人工智能领域近期出现了一个引发广泛讨论的新观点：到2028年底，AI系统实现递归自我改进的概率可能达到60%。这一预测由Anthropic联合创始人杰克·克拉克提出，他通过分析大量公开的AI开发数据得出这一结论。所谓递归自我改进，指的是AI系统能够自主构建和优化自身，进入自我加速发展的阶段。
克拉克的观点并非空穴来风。他指出，AI在AI研发相关任务上的进步速度令人瞩目。例如，CORE-Bench基准测试评估AI复现研究论文的能力，这是AI研究中的关键环节。该基准于2024年9月提出时，表现最好的系统得分仅为21.5%，但到2025年12月，某模型已取得95.5%的成绩，几乎解决了这一挑战。
另一个重要基准PostTrainBench测试AI微调较弱开源模型的能力。截至2026年3月，AI系统已能通过微调使模型性能提升约一半，达到人类训练结果的一半水平。这表明AI正在逐步掌握AI开发中的核心工程技能。
在编程能力方面，AI的进步同样显著。SWE-Bench基准测试AI解决真实GitHub问题的能力，2023年底表现最好的模型成功率仅约2%，而最新模型已达到93.9%，接近满分。这种进步使AI能够自动化AI研发中的重要组成部分，显著加速人类研究员的工作。
AI完成复杂任务的时间跨度也在不断延长。METR的图表显示，2022年GPT-3.5能完成的任务相当于人类需30秒完成的任务，而到2026年，某模型已能完成相当于人类需12小时的任务。这种能力提升使AI能够处理更复杂的AI研发任务。
AI在管理其他AI系统方面也取得进展。一些产品中，主AI可以协调多个子AI的工作，处理更大规模的项目。这种能力使AI能够形成合成团队，分工协作完成复杂任务。
尽管AI在执行AI开发任务方面表现出色，但在提出全新研究思想方面仍显不足。AI领域的进步更多依赖于扩大实验规模和输入资源，而非突破性洞见。然而，克拉克认为，AI无需具备完全的创造力也能推动自身发展，因为大部分工作是基础性的工程任务。
也有初步迹象表明，AI可能正在发展某种创造力。例如，某AI系统与数学家合作解决了13个Erdős数学问题，其中1个被认为是有趣的。这可能预示着AI在推动科学前沿方面的潜力，尽管目前仅限于少数领域。
AI行业本身也在积极推动研发自动化。OpenAI计划构建自动化AI研究实习生，Anthropic致力于自动化AI对齐研究，DeepMind也在探索相关方向。许多创业公司也将自动化AI研发作为目标，吸引了大量投资。
这一趋势带来深远影响。首先，AI对齐技术面临挑战，因为递归自我改进可能使AI系统超越人类监督能力。其次，AI将显著提升各领域的生产力，但也可能加剧资源分配不平等。最后，经济结构可能发生变化，资本密集型、人力轻型的企业将占据更大份额，甚至可能出现完全由AI运营的公司。
克拉克认为，到2028年底，前沿模型自主训练继任版本的概率约为60%。他预计这一变化不会在2027年发生，因为AI仍需更多创造力才能推动研究前进。如果到2028年底仍未实现，可能揭示当前技术范式的根本性缺陷。
