AI 开始越来越深地参与下一代 AI 的研发，而且速度可能比外界想象得更快。

当地时间 9 月 17 日，Anthropic 发布了一组罕见的内部数据，试图量化 AI 究竟已经在多大程度上参与自己的研发。

结果显示，截至 2026 年 8 月，Claude 已经能够“主导”Anthropic 约 26% 的 AI 研发工作；超过 90% 的 AI 研发工作至少已经达到“AI 协作”水平。而在 Anthropic 使用最广泛的内部 Agent 平台上，大约有 3 万个 Agent 正在同时进行研究和工程任务。

更值得注意的是变化速度。Anthropic 公布的图表显示，今年 2 月，Claude 能够达到“主导”水平的模型研发任务占比还不到 1%，半年后已经上升到 26%。Anthropic 将这套衡量体系直接与 RSI 联系了起来，也就是一个 AI 系统最终能够自主构建自己的继任者。

这里的“主导”需要特别解释下。Anthropic 构建了一套内部的“R&D Automation Index（研发自动化指数）”。其采用了 Epoch AI 提出的六级自动化标准：从 AL0 到 AL5 衡量 AI 对一项工作的介入程度。其中，AL3 被称为“协作”：AI 可以在人类密切指导下承担大块工作；AL4 则是“主导”：工程师只需要给出一个高层目标，AI 就能够完成一项任务的大部分端到端工作，人类主要负责监督和最终决策；最高的 AL5 才意味着没有人类介入的完全自主运行。

所以，“26%”并不是“Anthropic 26% 的研发已经完全无人化”，也不是“26% 的研究员被 Claude 替代”。更准确地说，它意味着按照 Anthropic 大约四分之一的 AI 研发已经进入“人类定目标和监督，Claude 完成大部分执行”的阶段。

为了得到这一数字，Anthropic 首先抽取了参与模型研发循环的各部门员工。2026 年 7 月的每一周，公司随机抽取这些部门 20% 的员工，由 Claude Research Agent 阅读其 Slack 和内部文档，最终整理出约 1.5 万项细粒度模型研发任务。随后，Claude 又将这些工作整理成包含 542 个节点的任务树，其中有 378 个最终叶节点，涵盖预训练、强化学习、评测平台故障诊断、RL 沙箱网络策略和推理服务事故复盘等工作。Anthropic 再根据不同任务消耗的人力时间进行加权。

这套方法本身也存在局限。例如，用于评估 Claude 自动化程度的“裁判”同样是 Claude。Anthropic 还让负责相应工作领域的内部员工进行了交叉验证：模型与人的评级完全一致率为 59%，而不同人类评估者之间的完全一致率只有 35%；模型和人类评级在相差不超过一个等级时，一致率达到 97%。但 Anthropic 仍承认，“AI 协作”和“AI 主导”之间存在一定主观判断空间。

为了管理这 3 万个正在同时工作的“AI 员工”，Anthropic 给内部 Agent 引入了两项设计。

首先是独立身份，每一个 Agent 都拥有自己的身份，所有数据和行为记录都与这一身份绑定。即便底层模型升级，身份仍然可以继续存在；其次是开放通信，Agent 之间通过共享消息系统交流，而不是私下传递信息。每条消息都会绑定发送者身份，并链接到原始资料，其他 Agent 可以查看、纠错和协作。Anthropic 同时将这些消息与 Agent 的完整运行轨迹交叉关联，以便监控系统能够追踪跨 Agent 的协同行为。

之所以测试这个数据，是因为随着前沿 AI 实验室越来越多地使用 AI 构建未来的 AI 模型，Anthropic 希望通过这些指标判断，世界距离 RSI 究竟还有多远。

Anthropic 想自动化整个 AI 实验室 

今年 6 月份时，Anthropic 就给出了演进路线：2021—2023 年主要还是人写代码；2023—2025 年开始使用 Chatbot 辅助；2025—2026 年进入 Coding Agent；今天则已经出现能够运行代码、把数小时工作继续委派给其他 Agent 的 Autonomous Agent。再往后的阶段，Agent 可能强到足以自己构建并训练模型，让未来版本的 Claude 由 Claude 持续改进。

当时，Anthropic 就表示“我们还没有达到”，并强调 RSI 并非必然出现。真正已经发生的，是通往这个闭环的若干中间步骤开始被工程化。

今年 5 月，Anthropic 称，合并进正式代码库、能够归因于 Claude 的代码已经超过 80%；第二季度，典型工程师每天合并的代码行数约为 2024 年的 8 倍。不过 Anthropic 随即提醒，代码行数只衡量数量、不衡量质量，因此“8 倍”几乎肯定高估了真实的生产力增幅。

在一个目标和成功标准都预先固定的小模型训练优化实验中，Opus 4 在去年 5 月平均只能把起始代码加速约 3 倍，今年 4 月的 Mythos Preview 则已经达到约 52 倍；Anthropic 用这个例子说明，在“目标明确、可以不断实验”的研究环节里，模型能力进步得非常快。

Anthropic 认为，目前人类仍然拥有明显比较优势的地方，是研究品味和判断力，即决定什么问题值得研究、哪些结果可信，以及什么时候一条路线已经进入死胡同。

因此，Anthropic 如今披露的数据可以认为就是在试图衡量一家 AI 实验室中，必须由人完成的那部分工作，还剩多少？

放眼整个行业，Anthropic 并不是唯一一家开始认真回答这个问题的公司。

OpenAI 已经成立了专门的 RSI 团队；Google DeepMind 正式把 RSI 列为 AGI 通向 ASI 的潜在路径之一；今年刚刚公开亮相、由田渊栋等人联合创办的 Recursive，更直接把“递归自我进化的超级智能：让知识发现实现自动化”写在了官网首页。

虽然目标一致，但几家公司实际上没有在走完全相同的路。

OpenAI 在 Scale“AI 研究员” 

OpenAI 与 Anthropic 路线很接近，但关注点并不完全一样。OpenAI 现在的目标非常明确：建立自动化的 AI 研究员。

今年 9 月，OpenAI 表示，公司已经达到此前设定的自动化“AI 研究实习生”目标。所谓 AI 研究实习生，指的是一个可以在人类指导下完成定义明确的研究任务的系统，包括过去需要熟练研究员数天完成的工作。OpenAI 下一阶段的目标，则是在 2028 年 3 月前进一步迈向自动化 AI 研究员。

这种变化已经开始反映在内部工作量上。今年 6 月以前，OpenAI 研究组织里 Agent 总运行时长还少于人类工作量；到了 8 月中旬，如果按一个工作日 8 小时折算，人类每工作 1 天，AI Agent 会并行运行约 24.8 小时。越来越多研究人员还在同时启动多个 Agent。不过，OpenAI 自己的数据也显示，高层规划目前仍只占 Agent 输出 Token 的很小一部分。

OpenAI 同时强调，现在仍然是人来设定研究优先级，判断哪些想法和结果值得继续，以及决定一个系统应该 Scale、暂停还是部署。这与 Anthropic 情况相似。

当下，OpenAI 还在继续向前推。OpenAI 正式的 RSI 团队横跨研究、工程、产品和基础设施，官方描述就是构建能够“加速、并最终开展高质量 OpenAI 研究”的 AI 系统，评估能力则包括研究判断、假设生成与验证，以及长周期实验执行等。

OpenAI 的招聘岗位信息

这说明，OpenAI 并不要求第一步就是“GPT 直接打开自己的权重修改自己”，只要 AI 能够承担越来越多的真实模型研发活动，AI 研究能力就可能变成一种可以通过推理算力扩大的生产资源。

OpenAI 首席科学家 Jakub Pachocki 在近期文章《An Alien Mind》就表示，如果 AI 持续进步，机器智能越来越深地参与自身研发是长期技术进步的自然结果，并将自动化 AI 研究称作一种更为激进的“通过算力拓展智能”。OpenAI 也明确表示，正在把研究进一步指向 RSI。

不过，Pachocki 强调，上面的判断并不意味着整个研究界现在就应该大幅加快深度学习研究，相反需要“有意识地选择如何前进”。他还表示，目前还没有任何实验室已经把对齐和监控做到位，以保证能够长期最大速度 Scaling。

OpenAI 也表示，目前并不知道怎样安全走到“对齐的完整递归自改进”，如果风险无法得到充分控制，会考虑放慢或停止相关系统的开发或部署。

因此，OpenAI 目前就是一边把 AI 研究员规模化，一边研究 RSI 应该以多快的速度继续。

对比 OpenAI Scale AI 研究员，Anthropic 更倾向 Scale 一座越来越 Agent 化的虚拟实验室：Coding 还有多少需要人、实验还有多少需要人、研究协作还有多少需要人、最后连“研究什么”的判断会不会也逐渐被 Claude 掌握。

Google 优化“如何寻找答案” 

相比之下，Google 最近在 RSI 上展现出了另一条更偏“搜索与发现机制”的路线：不仅让 AI 寻找更好的答案，也开始让它改进“寻找答案的方法”。

9 月 2 日，Google 发布 Gemini 3.8 系列模型时，披露了一个此前较少公开的模型研发细节。Google 表示，模型除了共享同一套基础智能，还借助了长时间运行的 Agent 循环来进一步加速研发，这些循环被设计用于“递归评估和改进底层模型”。

这并不意味着 Gemini 3.8 已经能够自主训练下一代 Gemini。Google 目前也没有披露这些 Agent 循环究竟参与了模型训练、数据、评测还是后训练流程中的哪些具体环节，以及多少研发工作已经实现自动化。不过，这至少说明 Agent 已经不只是被用于写代码或优化外围基础设施，而开始进入底层模型的迭代过程。

不到两周后，这条路线又向前推进了一步。

9 月 14 日，来自 Google、Google DeepMind、马里兰大学和弗吉尼亚大学的研究团队发布论文《Dream-RSI：通过演化世界实现递归自我改进》（Dream-RSI: Recursive Self-Improvement through Evolving Worlds），尝试解决自动化 AI 研究中的另一个问题：如果 AI 已经能够不断提出候选方案，能不能进一步让它学会“怎样探索才更有效”？

过去包括 AlphaEvolve 在内的大量自动发现系统，已经能够让模型生成候选算法，再通过 Evaluator 运行、打分和筛选，让更好的候选方案进入下一轮搜索。但 Dream-RSI 关注的并非某一个具体答案，而是控制整个发现过程的探索策略（exploration policy）。

在这套框架中，Agent 首先按照当前策略进行真实探索，产生一棵记录不同尝试、分支和结果的“Discovery Tree”。这些历史会被重新组织成一个可反复利用的 Replay Simulator。系统随后可以在这个历史模拟器中测试大量不同的探索策略，例如下一步应该继续哪条分支、什么时候开辟新路线、多少任务应该并行，以及什么时候应该停止搜索。

由于这些分支的执行结果已经在此前真实实验中产生，系统无需重新调用底层 Agent、重新运行代码和 Evaluator，就可以低成本比较不同策略。经过筛选后的新策略再投入真实任务，产生新的探索历史；新的历史又被加入模拟器，继续支持下一轮策略改进。

整个过程因此形成：真实探索 → 积累历史 → 构造 Replay Simulator → 改进探索策略 → 重新真实探索 → 获得更多历史。研究团队将其称为在 meta-exploration layer（元探索层） 上闭合的 RSI 循环。

值得注意的是，在实验中，Coding Agent、Evaluator 和执行接口都保持固定，真正变化的是位于上层、决定“算力该往哪里投入”的探索策略。也就是说，模型本身不一定需要立即变得更强，同一个 Agent 也可以通过改进研究和探索方法，获得更好的发现效率。

这也与 Google 今年对 AI 科学研究瓶颈的判断相呼应。今年 7 月，Google DeepMind 多位研究人员提出，随着 Agent 生成假设和候选方案的成本快速下降，科学研究可能面对新的 “验证瓶颈”：想法会变得越来越便宜，但确认一个想法真正成立依然昂贵且缓慢。尤其在生命科学等领域，现实实验的速度不会随着模型生成能力同步提高。

无论是 AlphaEvolve 依赖自动 Evaluator，还是 Dream-RSI 利用已经验证过的真实执行结果构造 Replay Simulator，Google 这条路线都有一个明显特征：探索可以越来越自动化甚至开始自我改进，但验证始终是整个循环的锚点。

另外，今年 6 月，Google DeepMind 在《From AGI to ASI》一文中，并没有把 RSI 写成 AGI 通向超级智能的唯一道路，而是列出了四条可能路径：继续 Scaling 现有 AGI、出现新的 AI 范式、RSI 以及从大规模多智能体集群中涌现 ASI。DeepMind 同时强调，每条道路都可能遭遇不同的摩擦和瓶颈。

这意味着，在 Google 的框架里，未来未必必须出现一个“Gemini 自己训练下一代 Gemini”的单体系统，还有可能是，模型、Agent、搜索算法、评估器和工具等共同构成一个能力远超单一模型的科研系统。

Recursive 更激进：让研究本身能够“递归” 

相比三家巨头，田渊栋参与创办的 Recursive 从一开始就把“RSI”作为公司的核心目标。

公司首先聚焦 AI 科学本身，也就是“构建可优化 AI 的 AI”，再把这套方法扩展到其他科学领域。Recursive 判断，真正重要的不只是让 AI 完成更多现有研究任务，而是建立一种可以持续产生新发现、并让新发现继续推动后续创新的开放式机制。

这与传统的“自动化科研 Agent”有一个明显区别。普通科研 Agent 可以接受一个目标，然后写代码、跑实验、分析结果，再给出答案；Recursive 更关心的是，这一轮实验得到的知识能否真正进入下一轮研究，并改变后续探索方式。

其认为，递归思路会得出一个合乎逻辑的结论：通往超级智能的最快路径，将由能够递归自我改进的 AI 实现；而这一过程依靠开放式算法，持续催生无尽创新。该公司用生物进化和文化演化作类比：每一次有价值的发现都进入一个不断扩大的“档案”，后续创新继续建立在此前成果之上，而不是每次从头开始。

今年 6 月，Recursive 首次公布了其自动化 AI 研究系统的早期结果。它已经能够围绕一个明确目标完成“提出想法—实现—运行实验—验证结果—根据结果选择下一次实验”的闭环，同时并行运行多条长期研究线程，保留过去实验中的有效上下文，合并有希望的研究分支，并在将性能提升认定为真实进展之前检查 reward hacking 和实验方差。Recursive 将其定义为迈向自动化 AI 研究的第一步，而不是已经完成 RSI。

可以看出，Recursive 试图把“科研进步”做成一个可以连续运行的系统，而不是一次性的 Agent 任务。

田渊栋此前也表示，当前模型还无法取代顶尖研究员，完全自动化短期不会到来。Recursive 现阶段更现实的起点，是先把‘提出想法—实现—实验—验证—继续迭代’这样的研究循环跑通。”只有当这个循环能够不断积累，AI 才可能从“帮助研究”逐步走向“改进研究过程本身”。

这也是其与 OpenAI 路线的差别：OpenAI 更强调把 AI 研究员做得越来越强，并通过更多推理算力扩大研究劳动；相比单次实验提速，Recursive 更强调研究过程能否形成长期积累：这一轮发现是否能帮助下一轮搜索更加有效，并最终产生持续的复利。

Recursive 当前公开工作中另一个反复出现的问题也是验证。

随着搜索能力增强，系统越来越可能通过钻评测漏洞获得更高分，而不是产生真正更好的方案。在 SOL-ExecBench 中，部分候选 Kernel 就曾利用缓存、持久状态或计时机制获得虚假的性能优势。为此，Recursive 把越来越严格的正确性检查直接纳入研究循环，并明确提出：随着搜索系统变强，Evaluator 也必须同步变强。

Recursive 认为，让系统解决“任务真正想解决的问题”，而不是只满足指标表面的要求，会是自动化知识发现和安全递归自我改进中的长期挑战。这也可以看出，Recursive 距离完整 RSI 也很远。

完整 RSI 尚未到来，但中间环节正在成为真实工程 

最后，有一个问题必须明确：到底做到什么程度才算 RSI。AI 帮工程师写训练代码算不算？Claude 优化一个训练程序算不算？AlphaEvolve 优化训练 Gemini 的 Kernel 算不算？AI 自己提出、运行下一次实验又算不算？

METR 今年专门讨论过这个问题。它指出，今天不同研究者对 RSI 使用着明显不同的定义，但共同核心都是“模型能力到模型改进之间存在反馈”：有人只要出现这个反馈就称之为 RSI，也有人只有在反馈强到足以造成超指数增长，甚至完全自主增长时才使用这个词。

这反而能帮助理解今天几家公司的真实位置。其中，Anthropic 明确将 RSI 定义为：一个模型能够完全自主地构建自己的继任者。

现在，已经相当明确、且大部分模型公司在走的是：AI 能力变强 → AI 能够承担更多 AI 研发工作 → 人类和 AI 可以运行更多实验、探索更多候选方案。但更完整、严格意义上的递归自我改进，至少从目前公开信息看，没有一家公司声称已经达到。关键研究判断不长期依赖人类提供这一点，就很难做到。

不过，过去构成 RSI 的那些中间环节，确实正在迅速从理论讨论变成真实的工程系统。