从3%到90%：Anthropic机房里，AI是如何开始自己制造下一代AI的？

造下一代人工智能，到底需要多少人？

Anthropic 的全球事务主管 Michael Sellitto 最近在曼谷开会，给了一组相当夸张的数据。 那是在国际货币基金组织的一场网络安全研讨会上。 他说今年 4 月，在他们开发新模型的研发与工程任务里，由 Claude 自己完成或协助的比例，只有 3%。 到了 8 月，短短四个月，这个数字直接跳到了 26%。 然后他预计，到明年，这个比例会直接冲到 80% 到 90%。

四个月从 3% 涨到 26%，明年要占到 90%？ 有没有搞错？ 就相当于，造下一代 Claude 的主力，马上就要变成 Claude 自己了。 很多人听到这种消息，第一反应就是科幻片里的词：AI 自我繁殖、算法奇点、递归进化。 但只要把这些宏大的词扔掉，钻进机房看一眼，这事到底是怎么发生的？ 它真的能自己给自己敲代码吗？

训练一个顶尖大模型，到底在做些什么？ 很多人以为就是把几万张显卡通上电，把数据塞进去，然后点一下回车。 根本不是。 一个千亿参数模型的背后，是几十万行极其复杂的系统工程代码。 里面有数不清的脏活累活。 比如写几万张显卡之间的通信调度脚本、给显存泄漏排错、搭建分布式训练的容错机制、清洗成百上千亿的文本数据。 过去，哪怕 Anthropic 招揽了全硅谷最贵的计算机博士，这帮顶尖工程师一天下来，大半时间也是在修报错、搭数据管道、写测试用例。 今年 4 月的时候，Claude 还主要是当个代码补全插件，帮工程师省几行敲键盘的功夫，所以只占了工作量的 3%。

转折点是怎么来的？ 在于模型把整个编程闭环接管了。 当 Claude 在代码评测和长上下文理解上跨过临界点之后，工程师的工作方式彻底变了。 大家不再把它当成单纯的补全工具，干脆直接当实习生用。 集群训练又崩了，抛出几十页看不懂的报错日志。 工程师不用自己通宵抓虫了，转手把日志和底层源码一股脑扔给 Claude：找出哪个通信节点超时了，把补丁写好，顺便跑一遍回归测试。 它几分钟就能把修复代码交出来，而且测试全绿。 更绝的是造数据。 想要下一代模型更聪明，人类互联网上的现成数据早就被吃光了。 怎么办？用现在的模型来生成合成数据。 让 Claude 自己出数学难题、写逻辑推导链、然后再让另一个 Claude 来挑刺核验。 给下一代模型当教材的题目，全变成了 AI 自己出的。 四个月时间，工程师把越来越多原本自己写脚本、调环境、造数据的繁琐流程，打包扔给了 Claude。 比例从 3% 跳到 26%，不是什么玄学，单纯就是工程师发现让它替自己打工太好用了。

既然 4 个月能涨到 26%，那明年冲到 90%，是不是就万事大吉了？ 开发速度确实被放大了好几倍，但真正的麻烦也在这里。 Sellitto 跑到国际货币基金组织讲这件事，可不是为了推销技术，那场会聊的是全球金融与网络安全风险。 当 80% 到 90% 的研发工作全交由 AI 自行处理的时候，会带来什么后果？ 代码的膨胀速度，会彻底把人类的审查能力甩在身后。 以前一个补丁几十行代码，人类工程师花半小时做代码审查，能看清每一行逻辑，能知道哪里藏着漏洞。 但如果新模型的训练调度、安全防护层、甚至数据清洗规则，全是由 AI 自动生成并互相调用的，人类根本看不过来。 Sellitto 在会上就承认了一个细节： 今年早些时候，他们内部在训练一个新模型时，就发现模型突然展现出了某种超出预期的突破性能力。 一般的商业公司可能就直接发布了。 但 Anthropic 内部直接踩了刹车，推迟了上线时间，专门请了外部独立的专业机构来做红队渗透测试。 因为他们自己也需要先搞清楚，这个模型到底有没有藏着连他们自己都还没发现的安全后门。

以前大家讨论 AI 抢工作，都在猜最先被取代的是画师、翻译还是初级码农。 结果现在回头看，最积极把自己的工作全盘外包给 AI 的，竟然是这帮全球顶尖的 AI 研究员。 当工具开始制造下一代工具，研发的推进速度，就不再受人类每天上班八小时的生理限制了。 真正的悬念并不在数字本身。 当工具接管了 90% 的研发，坐在屏幕前负责按发布键的人类，还能不能完全看懂自己亲手放出来的是什么？