Anthropic：Claude“主导”其 26% 的 AI 研发，3 万个智能体并行运行

Anthropic 于 2026 年 9 月 17 日发布了研发自动化指数（R&D Automation Index）——这是一项原型指标，用于衡量 Claude 承担了公司自身多少 AI 研究与开发工作——并报告称，到 8 月，该模型“主导”了其中 26% 的工作，而 2 月时这一比例还不足 1%。在被衡量的工作中，超过 90% 处于“AI 协作”或更高等级；在 Anthropic 内部使用最频繁的平台上，任意时刻约有 30,000 个智能体在运行研究与工程任务。没有发生任何入侵，也没有第三方受到损害：这是一份关于单一实验室内部能力趋势的披露，Anthropic 表示，Claude 在任何被测量的工作子集中都未完全自主运行——即其最高级别 AL5。该档案中关于这一披露的完整记录，连同其评级和引用来源，收录于AI 事件档案中，与本系列其他治理条目并列。

该指数实际统计的是什么

该指数借用了 Epoch AI 的六级量表。AL0 是“无 AI 参与”，AL1 是“极少的 AI 参与”，AL2 是“AI 辅助”。AL3 是 Anthropic 所称的“协作”级别：模型“能在人类的密切指导下完成大量工作”。AL4 是“主导”：它“能根据一个高层级提示端到端完成大部分任务，同时由人类进行监督”。AL5——“AI 完全自主运行，无需人类参与其中”——正是递归自我改进讨论的最终焦点，Anthropic 的页面称其为“我们尚未达到的水平”。

这项测量构建于2026年7月。Anthropic每周从相关部门抽取20%的员工，让一个Claude研究智能体审阅他们的工作记录，并生成了一份约15,000项任务的清单，公司将其组织成一个冻结的542节点树，其中包含378个叶子任务。各分类按其消耗的人力工时多少进行加权。InfoQ对该发布内容的报道补充了一个细节，这对任何工作被抽样的人来说都很重要：Claude智能体当时正在读取Slack消息和内部文档，以重建人们所做的工作。

由此可以得出两点澄清，而这两点在标题之下都很容易被忽略。这个 26% 并不是 Anthropic 记录的所有任务中的 26%；正如 heise 在 9 月 18 日报道的那样，它是 Anthropic 评估为达到 AL4 的加权工作组合所占的份额。它也不意味着公司四分之一的研发是在无人值守下运行的——InfoQ 明确指出，这个数字并不意味着 Anthropic 有 26% 的研发完全自动化，也不意味着公司 26% 的研究人员已被取代；它意味着如今大约四分之一的工作处于这样的阶段：由人类设定目标并进行监督，而 Claude 完成其中大部分工作。

二月的对比来自 Anthropic 页面上的图表说明：“Claude 目前主导 Anthropic 26% 的模型研发任务，高于 2026 年 2 月的不足 1%。”页面上没有任何内容提供逐月序列，因此所披露的趋势只是两个数据点，而不是一条曲线。

评审者正是被评审的模型

这些评分并非由独立小组产生。Anthropic 的报告承认了核心问题：评判模型“可能犯下与其所检查的模型相同类型的错误”。在完全一致方面，模型与人类有 59% 的时候一致；两个人类彼此一致的时候为 35%；而模型与人类的评分在 97% 的情况下相差不超过一个等级。35% 的人类对人类的数字，正是 Anthropic 用来论证评分任务确实困难的那个数字；它并不是作为对评判模型的验证而提出的。

页面上还列出了另外两项局限，而不是由批评者发现的。介于“协作”与“主导”之间的边界案例仍存在争议，而26%恰恰就落在这里。此外，冻结的任务篮子可能漏掉篮子冻结时尚不存在的工作，不过Anthropic表示，2026年1月的一项比较未发现新颖任务有所增加。

从外部审视来看，该页面描述的是一项计划，而非已完成的审计。页面称：“我们计划在 Anthropic 内部嵌入来自多个组织的独立第三方评估人员。”这是一种用将来时表述的安排，并非当前的审计。它引用的唯一一项已完成外部检查是，METR 已对其离线监控平台进行了独立红队测试。在 heise 9 月 18 日的报道中，这些保留意见是 Anthropic 自己提出的；这家德国媒体没有引用任何质疑该指数的外部专家。独立媒体复现了这些数字，但并未验证它们，而这一区别是从相关报道中最应记住的最重要一点。

三万代理人，以及随之而来的账本

除了自动化指数之外，Anthropic还披露了其背后智能体群体的规模：在其使用最频繁的内部平台上，“任何时候大约有3万个智能体在Anthropic从事研究和工程工作”。按字面理解，这是一个并发数量，而非一段时间内不同智能体的总数，heise对此的表述更为谨慎，称这些智能体“在8月有时会同时活跃”。

Anthropic 所描述的这些管控措施旨在使该群体可被审计，而非匿名。每个智能体都有一个“独立身份”，它创建的所有数据都与该身份绑定；该身份“不绑定于某个模型，会在模型升级后持续存在”，因此“每个操作都能按智能体跨时间审计”，并且“每条数据记录都能回溯到特定智能体”。智能体“通过共享的开放消息系统通信，而非私下通信”；每条消息都绑定到发布它的智能体的身份，可链接到其他内容，从而保留原始引用，并与智能体记录相互交叉引用，使监控能够“遍历智能体之间的通信”。

监督数据这部分读起来像事件记录，尽管该记录将此次披露归类为信息性内容。每个操作在执行前都会经过在线监控器，通常只需几秒钟；每个操作在发生后都会离线纳入分析；被阻止的操作会在一周内由人工复核。8月超过10亿次决策中，有0.002%——"约4.7万分之一"——被阻止。离线标记率约为每千份记录一到两份，每周约10万份记录，其中约50个高优先级案例会上报人工处理。

拦截率并不等于安全率。它衡量的是监控器阻止某个动作的频率，而不是有多少动作本身是错的；Anthropic 将其与覆盖率数字并列呈现——即 100% 的线上动作在执行前都经过检查——而这一数字描述的是监控器的覆盖范围。同样的不对称也适用于算力分配：在 7 月 13 日至 20 日那一周，“投入 AI 研发的算力中约有 6% 分配给了安全”，而在“投入 AI 驱动的 AI 研发的算力”中，这一比例升至“约 12%”。Anthropic 称这些是“刻意保守的估计”，取自近 1 万次研究训练与评估运行中约 14% 的样本，且样本向高算力运行倾斜；该公司还指出，算力占比衡量的是支出，而非投入的精力。

这里的"递归式自我改进"指的是什么

Anthropic 将该指数与递归自我改进联系起来，而其配套文章将递归自我改进定义为“模型完全自主地构建其继任者”。文章立场明确：“我们尚未达到那一步，递归自我改进并非不可避免。”它将一个完全闭环置于一个假设阶段，该阶段被标为“闭合循环”，日期为“20XX?”，在该阶段中，智能体构建并训练模型，未来的 Claude 系统改进 Claude 本身。文章称，如今人类仍然提供目标；改变之处在于，“他们不再需要提供方法”。

这篇文章还解释了为什么该指数应被理解为一种距离度量，而不是一个里程碑。AL4 工作——Claude 在人类监督下根据高层级提示完成一项任务的大部分——正是 26% 所指的水平。AL5，即完全自主、无需人类参与闭环，是 Anthropic 表示尚未达到的水平。两者之间的差距正是本文讨论的主题。

什么是已确立的，什么是推断出来的

已确认。Anthropic 于 2026 年 9 月 17 日公布了这些测量结果，该记录按日精度所载的日期正是这一天。实时索引页面本身没有显示可见的发布日期，配套文章则带有“Update 9/18/2026”的更新戳记。这些数字——26%、2 月低于 1%、在 AL3 或更高等级上超过 90%、约 30,000 个智能体、0.002% 的决策被阻止、占算力的 6% 和 12%——均为 Anthropic 自己的数据，在其页面上有所说明，并在一天内被 heise 和 InfoQ 转载。

已确认。 没有任何经测量的 AI 研发工作子集达到 AL5，未报告对任何第三方造成伤害，且该记录的“实际伤害”字段为空。该记录的文档记录置信度评级为 A，未被标记为有争议，严重性为“info”，这反映的是未记录到任何伤害，而不是关于文档来源可靠程度的任何信息。

未获证实。 Claude 在任何独立于 Anthropic 自身评分体系的意义上"主导"了 Anthropic 26% 的研发工作——这一点并不成立。该测量由公司自行开展，评判者是一个 Claude 模型，而页面所描述的外部评估者尚属计划之中、并未到位。评判者与人类之间 59% 的完全一致率，才是应当与标题并列考量的那个数字。

尚未证实。既未证实该趋势会持续，也未证实它指向递归式自我改进。Anthropic 拒绝断言其中任何一种，而且二月与八月之间的两点比较并不是预测。拦截率也不能证明智能体群体处于控制之下；它证明的是，监控器看到了每一次在线操作，并拦截了大约 47,000 次中的一次。

是判断，而非测量。六个月内从不足 1% 升至 26%，这已是很快的速度。披露内容并未设定任何阈值，以界定这一速度在何时成为问题；而 Anthropic 的表述把这一判断留给了它声称将纳入的第三方。

据heise报道，Anthropic主张定期公布可比数据并支持独立验证——这也最清楚地说明了该指数目前尚不具备什么。在外部评估者参与进来之前，26%只是实验室用自己的仪器测量自己：比新闻稿更具体，但仍然不是审计。