AI 距离实现递归自我改进还有多远？这是当前 AI 领域最热门的话题之一。过去，我们只能通过大模型编程能力、Agent 运行时长、开发人员使用 AI 写代码的比例等间接指标来窥探。如今，Anthropic 给出了一个具体的数字：截至今年 8 月，在 Anthropic 内部的 AI 研发工作中，Claude 已主导了 26% 的任务。同时，超过 90% 的 AI 研发工作已至少进入“AI 协作”阶段。本周五，Anthropic 发布博客披露了 Claude 研发过程中的 AI 自动化进度。最先进的 AI 现在已将自我改进视为常规武器。过去半年，前沿 AI 实验室内部的自动化曲线陡峭上升。在 Anthropic 的核心 Agent 平台上，任意时刻约有 3 万个 AI Agent 正在进行研究和工程工作。仅在今年 8 月，这些 Agent 就做出了超过 10 亿次决策。某种意义上，一个由人类研究员与数万 AI Agent 共同组成的自动实验室已经初具雏形。
首先，需要明确“Claude 主导 26% 研发”的含义。Anthropic 采用了 Epoch AI 提出的自动化等级，将 AI 参与工作划分为 AL0 到 AL5 六个阶段。AL0 代表完全无 AI 参与，依次递增为 AI 提供少量帮助、AI 辅助、AI 协作、AI 主导，直至 AL5 的完全自主。这与自动驾驶的分级颇为相似。目前最引人注目的是 AL4，即 Anthropic 所说的“AI 主导”。进入这一等级后，人类通常只需给出一个大致目标，AI 便能完成绝大部分端到端工作，人类主要承担监督、检查和最终决策的职责。
Anthropic 举了一个具体例子：假设一条夜间运行的数据管道发生故障。在 AL3 阶段，工程师可能需要先检查日志、形成初步判断，再将信息交给 Claude。若遇到意外问题，Claude 可能会暂停等待工程师指示。而在 AL4 阶段，工程师只需将故障告警丢给 Claude，说一句“把它修好”。Claude 随后便能自主查看日志、定位故障、编写修复代码、进行测试，并处理过程中遇到的新问题。最后，它还会重新运行数据管道、对比修复前后的结果，并撰写故障说明，最终由人类决定是否上线。真正的 AL5 则更进一步：连“发现问题并呼叫 Claude 修复”这一步都不需要人类介入，AI 将自主监控、发现故障、调查、修复、测试乃至部署。
Anthropic 强调，目前尚未有任何被测量的 AI 研发工作达到 AL5 级别。因此，26% 的主导率并不代表四分之一的研发工作已完全无人看管。但这一变化速度惊人：2026 年 2 月，进入 AL4 的研发工作还不到 1%，到了 8 月已达到 26%。与此同时，90% 以上的研发工作至少达到 AL3，即 AI 能在人的密切指导下完成大块工作。相比于单纯的代码量，这一指标更接近真正的 AI 研发自动化程度。
实际上，Anthropic 在 6 月份的《When AI builds itself》文章中就已披露过一个夸张的数据：截至 5 月，Anthropic 合并进入代码库的代码中，超过 80% 可归因于 Claude 编写。2026 年第二季度，一名典型工程师每天合并的代码量已达到 2024 年的约 8 倍。但这仅代表代码编写环节，工程师仍需决定做什么、怎么做、系统如何设计。此次 Anthropic 讨论的则是更深一层的问题：人类究竟还需要在研发循环中承担多少任务？为此，Anthropic 建立了“研发自动化指数”。该指数从公司内部的 Slack 和各类研发文档入手，在 2026 年 7 月的每一周，随机抽取 20% 的参与模型研发循环的员工，让 Claude 分析他们一周的工作内容。Claude 整理出了约 1.5 万项具体的模型研发任务。随后，AI 将这些任务整理成一棵巨大的研发工作树，共有 542 个节点，其中 378 个是最底层的具体任务，例如评测平台故障诊断、强化学习沙箱网络策略调整、推理服务事故复盘等。接着，Claude Agent 会调查每一类工作的完成方式，明确哪些步骤由人类负责、哪些已交给 AI。最后，由一个独立的 Claude Judge 读取证据，将这些工作分别评定为 AL0 到 AL5。
当然，这套指标并非绝对可靠，尤其是“AI 协作”与“AI 主导”的边界带有主观性。Anthropic 也承认，未来若不同 AI 公司公布此项数据，需要统一方法并引入第三方验证。
除了 26% 这一核心指标，还有一组数据更具画面感。截至 2026 年 8 月，在 Anthropic 使用最频繁的内部 Agent 平台上，任意时刻约有 3 万个 Agent 正在从事研究和工程工作。这些 Agent 并非彼此孤立，而是在长时间半自主工作中互相委派任务。Anthropic 为每个 Agent 建立了持续的“身份”，该身份不随底层模型升级而改变。Agent 之间通过开放的共享消息系统进行沟通，所有信息均标注发送者并尽量保留原始引用。这种设计旨在模仿人类工作：当一个 Agent 看到另一 Agent 的信息时，会将其视为一项需要验证的主张，从而实现协作与纠错。
Anthropic 正在面临的挑战，已从监督单个 AI 转变为管理一个庞大的 Agent 组织。目前，这 3 万个 Agent 的所有行为都经过在线监控系统检查，通常只需几秒钟即可完成拦截。2026 年 8 月，Anthropic 分析了研发 Agent 做出的超过 10 亿次决策，其中约 0.002% 被监控系统阻止。此外，还有一套离线监控系统在 Agent 行动完成后分析完整记录，每周标记约 10 万条对话记录，经多层分类器排除误报后，最高优先级的约 50 条记录会升级为人工审查。Anthropic 指出，目前单个 Agent 出现严重问题的案例并不多见。
Anthropic 公布的第三项指标是算力分配。数据显示，在 2026 年 7 月 13 日至 20 日这一周，用于 AI 研发的算力中，约有 6% 被划分为安全研究。如果仅看由 AI 驱动的 AI 研发，安全研究所占的计算量约为 12%。
Anthropic 披露的这些数据，让我们得以侧面观察到大模型自我迭代起飞的一个瞬间。这直指 AI 行业日益频繁讨论的概念：递归自我改进。Anthropic 此前将其描述为 AI 能够完全自主地设计、开发自己的下一代系统。虽然 Anthropic 明确表示目前测量范围内没有任何 AI 研发工作达到 AL5，但 AI 领域的变化速度极快。从不到 1% 到 26%，仅用了半年时间。若现有趋势延续，到 2026 年底，“AI 主导”的比例可能接近 80%。如果 AI 真的开始显著加速 AI 研发，那么许多现有的行业指标重要性可能需要重新审视，关键问题或许只剩下“智力”本身。
Anthropic 展示的图景与以往大不相同：人类提出问题、确定方向、检查结果；与此同时，数万个 Agent 并行运行，写代码、调查问题、做实验、互相委派任务，再由另一批 AI 监控它们的行动。在这个系统中，人类掌握着最后的决定权，但人与 AI 之间的分工正在快速演变。下一次 Anthropic 公布这一数字时，它会是多少？