看到“AI正在帮助开发下一代AI”，我最先想问的是：它帮了哪一步？只是写几段代码，还是已经能自己安排实验、判断结果？如果这些都被装进一个百分比，我很难知道该怎么理解。
我的判断是：看AI研发进展，除了能力测试，也值得看研发过程。参与程度、监督方式和资源投入，回答的是三个不同问题。它们可以补充跑分，但不能单独证明模型安全，或证明AI已经能独立造出自己的下一代。
资料核查日期：2026年9月18日。本文讨论9月17日公开的指标提案，属于新闻解读和阅读方法，不是对实验室内部数据的独立审计。
这次公开的究竟是什么？
Anthropic提出用三类测量增加外界对前沿实验室研发过程的了解：AI承担研发工作的程度、代理行动的监督与干预能力，以及算力分配。它也公布了内部快照，并表示计划引入独立第三方评估者。出处见 官方资料。
我会特别留意“快照”和“计划”两个词。一次公开资料不能替代连续观察；准备让第三方参与，也需要看后续的接入范围、方法和公开结果。阅读时先确认资料的性质，后面的判断才有落点。
三类指标，我会分别问什么？
| 关注面 | 我会追问 | 不能直接推出 |
|---|---|---|
| AI参与研发 | 哪些任务被计入，人做了什么？ | 所有研究工作都能无人完成 |
| 代理监督 | 什么时候发现问题，能否及时介入？ | 没有已知事件就绝对安全 |
| 算力分配 | 统计周期和投入范围是否一致？ | 投入更多就必然得到更强模型 |
如果让我选一个最值得先弄懂的地方，我会选任务口径。写实验脚本、整理文献、提出研究方向和作出最终决策，对人的要求并不一样。把它们混在一起，很容易让读者以为某一环节的进步覆盖了整个岗位。
我为什么不急着拿一个数字下结论？
Epoch AI的研究把AI研发拆成任务清单，并讨论任务自动化分级。这个思路提醒我，先说明工作包含什么，再看自动化覆盖了哪些部分，比较会更有意义。相关方法见 方法与说明。
先核对分母
我会在笔记里写下：报告包含多少种任务，哪些不在统计内。比如，只有容易留下日志的工作被统计，比较结果可能更偏向工具执行，难以覆盖非正式讨论和复杂判断。这是我阅读此类报告的检查建议，不能据此认定某份报告已经存在偏差。
再看“完成”指什么
一段代码生成了，算不算完成？如果还需要人修正、测试和批准，最好把这些工作记在同一条任务记录里。否则你看到的是生成速度，无法判断整体交付是否节省了时间。
最后看是否能重复观察
一份报告给出的基线很有用。我还会期待后续资料沿用相近方法，解释口径变动。换了任务集合、模型版本或统计周期，就需要说明差异；两个数字能排在一张图里，并不意味着可以直接比较。
普通团队能借鉴什么？
你不必开一家AI实验室，也能借鉴“按任务记录”的想法。我的建议是选一条已经熟悉的工作流程，分别记录AI做了什么、人补了什么、结果由谁验收。先让记录能解释具体工作，再考虑是否需要汇总指标。
- 选择一件有明确交付物的小任务，例如整理公开资料索引。
- 保留原始输入、AI产物和人工修订，避免只留最终漂亮版本。
- 记录返工原因：遗漏资料、误读条件，还是输出格式不合适。
- 以合格交付为终点，查看整个流程，而不只看生成耗时。
举个我会采用的示例：一份行业资料摘要，AI负责找候选页面和起草摘要，人核对日期与引用。验收时要求每个主要观点能回到来源。这个例子是流程建议，不是已经完成的效果测试。
这些资料还有哪些限制？
实验室自己的公开说明，是重要的一手材料，也带有提供方的观察范围。我的解读没有访问内部系统，不能独立复核其统计。不同实验室公开程度、任务结构和记录方式可能不同，做横向排行榜尤其需要谨慎。
我也不会把研发指标当成购买建议。你要选工作工具，仍需要验证它能否完成自己的任务、成本是否合适，以及结果能不能被检查。研究过程的透明度和日常工具的适用性，可以同时关心，但各自需要证据。
FAQ：几个容易混淆的问题
这代表AI已经完全自主开发AI了吗？
这份指标提案本身不能支持这个结论。我的建议是回到任务范围、人工参与和验收条件，避免把局部自动化扩写成全流程自主研发。
有监督指标，就能不检查代理输出吗？
我仍会检查。指标帮助了解监督过程，实际任务还要有适合它的验收动作，例如来源复核、测试结果和负责人批准。
应该优先看跑分还是过程指标？
我会先按问题选材料。想知道模型能做什么，看相关能力证据；想知道研发怎样组织与监督，看过程资料。两类材料合起来，判断才更具体。
参考资料
官方资料（Anthropic，2026年9月17日；核查于9月18日）
方法与说明（Epoch AI任务分类方法；核查于2026年9月18日）
