METR 花了 11 周，翻了 Anthropic 的保密研究、访谈记录和三个还没发布的内部模型数据，最后算出一个数：2025 年 10 月以来，模型能力进步速度是此前一年的 1.9 倍。更关键的是，METR 排除了算力增长这个变量之后，把加速的大头归给了 AI 自己在帮人写代码、跑实验。一位受访研究员的原话是：现在我的工作受限于想法和算力，代码已经不再是瓶颈。
这份 11 月 5 日发布的独立评估，来得不是时候。Anthropic 正计划在本月冲刺上市，METR 的报告第一次给「AI 正在加速 AI 研发」这件事，提供了一个第三方、可核查的注脚。METR 是家在伯克利的非营利机构，研究的问题是前沿 AI 会不会失控，多年来它一直为 Anthropic、OpenAI 等公司做模型评估；这一次，它拿到了所谓「前所未有的内部数据访问权限」。为期 11 周的评估在 8 月到 10 月之间进行，依据的是三类材料：保密研究、访谈记录、三个未发布模型的性能数据。
METR 的 11 周审计：1.9 倍这个数字怎么算出来的
AECI 指标的定义与 95% 置信区间（1.5–2.8×）
METR 用的不是公开榜单，而是一个叫 AECI 的内部指标，它是 Epoch 能力指数在 Anthropic 内部的版本，把一堆细分测试成绩合成分，观察能力随时间怎么涨。数据显示：2025 年 10 月的分界点之前，增速约 15 分/年，之后跳到约 29 分/年。一年走完了此前两年的路，量级大致相当于 Claude 2.1 到 Sonnet 4.5 的距离。METR 自己也承认，95% 置信区间在 1.5 到 2.8 倍之间，换个统计假设结果能在 1.1 到 2.9 倍之间摆动。这个数字是可靠的量级，不是精确值。报告还透露，最新内部模型在测过的每项测试上得分都超过 50%，难题快不够用了——METR 担心这套测量方法以后很难再维持下去，这本身就是一个信号：测量开始追不上进步的速度。
三个未发布内部模型（Model 2/3/4）如何拉高了斜率
审计里最关键的一块，是三个还没发布的模型：Model 2、Model 3、Model 4，它们在 2026 年 7 月到 10 月间完成训练。其中最强的 Model 4 在很多常见基准上得分已超过 90%，Anthropic 员工在 10 月的主观自评认为它对自己的工作提效约 12 倍。这些模型未必会发布成产品，但它们的存在提醒外界：只看发布会和公开榜单，会漏掉 AI 大厂内部正在发生什么。这也是 METR 的 1.9 倍比 Anthropic 自己在 Haiku 5.5 系统卡里报的 1.7 倍更高的主要原因。把提效曲线串起来看：2025 年初约 1 倍，Opus 4.5 约 2.5 倍，Mythos 5 约 5 倍，Model 4 跳到 12 倍，指数拟合下来是每年约 3.9 倍——这条曲线比任何一个单独的 1.9 都要陡。
排除算力变量后的归因：AI 辅助占增量约 80%
METR 相当确信，这次加速跟训练算力规模增长变快无关。招人、数据、算法突破等其他因素的很多细节在报告里被删掉了，但剩下的证据共同指向同一个方向：AI 帮人写代码、跑实验，贡献了增量的大约八成。排除算力之后，加速的第一引擎是 AI 自己参与研发。
研究员的真实体感：从「写代码」迁移到「想问题」
访谈原话：像多了一个博士后和一个研究生
访谈里反复出现同一个现象：研究人员终于可以试更多想法了。过去，一个实验可能花一两天来实现，时间和算力成本是不可逾越的，很多想法还没来得及验证就被搁置。如今，研究人员把多个想法交给 Agent，看哪些值得继续追下去。有研究员形容，用了 Claude 之后，自己仿佛多了一个博士后和一个研究生在推进项目。实验和实现变便宜了，原本被认为不值得投入的小实验，也开始有机会长成新的研究方向。
内部 Slack 表情投票：12 倍提效的数字可信度
METR 明确提醒，12 倍这个数字来自非正式的内部 Slack 表情投票，并不可靠，只能当作量级参考。它和 METR 自己估算的约 2 倍并不矛盾——一个是从下往上的主观体感，一个是从上往下的外部测量。
为什么 METR 估算 2 倍、员工自评 12 倍会同时存在
两个数字度量的不是同一个东西，这个差别本身就值得说清楚。METR 的 AECI 是「模型侧」的读数：模型整体在变强，变强有多快。12 倍是「任务侧」的体感：某一件具体的事被加速了多少倍。模型侧的 1.9 倍，不等于每一项研发任务都被加速 1.9 倍。有些环节，比如写代码、跑实验，可能快了几倍；另一些环节，比如设计训练方案，几乎没变快。把两个数字对齐来看，才能理解「加速是真的，但还不均匀」这个判断——瓶颈正在从实现，往想法迁移。
加速不等于失控：METR 划的那条线
「AI 尚不能独立承担训练最关键环节」的原文与语境
报告里被反复强调的一句话是：AI 目前尚不能对模型训练最关键的阶段作出高度重要、完全自主的贡献。METR 没有宣布「无人化已经实现」，它记录的是「清晰的生命迹象」——能力正在逼近那个阈值，但还没跨过去。Amodei 在 9 月的文章里也写下过类似判断：这个反馈回路正在逐月加速，距离当前一代 AI 自主构建下一代，可能只差 1 到 2 年。报告发布的同时，Anthropic 的 S-1 已经递到监管桌上，市场要定价的正是「能力快过风险评估」这件事，METR 的独立结论恰好落在这个时间窗口上。
外部审阅者的不确定性警告与 Amodei 9 月放缓呼吁
外部审阅者补充：这个估算存在很大不确定性，实际加速幅度更接近 1.5 倍或 2.5 倍都不会让人意外。而另一边，Anthropic CEO Amodei 在 9 月公开呼吁放缓。METR 的报告第一次给这场内部争论提供了第三方刻度，也给外部监管者提供了一个可引用的参照。
全行业对比：前沿模型整体加速仅 1.4 倍
把视野放到全行业，前沿模型的整体加速只有约 1.4 倍。Anthropic 的 1.9 倍是头部实验室的内部读数，行业均值明显更低。这个差距说明，「AI 加速 AI」目前更多是少数领先者的体感，还不是全行业的普遍规律——评估能力追赶速度时，要把这个差别算进去。
对从业者与创业者的三个可操作判断
小团队 vs. 大厂：AI 辅助研发的门槛降到了哪里
当写代码不再是瓶颈，小团队用 Agent 并行推进多个想法的成本，正在快速逼近大厂的单点研发成本。门槛已经从「算力 + 人才密度」转移到了「想法密度」。对小团队来说，试错的代价已经低到了两年前无法想象的水平。具体来说：一个季度保持一两条 AI 辅助的实验线并行，验证速度就会明显快过一年前单线试错的节奏。重要的不是人多，是想法被跑到结论的密度。
下一波瓶颈大概率是算力与想法密度，而非代码
研究员现在受限于想法和算力，代码已不再是瓶颈。接下来要盯的是两条曲线：算力的供给曲线，以及单位时间能产出的高质量想法数量。代码本身不再是稀缺资源，注意力该放到下一个稀缺的东西上。对创业者，这等于把研发投入的排序换了一下：先锁算力供给，再提高想法评审的密度，代码工具排最后。
看什么先行指标能提前感知加速，而不是等发布会
别等发布会。盯三件事：内部模型在基准测试上的斜率（AECI 类指标）、员工对「AI 提效倍数」的主观自评趋势，以及难题被解掉的速度——METR 已经担心难题快不够用了，这套测量方法可能很快失效。这三个先行指标，会比任何发布会更早地给出信号。一句话：当评估机构开始抱怨「难题不够用了」，说明能力速度已经跑在测量系统前面，那是最早的一个灯。
参考文献
- AI is dramatically accelerating AI research right now — https://www.planned-obsolescence.org/p/ai-is-dramatically-accelerating-ai
- 独立研究称 Anthropic 模型进化速度翻倍，AI 正加速自我迭代 — https://m.sohu.com/a/1097904329_115060
- Claude 进化速度翻倍了，80% 增量来自 AI — https://m.36kr.com/p/4057518313690248
- Anthropic is rapidly accelerating AI development amid slowdown calls — https://apnews.com/article/anthropic-metr-ai-claude-acceleration-9cf8c590ffc1abdb489179bdccc69c23
- 宝玉：METR 独立评估 — https://x.com/dotey/status/2118466539510960161
如果浏览器无法直接唤起微信，可在微信内打开公众号主页：计算机魔术师
