Claude已主导26%的研发：AI进步的速度，该怎样量？

过去，我们通常在新模型发布时感知AI进步：一道难题被解开，一项基准刷新纪录，一段代码终于可以自动跑通。可当AI开始参与下一代AI的研发，真正决定进度的变化，已经发生在发布会之前。

Anthropic在这篇文章中公布了一个内部快照：截至2026年8月，按其研发自动化指数，Claude已主导26%的模型研发工作，超过90%的工作达到“AI协作”或更高等级；在接受测量的任务类别中，尚无一类达到完全自主。与此同时，公司最常用的内部Agent平台，在任一时刻约有3万个Agent从事研究和工程工作。[1]

这些数字提出了一个更具体的问题：当AI越来越多地参与制造自己的后继模型，外界怎样知道研发正在加速到什么程度，又怎样判断监督是否跟得上？Anthropic给出了三组刻度：工作交给AI多少、行动受到怎样的监督、算力究竟流向哪里。

01｜26%的真正含义：谁在推进工作，谁在做决定

这个26%，来自Anthropic新提出的研发自动化指数。它采用Epoch AI的六级量表，从AL0“没有AI参与”，到AL5“无需人类在环、完全自主”。眼下最关键的变化，发生在AL3和AL4之间。[2]

AL3意味着AI协作：人类密切指导，AI完成大块工作。AL4意味着AI主导：人类给出较高层级的目标，AI把大部分任务端到端推进，人类仍承担监督职责。两者的差别，在于人是否必须持续跟进过程、处理意外和决定下一步。

原文用修复故障数据流水线解释这个区别。处于AL3时，工程师拿着日志与初步判断找Claude，遇到新问题还需要决定怎么处理。处于AL4时，工程师可以把故障告警交出去，让Claude自行排查、修改、测试、比对结果并撰写说明，最后由人决定是否部署。到AL5，发现故障、确定范围、修复和上线才可以在无需人类介入的情况下完成。

因此，26%描述的是既定任务体系内、经过加权后达到“AI主导”等级的份额。它不能直接换算为减少了26%的员工，也不能说26%的科研决策已完全移交给机器。一个任务可以由AI推进绝大多数执行步骤，同时保留关键的人类批准节点。

这一区别对组织很重要。AI协作阶段，人主要提升自己的操作效率；AI主导阶段，人还需要学会给出清晰目标、设置交付标准、审阅结果。管理对象开始从“下一步怎么做”，转向“这项工作是否按要求完成”。这是本文对上述分级的组织层面解读。

图1｜Anthropic研发自动化指数原图。AL4“AI主导”的份额由2026年3月约1%升至8月26%；竖线为90%的测量区间。横向比较的是固定任务篮子下的加权份额，不是员工人数或精确工时占比。来源：Anthropic，指数版本v2026.07。

02｜一条迅速上升的曲线，是怎样测出来的

官方图表显示，AI主导的份额从2026年3月约1%，升至4月3%、5月12%、6月14%、7月22%，到8月达到26%。图中还标出了90%的测量区间。读这条曲线时，真正有价值的是沿用同一尺度观察变化，而不是把某个月的小数点当作精确的行业分界线。

这个指数背后有一套具体抽样程序。Anthropic在2026年7月的每一周，从构成模型研发流程的各部门随机抽取20%的员工，由Claude读取相关工作记录和内部文档，汇总出约1.5万个细粒度任务，再将它们组织成一棵含542个节点、378个叶节点的任务树。[3]

随后，一个研究Agent搜集每类任务怎样完成、谁参与、使用哪些工具的证据；另一个Claude评判实例给出自动化等级。判断某个月的情况时，只允许使用那个时间及之前的证据。任务树被固定下来，让各月测量尽量对准同一篮子工作。

各类任务也不是等权相加。每个人每周获得一个权重单位，平均分给其当周参与的任务：参与四项，每项0.25；参与十项，每项0.10。各类任务的权重再汇总。这是人员投入的粗略代理，并非逐项计时，所以不能把26%直接读成实测工时自动化率。

附录还披露了与人的交叉检查：模型与人类对等级的完全一致率为59%，人类之间为35%；模型和人的判断有97%相差不超过一个等级。这说明等级可以被讨论和复核，也说明“协作”与“主导”的边界仍有判断空间。它并不构成模型判断优于人的普遍证明。

固定任务篮子还有一个类似物价指数的问题：旧工作被自动化后，人可能转去做全新的工作。指数擅长说明旧任务发生了什么变化，却不能单独解释整个组织的岗位与研究方向如何变化。Anthropic计划定期重建任务篮子并更新版本。要连续读懂这条曲线，指数版本与抽样方法必须和数字一起公开。

03｜自动化增加，研发速度会按比例增加吗

26%本身并不是研发加速倍数。一个任务从人类执行变为AI主导，可能更快、更便宜，也可能只是降低了人类参与强度；整条研发链究竟缩短多少，还取决于它是否处于关键路径，以及有没有其他环节在等待。

假设一种纯粹用于说明的情形：某流程有一半时间用于可以加速的环节，另一半完全不变。即使前一半快了十倍，总耗时仍是原来的55%，整体速度约为1.82倍。这不是Anthropic的测量结果，而是提醒我们：局部能力提升与整体研发提速之间，还有调度、实验周期和瓶颈的约束。

反过来，时间也不是唯一收益。同样一个月里，如果研究团队能够尝试更多有差异的方法、复现更多结果、提早淘汰错误路线，科研产出可能已经改变，即使下一次大型训练的完成日期还没有变化。

所以，要理解“AI研发AI”的速度，自动化等级需要与其他证据一起看：从想法到有效实验的周期、关键决策需要等待多久、结果复现率、以及研究者能否真正理解和取舍产出。原文公布的是生产过程的一组指标，它为这些更难的问题建立了观察起点。

04｜3万个Agent同时工作，监督要看哪三件事

Anthropic披露的约3万个同时运行Agent，限定在其最常用的内部平台。对该平台，公司把监督分为在线和离线两类：在线监控在行动发生前检查并阻止或引导高风险行为；离线监控在事后阅读轨迹，寻找逐渐形成的问题。[4]

在线监控主要应对速度快、难以挽回的风险，例如模型权重被复制出系统。Anthropic称，该平台100%的Agent行动在执行前经过在线监控，检查通常在数秒内完成；已经被阻止的行动，由人类在一周内复核。“一周”说的是被拦截之后的人工复核时间，不能理解成危险操作可以先运行一周。

离线系统则接收该平台全部Agent活动。每周约有10万份轨迹被标记，再经过多个分类器筛除误报和初步审查，大部分在这个过程中得到处理，优先级最高的约50份升级给人类。这里的单位是轨迹，而在线拦截率统计的是决策；两组数量不能直接相除比较。

原文报告，2026年8月分析的在线决策超过10亿次，约0.002%被拦截，约合每4.7万次一次；离线系统则约每千份轨迹标记一至两份。比例看起来很小，规模却足以让稀有事件成为持续的运营负担。例如，若以恰好10亿次决策和0.002%作示意计算，也对应约2万次拦截；这不是原文披露的精确拦截总量。

读懂监督，需要同时看覆盖率、审查延迟和升级率。覆盖率回答多少行动经过检查；延迟回答多快发现并介入；升级率回答多少活动触发进一步处理。100%覆盖并不等于100%检出，低拦截率也无法独立证明风险很低——还需要检验监控器能否抓住已知危险行为、漏掉哪些行为，以及误报的代价。

05｜监督群体，还需要知道“这句话是谁说的”

附录里一个很有分量的设计，是给Agent保留独立身份，并让身份与底层模型分离。模型升级后，同一个Agent的记录仍可连续追踪；它产生的数据，也能追溯到具体身份。[5]

这个设计的意义超出了日志管理。一个Agent读取另一Agent的结论时，应当知道那是需要核实的外部主张，而不是把它当作自己已经确认过的判断。身份、出处和原始材料让协作中的错误更容易被定位，也有助于减少群体行动的相关性。

Anthropic还介绍了共享的开放消息系统：消息关联发送者身份，可以直接引用原始内容，并与Agent轨迹交叉链接。监督者由此有机会沿着一条结论追踪：谁提出、谁转述、谁验证、最后是谁据此行动。

在本文看来，这为多Agent治理提供了一个实用原则：通信的价值，不只在于信息传得快，也在于证据能够随着信息一起流动。一百个Agent重复同一个判断，并不自动构成一百份独立证据；如果它们都引用同一条未经验证的消息，系统需要能够看见这个共同来源。

06｜6%与12%：安全算力的分母，比数字更重要

第三组指标追踪算力分配。Anthropic检查了7月13日至20日的一周快照：流向AI研发的算力中，约6%用于安全；流向AI驱动的AI研发的算力中，安全占比约12%。两个比例使用不同的分母，不能相加，也不能直接推断AI研究安全的效率是人的两倍。[6]

分类标准强调工作目的：以让AI更安全、更可理解或更可靠为主的工作计入安全；如果一项工作对能力和安全贡献同样大，则没有计入上述安全份额。防护分类器消耗的算力也另行统计，未包含在这两个比例中。因此，把6%写成“公司全部算力只有6%用于安全”会改变原意。

算力比例的吸引力在于，它比一句“我们重视安全”更容易留下可检查的资源记录。附录说明，他们汇集已有算力监测来源，分类器读取训练和评测运行的元数据、代码，或AI研究Agent的会话；对那周近一万次训练和评测运行抽样约14%，并更多抽取高算力运行，让样本反映资源流向，而不是只数实验次数。

但支出只是投入，不能替代安全成果。某个监控器效率提高，使用更少算力完成同样检查，安全占比可能下降；某项需要大量人工思考的安全研究，算力消耗也未必高。更高比例可以体现资源选择，却不能直接证明防护更有效。

这项测量最有意义的用途，是在共同定义下做长期、可复核的比较。分类边界、基础标签质量、未能读取的工作记录、抽样方法，都必须随数字披露。一个星期足以展示测量可行性，还不足以证明趋势；这也不是固定的安全预算承诺。

07｜真正重要的，是让实验室的加速过程能被外界检验

把这三组测量放在一起，才能看出文章的完整意图。研发自动化观察工作的执行责任怎样移动；Agent监督观察这种变化是否仍可被干预；算力分配观察组织把资源投向哪里。它们分别提供生产方式、控制能力与资源方向的线索。

三组指标之间还需要交叉提问：如果AI主导份额迅速上升，人工复核是否出现积压？如果监控覆盖保持100%，单次检查的有效性有没有随任务复杂度下降？如果安全算力份额提高，是安全研究得到更多支持，还是当前防护方法本身更加昂贵？这些问题才让报表变成判断工具。

Anthropic计划引入多个组织的独立第三方评估者，让他们访问与内部风险评估团队相当的流程、系统和数据，用来核验安全实践、报告事件和监测指标。这里的关键是可复核的访问安排；一张由实验室自行生成的图表，距离一套外界可以持续验证的机制，仍有具体工程与制度工作要完成。[1]

公众不必掌握模型权重或商业机密，才能要求更可信的测量。固定口径、明确分母、披露延迟、抽样复核，以及对漏报和失败的独立测试，都能缩小实验室内部与外界的信息差。与此同时，跨实验室排名应等待足够一致的方法：两家公司都写着“AI主导26%”，背后的任务类别和权重不同，含义可能相差很大。

这篇文章带来的一个重要转向，是把关注点推进到了模型发布之前。AI能力榜单让我们看见新系统能做什么；研发自动化、监督和算力记录，则让我们开始看见这些能力是怎样被生产出来的。

当AI越来越多地参与研发下一代AI，理解进步速度就需要同时理解工作的组织方式与控制方式。谁在推进实验，谁在批准行动，谁能及时发现偏离，资源又在支持哪一种进步——这些问题的答案，决定了我们能否对加速作出有根据的判断。

资料来源与口径

正文数字均来自Anthropic此次披露；研发自动化及Agent监督以2026年8月为快照，算力以2026年7月13—20日为快照。本文据2026年9月19日读取的网页整理。

[1] 原文导言、三项测量及第三方核验计划

[2] 原文第1节：Measuring AI-led AI R&D，及脚注1的AL3—AL5案例

[3] 原文附录：Measuring AI-led R&D，抽样、任务树、权重和人工交叉检查

[4] 原文第2节：Measuring oversight of AI agents，在线与离线监控对照

[5] 原文附录：Oversight of agents，独立身份与开放通信

[6] 原文第3节及附录：Measuring compute allocation，算力口径与局限

Anthropic 原文：Measurements for understanding the pace of AI development inside frontier labs
https://www.anthropic.com/institute/measuring-pace-of-ai-development