【新智元导读】
2026年点亮持续学习，2030年实现全自动编程，2050年主导诺奖级研究……人类向AI让渡科学主导权的倒计时已然启动。
2026：持续学习之年
谷歌DeepMind研究员预测，2026年将成为AI「持续学习」关键落地之年；该能力或已在谷歌内部初步实现。
此前Jeff Dean在NeurIPS 2025炉边谈话中指出，当前大语言模型（LLM）核心痛点在于缺乏持续学习能力。去年底，谷歌团队通过「嵌套化方法」增强上下文处理能力，为持续学习提供技术路径。
持续学习是AI自我改进与能力涌现的核心机制。Anthropic CEO Dario Amodei亦表示，该能力将于2026年实现工程化应用。
实际苗头已现：Anthropic工程师披露，过去一个月其对Claude Code的全部代码贡献均由AI 100%生成；非技术背景开发者Ben Tossell四个月调用30亿Token，借助Claude Code自主完成50个项目，全程零编码干预。此时模型不再依赖训练迭代，而是在自编码过程中持续进化。
2030：全自动编程（AC）拐点
前OpenAI研究员Daniel Kokotajlo团队基于AI Futures Model预测：2030年有望实现全自动化编程（Automated Coder, AC），并有约25%概率于一年内跃迁至人工超级智能（ASI）。
团队将AC视为AGI研发进入自动化加速阶段的“开关”——一旦触发，ASI极可能快速起飞。
该模型以METR-HRS编码时间跨度基准为核心方法，通过能力趋势外推设定AGI所需有效算力，并沿此轨迹推演。AI软件研发自动化进程被划分为三个阶段：
- 自动化编程
- 自动化研究品味
- 智能爆炸
阶段1：自动化编程
AC定义为可完全替代AGI项目全部程序员团队的系统级能力。模型基于METR趋势外推，并综合考量供给约束、研发自动化加速效应及时间跨度增长模式等变量进行推演。
阶段2：自动化研究品味
研究品味指确定方向、设计实验、解读结果与提炼知识的能力，是决定研发效率的关键“方向感”。阶段2目标为预测AC向超人类AI研究员（SAR）演进所需时间，其中SAR定义为可完全替代所有人类AI研究员的系统。演进速度取决于：AC对AI研发的加速程度、AC出现时AI已有研究品味水平、以及研究品味本身的提升速率。
阶段3：智能爆炸
当AI研发实现完全自动化，即进入智能爆炸阶段，核心追踪里程碑包括：
— 超智能AI研究员（SIAR）：AI与顶尖人类研究员差距达后者与中位研究员差距的2倍；
— 顶尖专家级AI（TED-AI）：在几乎所有认知任务上达到顶尖人类专家水平；
— 人工超级智能（ASI）：在几乎所有认知任务上，AI与最强人类差距达最强人类与中位专业人士差距的2倍。
模拟显示，部分路径下AI可在数月内从SIAR跃升至ASI；但也存在需持续堆叠算力才能抵达ASI的“哑火”情形。模型提出「仅靠研究品味的奇点（taste-only singularity）」概念：能力翻倍完全源于研究品味提升，而非算力或代码能力增长。其是否发生，取决于“创新想法挖掘难度上升速度”与“AI研究品味提升速度”的博弈。
2050：AI主导诺奖级科研
Nature最新展望指出，到2050年，AI系统或将承担主流诺奖级科学研究任务。牛津学者Nick Bostrom预测AGI将于2050年前后出现，并具备回答“当前科学可解绝大多数问题”的能力。
伦敦Outsmart Insight联创Alex Ayad提出「黑灯实验室（lights out labs）」场景：AI算法驱动机器人实验员，24小时自主攻克生物技术难题，全程无需人类介入。由此催生技术-知识-新领域三重共生循环。
墨西哥国立自治大学物理学家Juan Carlos Hidalgo乐观估计，在AI辅助攻坚下，核聚变能源成熟前景“相当可期”。
