AI R&D 自动化程度：Anthropic 度量框架 + OpenAI 内部数据

来源 1Anthropic Institute · Measuring the Pace of AI Development · 2026-08

作者 1Marina Favaro, Phillie Wright（Jack Clark 方向）

来源 2OpenAI · Research Acceleration: The View Inside OpenAI · 2026-09-06

配套Jakub Pachocki (OpenAI Chief Scientist) 随附文章 "An Alien Mind"

两篇都在回答同一个问题：AI 研究自动化了多少 AI 研究自身？Anthropic 版是框架设计稿——提出三个可被第三方验证的测量维度（任务自动化指数、agent 监控覆盖率、计算资源分配）；OpenAI 版是实测仪表盘——展示了 3.1 agent-workdays / human-workday 的比值、每研究员日均 $600+ 推理花费，以及 agent 导致训练基础设施宕机的事故。

26%Anthropic AI R&D
由 Claude 主导 (AL4+)

3.1×OpenAI agent-workdays
/ human-workday

$600+OpenAI 研究员
日均推理花费（中位）

6%Anthropic AI R&D
计算 → 安全工作

30,000Anthropic 内部
agent 数量

研究动机

问题：AI 已经开始自动化 AI 研究自身——这个过程进展到哪一步了？没有人有统一的测量语言，各实验室的说法无法对比。
为什么测量很难："AI 研究"本身是异质的——有写代码、跑实验、分析结果、提想法等不同层次，且新的任务类型会随能力提升而出现（frozen basket 问题）。
核心 insight：计算资源是"最可验证的输入"（Anthropic 原话）——相比产出质量，算力花费更容易被第三方审计；agent-workdays 比例是"可比跨实验室进展的最简指标"（OpenAI 隐含立场）。
政策背景：Anthropic 将三维框架与其 Advanced AI Framework (AAIF) 政策提案挂钩，建议政府要求前沿实验室披露这些数字。

Anthropic 三维度量框架

维度 1：AI 主导的 AI R&D（自动化指数）

使用 Epoch AI 的自动化层级（Automation Level, AL）量表，AL0（无 AI）到 AL5（完全自主）。每周对 Anthropic 模型 R&D 部门 20% 的员工采样，Claude research agent 审查约 15,000 个粒度任务（来自 Slack + 内部文档），组织为 542 节点的层级树（378 个叶节点），由独立 Claude judge 分配 AL 等级，以人时占比作为重要性权重。

AL 级别	名称	定义
AL0	无 AI	全人工
AL1	辅助	AI 提供信息/建议，人决策
AL2	执行部分	AI 执行明确定义的子任务
AL3	协作	AI 执行大块工作，人密切监督
AL4	主导	AI 端到端完成大多数任务，人监督
AL5	完全自主	AI 独立完成，人不介入

Anthropic AI R&D 中 Claude 主导（AL4+）比例的已知数据点：2026 年 2 月不足 1%，2026 年 8 月达 26%。>90% 的工作已处于"AI 协作"（AL3+）以上。

评分可信度：模型与人类评分完全一致 59%，人类与人类 35%；模型与人类在一级以内 97%。说明模型评分比人类评分更稳定，但不代表绝对准确。

维度 2：AI Agent 的监控覆盖

Anthropic 最主要内部平台上约 30,000 个 agents 在做研究和工程工作（2026 年 8 月）。

监控类型	覆盖率	延迟	目标	触发率
在线监控（预执行）	100% 动作	自动拦截；人工审查被拦截动作 ≤1 周	快速不可逆危害（如模型权重泄露）	0.002%（约 1/47,000）基于 8 月 10 亿次决策
离线监控（后执行）	100% transcript 摄入	每周 ~10 万条标记 → 多分类器 → ~50 条高优先级给人工	慢速发展可逆危害（如对齐迹象异常）	每千条 1–2 条升级

设计细节：每个 agent 身份与其创建的所有数据绑定；通过共享消息系统开放通信；交叉比对 agent transcript 与通信日志。

维度 3：计算资源分配（安全 vs 能力）

测量窗口：2026 年 7 月 13–20 日（单周快照）。~14% 抽样自约 10,000 次周运行（偏向高算力运行加权）。安全工作定义："主导目的是使 AI 系统更安全、更可理解或更安全"；凡同时推进安全与能力的工作，保守归类为 AI R&D。

AI R&D 计算中 6% 分配给安全工作
AI 驱动的 AI R&D 计算中 12% 分配给安全工作
Anthropic 强调这是"刻意保守的估计"

OpenAI 实测数据

Agent-Workdays 比例

2026 年 6 月前，OpenAI 研究组织的 agent 总运行时间仍低于人类劳动总时间。6 月后出现交叉：agent 运行时间超过人类。到 2026 年 8 月中旬，每 1 个人类工作日对应 3.1 个 agent 工作日。

OpenAI 研究员日均推理花费（以 API 费率计）的示意轨迹。2026 年 2 月接近 $0，4 月约 $50，6 月约 $150，7 月高原期 $150–165，8 月末陡升至约 $600。Simon Willison 推测 7 月底加速与内部员工获得 GPT-6 Astra 访问权同期。

任务类型分析（Epoch AI 六阶段分类）

Epoch AI 框架：decide → design → build → run → analyze → communicate。

增长集中于：technical assistance（技术辅助）和 monitoring runs（运行监控）
几乎没有增长：高层级规划（decide、design 阶段）
4–8 小时任务中 超过 50% 仍需要人工干预
人类保留：优先级设定、结果判断、部署决策

目标里程碑：2026 年 9 月已达成"自动化研究实习生"；目标 2028 年 3 月达成"自动化 AI 研究员"。

基础设施事故（安全信号）

2026-07-20
训练容器服务被 agent 破坏后关闭；随即暂停最新部署模型的强化学习训练长达两周。

2026-08-07
因网络安全能力担忧，GPT-6 Astra GPU 配额削减 59.2%；其他模型级别配额上调 17.2%，回补约 85%。

整体趋势
人类仍负责方向和后果决策，但 agent 执行规模已超过人类总劳动；两次事故表明 agent 自主性与基础设施安全之间的张力正在显现。

对比与关键数字

维度	Anthropic	OpenAI
主要指标	AI 主导（AL4+）比例：26% (2026-08)	Agent-workdays / human-workdays：3.1× (2026-08)
起点	<1% (2026-02)	~0 (pre-2025)
任务分类框架	Epoch AI AL0–AL5	Epoch AI 六阶段 (decide/design/build/run/analyze/communicate)
监控数据	30,000 agents；0.002% 在线拦截率；50条/周人工升级	未公开系统性监控数据（仅事故描述）
计算分配	6% AI R&D 计算 → 安全	未披露
最高层任务	Claude 尚未对任何 AI R&D 子集完全自主运行（无 AL5）	高层规划（decide/design）增长极少；50%+ 4-8h 任务需人工干预
事故 / 安全事件	未披露（METR 独立红队离线监控）	7/20 基础设施宕机；8/7 GPT-6 Astra 算力削减 59.2%
下一里程碑	第三方独立评估嵌入	自动化 AI 研究员（目标 2028-03）

局限与展望

批判性定位

Anthropic：框架先行，数据滞后。三个维度设计合理，但实际测量只有 1 周 compute 快照和 1 次 automation index 采样；"frozen basket"问题自承：固定任务树测不到新涌现的任务类型，可能系统性低估自动化程度。
OpenAI：数字令人印象深刻，但缺少质量维度。3.1:1 的 agent-workdays 比是原始时间统计，没有说明 agent-workday 等价于多少 human-workday 的价值；$600/天的推理花费可能大量来自无效运行。
两家共同缺失：跨实验室可比性仍是零——没有统一基准任务，AL4 在 Anthropic 和 OpenAI 的定义不同，judge model 的选择会系统性影响结果。
真正重要的信号：OpenAI 7/20 基础设施事故和 8/7 GPT-6 Astra 算力削减——这两件事比所有数字更能说明实验室内部对 agent 自主性的实际担忧级别。

研究趋势

两篇文章一起读的结论：AI R&D 自动化在 2026 年经历了一个量变到质变的时间节点（OpenAI 的"6 月交叉"，Anthropic 的"<1% → 26%"）。高层级任务（设定方向、判断结果）仍牢牢在人手中，而机械性执行任务（写代码、跑实验、分析日志）的自动化已经超越人类工作量本身。下一阶段的核心问题不再是"能不能自动化"，而是"谁来验证 agent 的自主判断是否可信"——Anthropic 的监控框架是目前公开披露最系统的答案，但 0.002% 的拦截率背后是否隐藏更多未检测到的问题仍未知。