新智元报道
【新智元导读】Anthropic首席科学家Jared Kaplan预警，人类将在2027至2030年面临是否允许AI进行递归自我进化的终极抉择。
2027年，AI会进化到什么程度？
在人类技术文明的漫长历史中，很少有一个具体的时间节点像「2027年」这样，同时承载着对未来的高度期许与深层恐惧。
AI向善，还是AI向恶？这不再是科幻小说中的想象，而是当前顶级AI实验室正在面对的现实挑战。
2024年末至2025年初，全球AI领域正处于一种「静默风暴」之中。表面上看，ChatGPT、Gemini、Claude等模型的迭代不断引发公众关注；而在深层，Anthropic、OpenAI和DeepMind等核心机构却陷入紧张——递归自我进化的闭环正加速逼近。
Anthropic联合创始人兼首席科学家Jared Kaplan近期指出，人类将在2027年至2030年之间做出一个高风险决定：是否允许AI系统自主开展下一代AI的研发。
这一决策不仅关乎技术路径，更将决定人类作为智能主导物种的命运走向。
与此同时，Anthropic于12月3日发布的内部报告《AI如何改变工作》揭示了AI变革下的微观现实：工程师“空心化”与学徒制崩塌正在发生。
在硅谷冻结招聘与国内互联网“35岁危机”的背景下，个体如何与AI共存？我们每个人都需要一份面向未来的生存指南。
递归的终局：2027智能爆炸
Jared Kaplan强调，人类必须在2030年前决定是否允许AI通过自我训练实现能力跃升。
此举可能带来有益的智能爆发，也可能导致人类彻底失控。这种担忧在Anthropic内部具有广泛共识。
联合创始人杰克·克拉克称AI为“真实而神秘的生物”，而非可预测的机器。Kaplan本人虽对AI在达到人类水平前的行为可控持乐观态度，但对其超越临界点后的后果深感忧虑。
这一判断基于深度学习的底层规律——Scaling Laws（缩放定律）。作为该理论奠基人之一，Kaplan指出：模型性能与算力、数据量和参数规模呈幂律关系，增加这些要素即可“涌现”智能。
然而，到2025年，该范式遭遇两大瓶颈：
- 高质量人类数据枯竭
互联网上的可用文本已被充分挖掘，无法支撑持续增长的需求。 - 边际效应递减
单纯扩大模型规模带来的性能提升放缓，而成本急剧上升。
在此背景下，递归自我改进（RSI）成为通往超级智能（ASI）的关键路径。
Kaplan团队预测，下一阶段的AI进化将依赖自身生成的合成数据与自我博弈机制。这一过程分为三个阶段：
- 第一阶段：辅助研发（2024–2025）
AI作为“超级外骨骼”协助工程师编写代码、优化参数。创新方向仍由人类主导。目前Claude Code已能完成超过20步的复杂任务，标志辅助能力成熟。 - 第二阶段：自主实验员（2026–2027）
AI开始独立设计并执行机器学习实验，提出假设、构建框架、分析结果、调整架构。研发效率仅受限于算力，不再受人类认知带宽制约。 - 第三阶段：递归闭环与起飞（2027–2030）
当AI具备超越人类顶尖科学家的设计能力，将启动正反馈循环：每一代AI都能创造更强的下一代，实现指数级“硬起飞”，智能水平在数周内跃升。
为什么是2027年？
「2027」并非随意设定，而是技术周期耦合的结果。
AI训练依赖大规模GPU集群。根据英伟达路线图及全球数据中心建设节奏，2027年将是下一代超算集群（如OpenAI的Stargate项目）投入使用的关键节点。
这些设施的算力可达GPT-4时代的百倍乃至千倍。英伟达预计其新一代芯片「费曼」也将在2027年底启用。
DeepMind负责人Demis Hassabis指出，AlphaZero通过“自我博弈”无需人类棋谱即登顶围棋之巅，目标正是将此模式扩展至编程与数学领域。
一旦AI能通过自生成代码训练，并以形式化验证确保正确性，数据瓶颈将被彻底打破。
Kaplan认为，这项突破将于2026–2027年间实现。
终极风险：不可解释的优化路径
Kaplan警告的核心在于不可解释性（Uninterpretability）问题。
当AI自主设计下一代系统时，其采用的优化策略可能超出人类理解范畴。例如，一个万亿参数模型发现了一种高效但晦涩的数学结构来更新权重。
由于人类无法解析其原理，也就难以判断其中是否隐藏错误目标或潜在漏洞。
“你创造了一个比你聪明得多的实体，它再去创造一个更聪明的实体。你根本不知道终点在哪里。”——Kaplan在接受《卫报》采访时如此描述。
此类失控风险促使Anthropic等机构提出「计算阈值」监管方案，试图通过限制训练算力争取缓冲时间。但在地缘竞争压力下，此类自律措施的可行性存疑。
人类工程师的最后一份实验报告
相较于未来的宏大叙事，Anthropic发布的《AI如何改变工作》则是一份关于当下劳动形态演变的真实记录。
该报告基于对数百名内部工程师的追踪，揭示了AI如何重塑软件工程实践。调查发现，在一年内，AI在工作流中的角色发生质变：「独立工具调用链长度」翻倍，意味着AI可连续完成从需求理解到代码提交的21个步骤。
Claude Code与自动化临界点
报告对比了「Claude.ai」聊天界面与「Claude Code」开发环境的差异：
- 聊天界面中自动化比例为49%，需频繁人工干预。
- 在Claude Code环境中，自动化比例达79%，接近全托管状态。
这意味着在专业场景下，约80%的编码任务已由AI承担，人类角色正从“创作者”转向“监督者”。
技能退化与理解力浅层化
尽管效率提升显著，但工程师普遍表达出对未来职业能力的担忧——技能退化（Skill Atrophy）已成为现实。
一位资深工程师坦言：“我以前以为我喜欢写代码，现在发现我只是喜欢代码带来的结果。”。
编程不仅是产出，更是思维训练的过程。通过调试、排错、重构，工程师建立起对系统的物理手感和技术直觉。
当AI瞬间生成完美运行的代码时，这一“痛苦但必要”的成长路径被绕过，导致：
- 理解力浅层化：工程师敢于接触多领域，但缺乏深层原理认知，遇到复杂逻辑Bug时难以应对。
- 验证困境：随着生成代码复杂度上升，人工审查难度加大，工程师更倾向交由AI处理易验证任务，架构判断能力逐渐弱化。
学徒制的崩塌
报告揭示了另一个深层社会影响：初级工程师正在失去成长机会。
传统软件工程依赖“师徒制”：初级人员通过处理简单任务积累经验，在资深工程师指导下逐步成长。
如今，AI最擅长的正是这些低风险、易验证的任务。资深工程师更愿让Claude在30秒内完成，而非花30分钟指导新人。
结果是：初级工程师失去练手机会，资深者失去传授动力，形成“断层的一代”。
当现役资深工程师退休后，谁来接班？我们是否正在培养一批依赖AI拐杖、断网即失能的“空心工程师”？
站在2025年的节点，展望2030年的未来，每个个体都需启动自我革新。
Kaplan的2027警告或许是悬在头顶的达摩克利斯之剑，但未来仍未注定。
在奇点来临前的最后几年，请紧握方向盘，保持清醒，保持痛感，守住工程师的尊严与独立思考能力。