文章结果指向的是 RSI 的可能性，而非 AGI。
这些质疑并未直接否定代码量数据，但限制了能从中得出的结论。Anthropic 披露的内部数据表明代码产出大幅增加，也说明了测量的局限；整体研发能继续提速多少、AI 能否承担更多研究判断，仍待验证。「8 倍」代码量与研发「尚未达到 2 倍」提速，提醒读者区分工具产出和研究进展。
