“我们距离递归自我改进还有多远？”这是 Anthropic 刚刚公布一组内部测量指标所试图回答的问题。智谱唐杰:GLM已实现RSI递归自我改进最小循环
随着 AI 系统能力呈指数级增长，AI 已经开始自动化更多“构建 AI 自身”的工作。Anthropic 表示，在全世界开始讨论是否应该放慢前沿 AI 开发速度的背景下，公众需要更多信息。
就此，Anthropic 刚刚发文，提出了三个可以持续追踪的指标：AI 在多大程度上正在构建下一代 AI；人类能否监督和干预越来越多的 AI 智能体；以及推动更强大模型开发的计算资源如何分配。
其中，第一项与所谓“递归自我改进”最直接相关。
Anthropic构建了一个“研发自动化指数”，把公司的 AI 研发工作拆成大量具体任务，再按照 AI 参与程度划分为 AL0 至 AL5 六个等级。
AL0 是没有 AI 参与；AL3 是“AI 协作”，AI可以在人的密切指导下完成大块工作；AL4 是“AI 主导”，AI可以根据一个高层次提示端到端完成大部分任务，人类负责监督。
AL5则是“完全自主”，AI自己发现问题、确定调查范围、设计并实施解决方案、测试并部署，人类完全可以不参与。
Anthropic特别指出，AL5是目前尚未达到的水平。
但变化速度已经相当明显。
截至2026年8月，Claude已经“主导”Anthropic 26%的 AI 研发工作，而2026年2月这一比例还不到 1%。
同时，超过 90% 的 AI 研发工作已经达到“AI 协作”，也就是 AL3 或更高水平。
Anthropic 称，这类数据可以帮助外界判断，距离“一个模型完全自主地构建自己的后继模型”，即递归自我改进 RSI， 还有多远。
不过，26%并不意味着 AI 已经能够自主研发下一代模型。
Anthropic自己也强调，当前 Claude 在任何被测量的 AI 研发子领域都还没有达到完全自主。
比如在一个数据管道出现故障的案例中，AL4意味着 Claude可以自行查看日志、寻找原因、编写和测试修复方案，并处理过程中出现的意外，但最终仍需要工程师审核并决定是否部署；到了 AL5，连发现故障、决定调查方向以及最终部署，都可以由 AI 自己完成。
另一个问题是，如果越来越多AI开始参与AI研发，人类还能不能监督？
Anthropic公布的另一个数字是：截至2026年8月，其最常用的内部平台上，任何时候大约有 3万个 AI 智能体同时进行研究和工程工作。
这些智能体的行动受到在线和离线两套监控系统约束。
在线监控器会在智能体行动执行之前进行检查，100%的行动都会经过监控，通常只需要几秒钟；离线监控器则在行动发生之后读取活动，同样覆盖100%的行动。
Anthropic分析了2026年8月研究和工程智能体超过 10亿次决策，其中约 0.002%，也就是大约每 4.7万次决策中1次，被在线监控器阻止。
离线监控器每周大约标记 10万份对话记录进行进一步审查，其中最高优先级的约 50份/周会升级到人工审查。
这些数字并不是在证明 AI 已经出现了某种程度的自主失控，而是在建立一个可以持续观察的指标：当 AI 在 AI 研发中的作用越来越大，人类的监督是否也能够同步扩大。
第三项指标，是计算资源。
Anthropic统计了7月13日至7月20日这一周的计算资源使用情况。结果显示，用于 AI 研发的计算资源中，约 6% 用于安全工作；而在 AI 驱动的 AI 研发中，这一比例约为 12%。
Anthropic同时提醒，算力占比并不是衡量安全投入的完美指标，因为安全研究本身往往需要大量研究人员时间，却未必需要与前沿模型训练相当的计算资源。因此，这个指标更适合用于不同实验室之间以及不同时间点的同类比较。
从方法上看，Anthropic也承认这些指标仍处于原型阶段。
例如，AI研发自动化指数来自约 15,000个细粒度研发任务。研究人员从2026年7月各部门抽取20%的员工样本，再利用 Claude 分析 Slack 和内部文档，最终建立包含 542个节点、378个叶节点的研发任务树。
在自动化评级上，Claude裁判与人类完全一致的比例为 59%，而人类彼此之间的完全一致率只有35%；模型和人类评分有 97% 的情况下相差不超过一个等级。
计算资源分类同样存在边界问题。Anthropic对一周近 10,000次运行抽取约14%进行分析，并按照计算量对样本加权，而不是简单按照运行次数统计。
基于这次公布的几组数据， Anthropic试图建立一套观察方法：如果未来真的出现 RSI，外界应该能够从哪些公开数据中看到端倪？
公司表示，未来还计划让来自多个组织的独立第三方评估人员进入 Anthropic，获得与内部风险评估团队相当的流程、系统和数据访问权限，对安全实践、事故和这些关键指标进行独立监测。
