在人工智能发展领域，近期一则消息引发了广泛关注。知名AI预测研究者Ajeya Cotra对其之前的预测进行了重大修正，原因是Anthropic推出的最新模型Claude Opus 4.6在权威评测机构METR的基准测试中表现惊人，远超她此前的预期。
Cotra曾是全球最大AI安全资助机构之一Coefficient Giving的AI安全研究资助负责人，现就职于专注于AI能力评估的METR机构。今年1月14日，她基于2019年至2025年间时间跨度每年翻倍不到两次的历史趋势，对2026年底最先进模型的软件工程能力做出预测：50%成功率的时间跨度约为24小时，80百分位预测为40小时。然而，仅仅两个月后，Opus 4.6就打破了这一预测，其软件工程“时间跨度”达到约12小时。在METR的测试集中，19项预计人类需耗时超过8小时的软件工程任务里，Opus 4.6至少能部分完成14项，还能稳定攻克其中4项。面对这一情况，Cotra承认，在距离2026年底还有整整十个月进展的情况下，AI代理在24小时任务上仍有一半时间失败，这使得她之前的预测不再可信。
值得注意的是，当前对时间跨度的估算存在较大不确定性。Opus 4.6的95%置信区间为5.3小时至66小时，这主要是因为长任务数量稀少、人工完成时间多为估算，且基准测试本身已接近饱和。
随着AI代理能力不断逼近甚至超越数十小时的任务量级，传统评估框架正面临挑战。Cotra认为，“时间跨度”这一概念的适用性受到质疑。她指出，任务的可分解性会随着规模增长而显著提升。例如，一小时的调试任务几乎无法拆分并行，一天的开发任务勉强可分工但边界模糊，而一个月乃至数月的项目则天然适合拆解为多个并行子任务。一旦AI代理能够稳定完成80小时量级的任务，理论上就可以通过“管理层AI”分配任务、“执行层AI”并行推进的方式，持续推进任意规模的项目。
Cotra的同事Tom提出，以大型团队完成任务所需的日历时间，而非单人工时，作为衡量“内在难度”的更优指标。Cotra也认同这一观点，她认为随着AI进入新量级，“单人时间”指标可能开始呈现超指数增长，这使得年底前软件工程能力的上限极难估算。不过，她也承认大规模任务分解在实践中不会完美运作，项目参与者对全局背景的直觉性把握，难以被Jira工单或Asana任务完全替代，但对于相当大一类软件项目而言，这种模式可能较为有效。
在众多预测中，Cotra对“AI研发全面自动化”的概率判断最受瞩目。她将这一概率定义为AI系统完全承担研究构想与实施工作，无需人类参与。在1月的预测中，她给出了10%的概率，发布后收到多位同行反馈，认为这一数字偏高。但Opus 4.6的表现出炉后，她表示10%再次处于合理区间。不过，Cotra也保持审慎态度。她指出，全面自动化AI研发不仅需要软件工程能力，还需要在“研究判断力”和“创造力”等方面取得突破，而这些恰恰是当前AI系统相对人类研究者明显欠缺的领域。她认为，这一目标在未来三至五年内实现的可能性远高于今年之内，但她的措辞已发生根本性转变：“这是我第一次，找不到任何可以外推的稳固趋势，来断言它不会很快发生。”
