转自：新智元

一早，谷歌DeepMind研究员重磅预测刷屏全网！

或许它已经在谷歌内部实现了。

此前，Jeff Dean曾在NeurIPS 2025炉边谈话上，指出了目前LLM痛点在于「缺乏持续学习」。

去年底，谷歌团队提出的「嵌套化方法」增强了LLM上下文处理能力，实现了持续学习。

拓展阅读：终结Transformer统治！清华姚班校友出手，剑指AI「灾难性遗忘」

持续学习，对于任何一个模型和智能体来说，至关重要。它是AI能否自我改进，不断涌现的一个核心要素。

Anthropic CEO Dario Amodei也表示，持续学习将在2026年就搞定了，并能实用起来。

实际上，AI这种持续学习的苗头，早已显现。

Anthropic工程师自曝，过去一个月，自己对Claude Code的贡献，全部由AI 100%直出代码。

另一位非技术型程序员Ben Tossell四个月，烧掉30亿Token，用Claude Code连造50个项目。

Tossell全程所做的，只是看着AI完成编码。

这一刻，模型不再通过训练获得改进，而是在自编码过程中不断进化。

人类不用插手，几乎0干预，全自动化编程和研究的时代更近了。

OpenAI研究员Hieu Pham预测，2026将见证AI破解一个千禧年难题

全自动化编程（Automated Coder, AC），会不会成为AGI乃至ASI加速到来的关键拐点？

前OpenAI研究员Daniel Kokotajlo和他的团队给出了肯定答案。

他们利用自主开发的AI Futures Model做出了惊人预测：

团队认为，AC就像是AGI研发进入自动化加速阶段的「开关」。

一旦这个开关被按下，ASI就极有可能快速起飞（25%概率在1年内实现）。

扩展阅读（前作）：末日时间表来了！前OpenAI研究员76页硬核推演：2027年ASI接管世界，人类成NPC

https://blog.ai-futures.org/p/ai-futures-model-dec-2025-update

针对 AGI 时间线预测这一争议话题，团队认为METR-HRS是目前最适合用于线性外推至超强AI的基准。

具体来说，就是以「能力基准趋势外推」作为核心方法，利用METR的编码时间跨度套件（METR-HRS）来设定达到AGI所需的有效算力，并沿着这条趋势线进行推演。

AI Futures Model 将 AI 软件研发的自动化与加速轨迹，直观地划分为三个阶段：

• 自动化编程

• 自动化研究品味

• 智能爆炸

  
  

首先预测「写代码」何时会被完全自动化。

模型对自动化编程器（Automated Coder，AC）的定义非常硬核：

模型的推演起点的依据是METR图表的趋势外推，并预估「智能体式编码时间跨度」达到何种水平才算作AC。

同时，模型不仅仅盯着曲线，还综合考量了多重变量：

• 供给约束是否会导致增长放缓；

• AI研发自动化是否会带来加速效应；

• 时间跨度趋势是否呈现超指数级增长；

• ……

除了代码之外，模型还追踪了另一项关键能力——研究品味（Research Taste）。

它指的是确定研究方向、挑选实验、解读结果以及从实验中提取知识的能力。

这更像是一种「团队协作」：写代码是执行力，研究品味是方向感。执行力再强，如果方向感跟不上，也只是在跑无效里程。

阶段2的目标是预测从AC进化到超人类AI研究员（Superhuman AI Researcher，SAR）需要多长时间。

SAR的定义同样强悍：

这一阶段的速度取决于三个因素：

• 写代码自动化能为AI研发带来多大的加速；

• 当AC出现时，AI的研究品味已经达到了什么水平；

• AI研究品味的提升速度（即在同样的进展输入下，每做一次实验能带来多少额外价值）。

  
  

当AI研发实现完全自动化，模型便进入了最让人心跳加速的阶段：

这一阶段追踪的里程碑包括：

• 超智能AI研究员（Superintelligent AI Researcher，SIAR）：

  在顶尖AGI项目中，AI研究员与人类研究员的差距，达到了顶尖人类研究员与中位研究员差距的2倍。

• 顶尖专家级AI（Top-human-Expert-Dominating AI，TED-AI）：

  在几乎所有认知任务上，至少达到顶尖人类专家的水平。

• 超级人工智能（Artificial Superintelligence，ASI）：

  在几乎所有认知任务上，ASI与最强人类的差距，是最强人类与中位专业人士差距的2倍。

  
  

在模拟推演中，研究人员发现，存在一些轨迹显示AI可以在数月内从SIAR跃升至ASI；但也存在在智能爆炸阶段「哑火」的可能，即需要继续通过堆算力才能达到ASI。

要想实现最快的起飞，通常需要一个反馈循环：让AI能力每一次翻倍所需的时间，都比上一次更短。

在此，模型提出了一个关键概念——「仅靠研究品味的奇点（taste-only singularity）」：

这一奇点是否会出现，将取决于「创新想法变得越来越难挖掘的速度」与「AI研究品味提升速度」之间的博弈。

如果说AI Futures Model描绘的是AI自身进化的「速度」，那么Nature最新的展望则向我们展示了这种进化将如何重塑科学探索的「广度」。

尽管时间线难以精确锁定，但科学界对终局的共识逐渐清晰：

常驻牛津、《超级智能：路径、危险与策略》的作者Nick Bostrom预计，AGI将2050年前后出现，并具备回答「我们当前关心、且原则上可以由科学回答的大多数问题」的能力。

即便没有所谓的超级智能全面主导，到了2050年，AI也可能让科学研究的方式发生根本变化。

对此，伦敦研究与前瞻公司Outsmart Insight联创Alex Ayad描述了一种名为「黑灯实验室」（lights out labs）的场景：

而这，也将催生一个完美的「共生循环」：

在此基础上，墨西哥国立自治大学物理学家Juan Carlos Hidalgo给出了一个乐观的预测：