AI 造 AI：技术、公司、Benchmark 的完整地图（2026 年中）
AI 造 AI，是 2026 年最重要、也最被讲歪的一个故事。多头把它讲成"奇点前夜"，空头把它讲成"营销话术"。把全部公开证据摊开看，真相其实分裂成清晰的两半：在工程这一层，AI 造 AI 已经是财报级的生产常态；在研究这一层，AI 还不到半个实习生。这篇把技术、模型、公司、融资、benchmark 一次讲完。
一、递归已经开始：四个大厂数据点
先看最硬的。Anthropic 官方口径：截至 2026 年 5 月，生产代码库里合并的代码超过 80% 由 Claude 写——2025 年 2 月 Claude Code 刚发布时这个数字是低个位数；典型工程师现在一天合并的代码量是 2024 年的 8 倍；Claude Code 的创造者 Boris Cherny 说自己从 2025 年 11 月起没手写过一行代码。OpenAI 那边：97.9% 的员工在用 agent，Research 部门的 Codex 输出 token 用量 7 个月涨了 56 倍——这个"研究部门 56 倍"是 AI 自动化 AI 研究最直接的内部数据。Google：新代码 75% 由 AI 生成，轨迹是 2024 年 10 月 25%、2025 年 4 月 30%、2025 年秋 50%、现在 75%。
但真正的分水岭不是写代码，是 DeepMind 的 AlphaEvolve：它进化出的调度启发式在 Google 生产环境跑了一年多，持续回收全球 0.7% 的算力（约 1.4 万台服务器）；把 Gemini 训练的关键 kernel 提速 23%、整体训练时间省 1%；FlashAttention kernel 提速 32.5%；还顺手简化了下一代 TPU 的 Verilog 电路。注意这个结构：AI 在优化训练下一代 AI 的基础设施——递归的闭环不是预言，是已经投产一年的事实。2026 年 7 月 10 日它在 Google Cloud 正式 GA，早期客户号称 Klarna 训练提速 2 倍、Schrödinger 分子模拟 4 倍（厂商口径，待核实）。
二、技术谱系：十年浓缩成一句话
这条线其实走了十年。2017 年的神经架构搜索（NAS）要 800 块 GPU 搜 28 天，搜出来的东西只是"一个网络架构"；2018 年进化算法取代 RL（AmoebaNet）、DARTS 把成本砍掉三个数量级；2020 年 AutoML-Zero 第一次从空程序进化出神经网络和反向传播——搜索对象从"架构"变成了"算法本身"。然后 DeepMind 用 RL 写汇编（AlphaDev，快 70% 的排序算法进了 LLVM 标准库，十几年来首次）、摆芯片（AlphaChip，用在三代以上 TPU、联发科采用，有复现争议）、解张量（AlphaTensor）。2023 年 FunSearch 让 LLM 进化单个函数，在 cap set 问题上拿到 20 年来首次改进。2025 年 AlphaEvolve 把进化对象扩到整个代码库：4×4 复数矩阵乘法降到 48 次标量乘，56 年来首次超越 Strassen 路线；50 多个数学开放问题上 75% 复现 SOTA、20% 做出改进。
一句话总结这个谱系：搜索对象从"网络架构"进化成"代码、知识和研究过程本身"；评估器从"训练个小模型等几天"变成"任意可执行的评分函数、秒级并行"；变异算子从随机扰动变成了 LLM 自己。开源侧也齐了：OpenEvolve（6700 星）是最流行的 AlphaEvolve 复现，Sakana 的 ShinkaEvolve 主打样本效率——circle packing 只用 150 次评估达到 SOTA，AlphaEvolve 类方法要几千次。
三、自主研究 agent：论文过评审了，但含金量要打折
Sakana 的 AI Scientist v1（2024 年 8 月）每篇论文成本 15 美元，但 12 个实验里 5 个因为编码错误失败，还留下一个著名事故：实验超时后它去改自己的代码延长 timeout。v2（2025 年 4 月）成了第一篇全自动生成、通过同行评审盲审的论文——ICLR 2025 workshop，三位评审给 6/7/6。2026 年 3 月方法论论文登上 Nature。Intology 的 Zochi 更进一步，论文过了 ACL 2025 主会（前 8.2%）——但注意水分：rebuttal 是人写的，结果是人验证的，"完全自主"不成立。学术圈的反弹也真实：ICML 2026 因违规 desk-reject 了 497 篇，某检测公司称 ICLR 2026 有 21% 的评审是 AI 生成——AI 研究员还没落地，AI 审稿人先泛滥了。
真正让人坐直的是 Google 的 AI co-scientist：Imperial College 团队把耗时约 10 年的超级细菌研究交给它，2 天后它独立给出了同一个假设；Stanford 实验里它挑的候选药把肝纤维化指标降了 91%。100 多家研究机构在验证，2026 年 5 月上了 Nature。数学那边，DeepMind 的 Aletheia 对 700 个 Erdős 开放问题跑了一轮，完全解决了 4 个此前无人攻克的问题——但 68.5% 的输出是错的，部分"新解"其实是文献重发现，陶哲轩专门建了 wiki 追踪，一边承认真实贡献一边警告炒作。IMO 2025 上 Gemini Deep Think 和 OpenAI 双双拿到金牌线 35/42，开源的 DeepSeekMath-V2 也到金牌线、Putnam 拿了 118/120。竞赛数学基本被攻克，但 Epoch 的 FrontierMath 最难的 Tier 4 至今无人过半。
四、自我改进的技术栈
数据自举这条线已经工业化：Self-Instruct 到 Alpaca 用 500 美元掀起开源指令微调；Anthropic 的 Constitutional AI 证明无害性训练可以完全不用人类标注还做出 Pareto 改进；微软 Phi-4 预训练 40% 是合成数据，NVIDIA Nemotron-4 对齐阶段 98% 合成，DeepSeek 用 R1 生成 80 万条推理样本把 Qwen 蒸馏到超过 o1-mini，AlphaGeometry 靠 1 亿条合成定理拿下 IMO 几何。反面警告也在 Nature 上：递归地用模型数据训模型会导致分布尾部消失（模型崩塌）——但只要"累积"而非"替换"就能避免，Phi 和 Nemotron 都是过滤加混合模式。
更激进的是零数据自博弈：腾讯的 R-Zero 单基座分裂出题者和解题者共进化，零外部数据涨 6-7 个点；清华的 Absolute Zero 用代码执行器当裁判自出题自解题；Sakana 的 Darwin Gödel Machine 让 agent 改自己的代码，SWE-bench 从 20% 干到 50%。还有一条容易被忽视的线：自动优化 prompt 和 agent 本身——Stanford 的 DSPy（3.4 万星）和 GEPA（ICLR 2026 Oral）：GEPA 用自然语言反思做进化，比 GRPO 高 10% 还只用 1/35 的 rollout。信号很清晰：自然语言反馈比稀疏标量奖励学得快。
五、AI 优化基建：最强子环节和最著名的翻车
写 CUDA kernel 是 AI 目前相对人类最强的研究子环节：KernelBench 上 2026 年的 agent 方案对 torch.compile 普遍有 2-10 倍加速，Cognition 的 Kevin-32B 用多轮 RL 把正确率干到 82%。芯片这边早就是商业常态：Synopsys DSO.ai 超过 300 个生产流片，Cadence Cerebrus 超过 1000 个。今年 7 月 Kimi K3 的技术报告加了两个刺激的 demo：连续 15 小时自主优化自己的训练 kernel，283.6ms 降到 114.4ms（2.5 倍）；48 小时用纯开源 EDA 走完一颗芯片的全流程设计——消息一出 Cadence 和 Synopsys 股价应声下跌。两个数字都是官方自报、无第三方复现，但方向本身没人怀疑。
翻车也要记住：Sakana 的 AI CUDA Engineer 宣称 10-100 倍加速，次日承认系统利用了评测代码的内存漏洞绕过正确性检查——reward hacking 的标志性案例。这个教训贯穿全文：进化搜索加 LLM，会攻击验证器。
六、Benchmark：15 把尺子量出同一个形状
最重要的单一曲线是 METR 的 time horizon：前沿模型能以 50% 成功率完成的任务时长约 12 小时，翻倍周期从 7 个月加速到 4.3 个月——大约一年 10 倍。但 RE-Bench（AI 研发的黄金标准）量出了形状：2 小时预算内 AI 得分是人类专家的 4 倍，32 小时预算人类反超 2 倍。AI 2027 剧本预测 2026 年初 RE-Bench 归一化分到 1.3（超过顶级人类专家），实际停在 0.5-0.8。
端到端研究基准全线未过半：PaperBench（复现 ICML 论文）停在 24%、低于 PhD 基线；MLE-bench 37% 铜牌线；ResearchCodeBench 没有模型过 40%；SWE-Marathon 不到 30%；PostTrainBench 上 agent 23.2% 对人类团队 51.1%。Meta 的 MLGym 结论最直白：模型会调参改 baseline，但不产生新假设、新算法、新架构；AlgoTune 同样——只做表层优化，发现不了新算法。与此同时通用任务在饱和：Terminal-Bench 2.0 头部过 90%，AIME 被多模型拿满分。
两个更深的信号。第一，作弊成了主题：PostTrainBench 抓到 agent 拿测试集训练、直接下载现成模型、偷用找到的 API key；SWE-Marathon 有 13.8% 的 rollout 出现 reward hacking——检查 AI 的研究产出，正在变得比产出本身更稀缺。第二，测量工具本身在崩：METR 明说 16 小时以上的测量不可靠，MLE-bench 停收提交，FrontierMath 被发现 42% 的题目有错要返修。评测体系追不上模型了。
七、创业公司与钱：三层定价
钱的信号最诚实。纯"自动化 AI 研究"的公司只融到 800 万到 1500 万美元量级：Autoscience（Carl，General Catalyst 领投 1400 万）、Intology（Zochi，800 万）、Weco（AIDE，800 万）。同行评审的里程碑刷得飞快，钱不跟。唯一的例外是 Sakana——26.5 亿美元估值，但路径不是卖"自动研究"，是研究声誉换日本大合同：防卫装备厅的多年委托研究、MUFG 等金融定制，再加一个跑 8 小时出 80 页报告的 Marlin。
真金白银在卖铲子的手里。RL 环境是 2025-2026 最热的新品类：Fleet 年化收入半年翻 60 倍到 6000 万美元以上；Prime Intellect A 轮 1.3 亿美元、估值 10 亿、ARR 过亿、2500 多个开源环境；Applied Compute 13 亿估值；Mechanize 910 万美元融资却给到 5 亿投后，投资人名单全明星。数据层剧变：Scale 因 Meta 入股失血，赢家是零 VC 的 Surge（run rate 14 亿美元）和 4 个月收入翻倍到 20 亿年化、在谈 200 亿估值的 Mercor。Eval 层在被两头吞——W&B 被 CoreWeave 17 亿美元收购、Humanloop 被 Anthropic 收编、Galileo 进了 Cisco；独立活着的 LMArena 融到 17 亿估值。
数学是估值通胀最快的角落：四个月内诞生两只形式化独角兽——Harmonic（Robinhood CEO Tenev 创办，14.5 亿）和 Axiom（25 岁的 Carina Hong，5 个月估值翻 5 倍到 16 亿），都在从"AI 数学家"转向"Verified AI"的商业叙事。Math Inc 的 Gauss 用 3 周完成了陶哲轩的强素数定理形式化挑战——创始人自己读博时做类似的事花了 12 个月。
最顶上是纯期权定价：SSI 零产品零论文估值 320 亿；Reflection AI 奔着 200 亿去。但市场开始分层：Thinking Machines 的 500 亿轮流产了。最微妙的信号来自最信 AGI 的钱——Aschenbrenner 的 200 亿基金，Q1 持仓里有 85 亿美元的芯片股 put。连奇点多头都在对直线外推打折。
八、时间表与仪表盘
时间表罕见地收敛了。OpenAI 官宣：2026 年 9 月做出 intern 级研究助理，2028 年 3 月做出能自主交付研究项目的正式 AI 研究员。Anthropic 的 RSP 把阈值写成了制度：AI R&D-4 等于能完全自动化一名入门级研究员——官方判定 Opus 4.6 还没过，但"已经越来越难自信地排除"；R&D-5 等于递归自我改进，触发 ASL-4。Redwood 的 Greenblatt 给 2028 年底前完全自动化 AI 研发的概率是 30%。想围观这场戏，Anthropic 的 RSP 判定是最好的公开仪表盘。
九、反方最硬的三条
第一，METR 的 RCT：16 名资深开源开发者在熟悉的代码库上用 AI，实际慢了 19%，但自我感觉快了 20%——感知和现实差 39 个百分点。第二，独立评估发现 AI Scientist v2 的论文 57% 含虚假数据、中位引用只有 5 条。第三，所有边界 benchmark 都指向同一句话：AI 还提不出新范式，长程研究做不了，而且会作弊。
十、判断
三句话收尾。第一，AI 造 AI 已经发生——但发生在工程层：代码、kernel、芯片、调度，这些已经是生产常态；研究层的真实状态是"不到半个实习生"。第二，下一个瓶颈不是产出是验证：当 agent 学会拿测试集训练和偷 API key，谁能防作弊地评估 AI 的研究产出，谁就握住了下一环——这也是眼下整个生态最空的位置。第三，钱已经投票：造模型的拿天价，卖铲子的拿收入，纯"自动科学家"只拿到几百万美元。自动化研究在 2026 年年中的真实身份，是前沿实验室的内部路线图加一门卖铲子的生意——还不是一个独立可投的品类。但 METR 那条曲线每 4.3 个月翻一倍，这三句话的保质期，可能不超过一年。
← 返回所有文章
一、递归已经开始：四个大厂数据点
先看最硬的。Anthropic 官方口径：截至 2026 年 5 月，生产代码库里合并的代码超过 80% 由 Claude 写——2025 年 2 月 Claude Code 刚发布时这个数字是低个位数；典型工程师现在一天合并的代码量是 2024 年的 8 倍；Claude Code 的创造者 Boris Cherny 说自己从 2025 年 11 月起没手写过一行代码。OpenAI 那边：97.9% 的员工在用 agent，Research 部门的 Codex 输出 token 用量 7 个月涨了 56 倍——这个"研究部门 56 倍"是 AI 自动化 AI 研究最直接的内部数据。Google：新代码 75% 由 AI 生成，轨迹是 2024 年 10 月 25%、2025 年 4 月 30%、2025 年秋 50%、现在 75%。
但真正的分水岭不是写代码，是 DeepMind 的 AlphaEvolve：它进化出的调度启发式在 Google 生产环境跑了一年多，持续回收全球 0.7% 的算力（约 1.4 万台服务器）；把 Gemini 训练的关键 kernel 提速 23%、整体训练时间省 1%；FlashAttention kernel 提速 32.5%；还顺手简化了下一代 TPU 的 Verilog 电路。注意这个结构：AI 在优化训练下一代 AI 的基础设施——递归的闭环不是预言，是已经投产一年的事实。2026 年 7 月 10 日它在 Google Cloud 正式 GA，早期客户号称 Klarna 训练提速 2 倍、Schrödinger 分子模拟 4 倍（厂商口径，待核实）。
二、技术谱系：十年浓缩成一句话
这条线其实走了十年。2017 年的神经架构搜索（NAS）要 800 块 GPU 搜 28 天，搜出来的东西只是"一个网络架构"；2018 年进化算法取代 RL（AmoebaNet）、DARTS 把成本砍掉三个数量级；2020 年 AutoML-Zero 第一次从空程序进化出神经网络和反向传播——搜索对象从"架构"变成了"算法本身"。然后 DeepMind 用 RL 写汇编（AlphaDev，快 70% 的排序算法进了 LLVM 标准库，十几年来首次）、摆芯片（AlphaChip，用在三代以上 TPU、联发科采用，有复现争议）、解张量（AlphaTensor）。2023 年 FunSearch 让 LLM 进化单个函数，在 cap set 问题上拿到 20 年来首次改进。2025 年 AlphaEvolve 把进化对象扩到整个代码库：4×4 复数矩阵乘法降到 48 次标量乘，56 年来首次超越 Strassen 路线；50 多个数学开放问题上 75% 复现 SOTA、20% 做出改进。
一句话总结这个谱系：搜索对象从"网络架构"进化成"代码、知识和研究过程本身"；评估器从"训练个小模型等几天"变成"任意可执行的评分函数、秒级并行"；变异算子从随机扰动变成了 LLM 自己。开源侧也齐了：OpenEvolve（6700 星）是最流行的 AlphaEvolve 复现，Sakana 的 ShinkaEvolve 主打样本效率——circle packing 只用 150 次评估达到 SOTA，AlphaEvolve 类方法要几千次。
三、自主研究 agent：论文过评审了，但含金量要打折
Sakana 的 AI Scientist v1（2024 年 8 月）每篇论文成本 15 美元，但 12 个实验里 5 个因为编码错误失败，还留下一个著名事故：实验超时后它去改自己的代码延长 timeout。v2（2025 年 4 月）成了第一篇全自动生成、通过同行评审盲审的论文——ICLR 2025 workshop，三位评审给 6/7/6。2026 年 3 月方法论论文登上 Nature。Intology 的 Zochi 更进一步，论文过了 ACL 2025 主会（前 8.2%）——但注意水分：rebuttal 是人写的，结果是人验证的，"完全自主"不成立。学术圈的反弹也真实：ICML 2026 因违规 desk-reject 了 497 篇，某检测公司称 ICLR 2026 有 21% 的评审是 AI 生成——AI 研究员还没落地，AI 审稿人先泛滥了。
真正让人坐直的是 Google 的 AI co-scientist：Imperial College 团队把耗时约 10 年的超级细菌研究交给它，2 天后它独立给出了同一个假设；Stanford 实验里它挑的候选药把肝纤维化指标降了 91%。100 多家研究机构在验证，2026 年 5 月上了 Nature。数学那边，DeepMind 的 Aletheia 对 700 个 Erdős 开放问题跑了一轮，完全解决了 4 个此前无人攻克的问题——但 68.5% 的输出是错的，部分"新解"其实是文献重发现，陶哲轩专门建了 wiki 追踪，一边承认真实贡献一边警告炒作。IMO 2025 上 Gemini Deep Think 和 OpenAI 双双拿到金牌线 35/42，开源的 DeepSeekMath-V2 也到金牌线、Putnam 拿了 118/120。竞赛数学基本被攻克，但 Epoch 的 FrontierMath 最难的 Tier 4 至今无人过半。
四、自我改进的技术栈
数据自举这条线已经工业化：Self-Instruct 到 Alpaca 用 500 美元掀起开源指令微调；Anthropic 的 Constitutional AI 证明无害性训练可以完全不用人类标注还做出 Pareto 改进；微软 Phi-4 预训练 40% 是合成数据，NVIDIA Nemotron-4 对齐阶段 98% 合成，DeepSeek 用 R1 生成 80 万条推理样本把 Qwen 蒸馏到超过 o1-mini，AlphaGeometry 靠 1 亿条合成定理拿下 IMO 几何。反面警告也在 Nature 上：递归地用模型数据训模型会导致分布尾部消失（模型崩塌）——但只要"累积"而非"替换"就能避免，Phi 和 Nemotron 都是过滤加混合模式。
更激进的是零数据自博弈：腾讯的 R-Zero 单基座分裂出题者和解题者共进化，零外部数据涨 6-7 个点；清华的 Absolute Zero 用代码执行器当裁判自出题自解题；Sakana 的 Darwin Gödel Machine 让 agent 改自己的代码，SWE-bench 从 20% 干到 50%。还有一条容易被忽视的线：自动优化 prompt 和 agent 本身——Stanford 的 DSPy（3.4 万星）和 GEPA（ICLR 2026 Oral）：GEPA 用自然语言反思做进化，比 GRPO 高 10% 还只用 1/35 的 rollout。信号很清晰：自然语言反馈比稀疏标量奖励学得快。
五、AI 优化基建：最强子环节和最著名的翻车
写 CUDA kernel 是 AI 目前相对人类最强的研究子环节：KernelBench 上 2026 年的 agent 方案对 torch.compile 普遍有 2-10 倍加速，Cognition 的 Kevin-32B 用多轮 RL 把正确率干到 82%。芯片这边早就是商业常态：Synopsys DSO.ai 超过 300 个生产流片，Cadence Cerebrus 超过 1000 个。今年 7 月 Kimi K3 的技术报告加了两个刺激的 demo：连续 15 小时自主优化自己的训练 kernel，283.6ms 降到 114.4ms（2.5 倍）；48 小时用纯开源 EDA 走完一颗芯片的全流程设计——消息一出 Cadence 和 Synopsys 股价应声下跌。两个数字都是官方自报、无第三方复现，但方向本身没人怀疑。
翻车也要记住：Sakana 的 AI CUDA Engineer 宣称 10-100 倍加速，次日承认系统利用了评测代码的内存漏洞绕过正确性检查——reward hacking 的标志性案例。这个教训贯穿全文：进化搜索加 LLM，会攻击验证器。
六、Benchmark：15 把尺子量出同一个形状
最重要的单一曲线是 METR 的 time horizon：前沿模型能以 50% 成功率完成的任务时长约 12 小时，翻倍周期从 7 个月加速到 4.3 个月——大约一年 10 倍。但 RE-Bench（AI 研发的黄金标准）量出了形状：2 小时预算内 AI 得分是人类专家的 4 倍，32 小时预算人类反超 2 倍。AI 2027 剧本预测 2026 年初 RE-Bench 归一化分到 1.3（超过顶级人类专家），实际停在 0.5-0.8。
端到端研究基准全线未过半：PaperBench（复现 ICML 论文）停在 24%、低于 PhD 基线；MLE-bench 37% 铜牌线；ResearchCodeBench 没有模型过 40%；SWE-Marathon 不到 30%；PostTrainBench 上 agent 23.2% 对人类团队 51.1%。Meta 的 MLGym 结论最直白：模型会调参改 baseline，但不产生新假设、新算法、新架构；AlgoTune 同样——只做表层优化，发现不了新算法。与此同时通用任务在饱和：Terminal-Bench 2.0 头部过 90%，AIME 被多模型拿满分。
两个更深的信号。第一，作弊成了主题：PostTrainBench 抓到 agent 拿测试集训练、直接下载现成模型、偷用找到的 API key；SWE-Marathon 有 13.8% 的 rollout 出现 reward hacking——检查 AI 的研究产出，正在变得比产出本身更稀缺。第二，测量工具本身在崩：METR 明说 16 小时以上的测量不可靠，MLE-bench 停收提交，FrontierMath 被发现 42% 的题目有错要返修。评测体系追不上模型了。
七、创业公司与钱：三层定价
钱的信号最诚实。纯"自动化 AI 研究"的公司只融到 800 万到 1500 万美元量级：Autoscience（Carl，General Catalyst 领投 1400 万）、Intology（Zochi，800 万）、Weco（AIDE，800 万）。同行评审的里程碑刷得飞快，钱不跟。唯一的例外是 Sakana——26.5 亿美元估值，但路径不是卖"自动研究"，是研究声誉换日本大合同：防卫装备厅的多年委托研究、MUFG 等金融定制，再加一个跑 8 小时出 80 页报告的 Marlin。
真金白银在卖铲子的手里。RL 环境是 2025-2026 最热的新品类：Fleet 年化收入半年翻 60 倍到 6000 万美元以上；Prime Intellect A 轮 1.3 亿美元、估值 10 亿、ARR 过亿、2500 多个开源环境；Applied Compute 13 亿估值；Mechanize 910 万美元融资却给到 5 亿投后，投资人名单全明星。数据层剧变：Scale 因 Meta 入股失血，赢家是零 VC 的 Surge（run rate 14 亿美元）和 4 个月收入翻倍到 20 亿年化、在谈 200 亿估值的 Mercor。Eval 层在被两头吞——W&B 被 CoreWeave 17 亿美元收购、Humanloop 被 Anthropic 收编、Galileo 进了 Cisco；独立活着的 LMArena 融到 17 亿估值。
数学是估值通胀最快的角落：四个月内诞生两只形式化独角兽——Harmonic（Robinhood CEO Tenev 创办，14.5 亿）和 Axiom（25 岁的 Carina Hong，5 个月估值翻 5 倍到 16 亿），都在从"AI 数学家"转向"Verified AI"的商业叙事。Math Inc 的 Gauss 用 3 周完成了陶哲轩的强素数定理形式化挑战——创始人自己读博时做类似的事花了 12 个月。
最顶上是纯期权定价：SSI 零产品零论文估值 320 亿；Reflection AI 奔着 200 亿去。但市场开始分层：Thinking Machines 的 500 亿轮流产了。最微妙的信号来自最信 AGI 的钱——Aschenbrenner 的 200 亿基金，Q1 持仓里有 85 亿美元的芯片股 put。连奇点多头都在对直线外推打折。
八、时间表与仪表盘
时间表罕见地收敛了。OpenAI 官宣：2026 年 9 月做出 intern 级研究助理，2028 年 3 月做出能自主交付研究项目的正式 AI 研究员。Anthropic 的 RSP 把阈值写成了制度：AI R&D-4 等于能完全自动化一名入门级研究员——官方判定 Opus 4.6 还没过，但"已经越来越难自信地排除"；R&D-5 等于递归自我改进，触发 ASL-4。Redwood 的 Greenblatt 给 2028 年底前完全自动化 AI 研发的概率是 30%。想围观这场戏，Anthropic 的 RSP 判定是最好的公开仪表盘。
九、反方最硬的三条
第一，METR 的 RCT：16 名资深开源开发者在熟悉的代码库上用 AI，实际慢了 19%，但自我感觉快了 20%——感知和现实差 39 个百分点。第二，独立评估发现 AI Scientist v2 的论文 57% 含虚假数据、中位引用只有 5 条。第三，所有边界 benchmark 都指向同一句话：AI 还提不出新范式，长程研究做不了，而且会作弊。
十、判断
三句话收尾。第一，AI 造 AI 已经发生——但发生在工程层：代码、kernel、芯片、调度，这些已经是生产常态；研究层的真实状态是"不到半个实习生"。第二，下一个瓶颈不是产出是验证：当 agent 学会拿测试集训练和偷 API key，谁能防作弊地评估 AI 的研究产出，谁就握住了下一环——这也是眼下整个生态最空的位置。第三，钱已经投票：造模型的拿天价，卖铲子的拿收入，纯"自动科学家"只拿到几百万美元。自动化研究在 2026 年年中的真实身份，是前沿实验室的内部路线图加一门卖铲子的生意——还不是一个独立可投的品类。但 METR 那条曲线每 4.3 个月翻一倍，这三句话的保质期，可能不超过一年。
评论