自我改进的 AI，预测从 2028 提前到了 2027

实验室里最稀缺的已经不是算力，而是「下一个实验该跑哪个」的判断力。现在，有人给这种判断力造了把尺子。

一、发生了什么

研究机构 P-Zero Research 发布了一个叫 TasteVal 的评测，专门量「科研品味」：给模型定好研究目标后，看它会不会设计实验、能不能正确解读结果。人类基线来自 24 位专家，履历覆盖多家头部实验室，每个任务至少两人做，取最好成绩。表现最好的模型是 Anthropic 的 Opus 5.5，用不到一半的实验算力达到了专家水平。这个基准一共八道任务，覆盖训练数据挑选、模型微调、对抗性攻击防御等方向，所有实验都由固定的编程智能体在单块 H100 显卡上执行，每次以 40 GPU 小时或 120 小时为上限——出题方刻意把写代码的能力剥离出去，免得比的是工程而不是判断。按该团队的口径，头部模型的这项能力自 2025 年 12 月以来大约每三个月翻一倍，而且单次实验的成本只有人类专家尝试的约三十分之一。Anthropic 联合创始人 Jack Clark 看完这组数，把「AI 自己训练出更强后代」的预期从 2028 年提前到了 2027 年——他今年 5 月还只给 2027 年底 30% 的概率，一年后就开始改口。

二、跟你有什么关系

如果你是 AI 从业者，注意争论焦点变了：从「模型考试多少分」转向「模型能不能替你做研究决策」，这会直接影响你该学什么、留哪类人。如果你是企业里负责引入 AI 的，这意味着模型更新换代可能加速，采购合同里的锁定条款要格外小心。如果你只是普通用户，短期没影响，但「AI 做研究」的公共讨论会越来越密，别被吓着也别不当回事。

三、怎么判断

1. 看测什么：这个基准只考设计和解读实验，不考选题，而选题恰恰被公认是科研直觉的核心。测出来的强，只是局部强。
2. 看基线：24 人对照组里没有公认的顶级研究员，模型赢了他们，不等于赢了人类科学的上限。
3. 看立场：Clark 自己参与创立的公司正好登顶这个榜单，预测天然有利益倾向。他自己也承认存在偏差。
4. 看旁证：复旦团队分析自家模型研发发现，AI 能提出多达 55% 的方法学方案，但最终决定 85% 以上仍由人拍板，短期替代不了研究者的判断。

四、三个别信的说法

「RSI 马上就来了。」 论文作者自己写明结果可能高估了进步速度：这类任务验证快、成本低，正是实验室最容易优化出分的地方。一个基准撑不起一条时间线。

「翻倍速度铁定持续。」 报告给出的翻倍周期区间宽到 1.7 到 5 个月，而且此前几年增长一直很慢，曲线变陡才刚满一年。是不是长期趋势，单次测量说不清。

「AI 已经能独立做科研。」 至今没有任何证据显示模型在自我改进。Anthropic 官方口径也是「尚未实现，但可能来得比多数机构准备好更早」。

五、一句话结论

预测提前一年的信号值得记下，但发信号的人同时在赛跑里下了注。

信息来源

• The Decoder 关于 Clark 修改预测时间的报道，2026 年 10 月 25 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 26 日。