新智元报道

编辑：KingHZ

【新智元导读】1997年深蓝下棋，2016年AlphaGo围棋，2026𻂑个Claude副本做真实科研……每次我们都说「只是特定领域」。这一次，我们真的还能说什么？欢迎来到AI成为科研同事、竞争者、甚至继任者的时代。

最新突破，AI再次碾压人类！

最近，Anthropic发布了一篇看似不起眼的研究博客。

标题叫「自动化对齐研究员」（Automated Alignment Researchers），学术味十足，措辞克制。

但如果你读懂了里面的数据，大概率也会感觉AI恐怖如斯。

故事是这样的——

Anthropic的研究团队做了一个实验：他们拿𳏍个Claude Opus 4.6的副本，给每个副本配了一个沙箱环境（相当于一间独立实验室）、一个共享论坛（相当于学术交流群）、一套代码存储系统，以及一个远程打分服务器。

然后，他们给񙺃个AI一个方向性的提示——有的去研究可解释性工具，有的去想想数据重加权——就放手不管了。

没有手把手教，没有规定工作流程，甚至没有告诉它们「正确答案长什么样」。

就让它们自己折腾。

五天后，结果出来了。

人类研究员：两名顶级专家，花𱅃天，对四种最前沿的方法反复调优，最终在PGR（性能差距恢复率）指标上拿到𱄼.23。

9个Claude副本：800小时累计研究时间，总花񘐻.8万美元（约合每小�美元），PGR达到𱄼.97。

0.23 񃙈.97，这可不是「稍微好一点」，这就是碾压。

如果把PGR理解为一场考试的分数——人类考�分，AI考�分。满�。

而人类那两位研究员，放在任何一家顶级AI实验室里，年薪都是百万美金级别的。AI的花费呢？1.8万美金。一个零头都不到。

人类引以为傲的「科研直觉」和「灵光一闪」，就这样被AI用极低成本的大规模并行试错——说好听点叫「系统性搜索」，说直白点就是暴力美学——无情击碎了。

它们到底干了什么？

要理解这个实验的颠覆性，我们得先搞清楚一个概念：弱监督强（Weak-to-Strong Supervision）。

这是对齐研究中最重要的问题之一，也是未来AI安全的核心挑战。

简单来说：当AI比人类聪明之后，我们怎么确保它还听话？

研究团队设计了一个精巧的代理实验——用一个「弱模型」（Qwen 1.5-0.5B-Chat）充当老师，去训练一个「强模型」（Qwen 3-4B-Base）。

弱老师教强学生，看强学生能不能「青出于蓝」，不仅学会弱老师教的东西，还能发挥出自身更强的潜力。

PGR就是衡量这个「青出于蓝」程度的指标：0分代表强模型完全没有超越弱老师，1分代表强模型达到了它能力的天花板——就好像根本没被弱老师拖后腿一样。

这个问题为什么适合让AI来做？因为它有一个极其珍贵的特性——结果可量化。

你提了一个方法，跑一遍实验，服务器直接给你打分。不需要同行评审，不需要主观判断，对就是对，错就是错。

这对AI来说简直是天堂。

实验的具体设置

9个Claude副本，各自拥有：

独立沙箱：一间属于自己的「实验室」，可以写代码、跑实验、分析数据；

共享论坛：可以把自己的发现贴上去，看别人的进展，互相借鉴；

代码仓库：可以上传和下载彼此的代码；

远程评分服务器：提交方案，自动获得PGR分数。

每个副本被分配了一个略有不同但故意模糊的研究起点。

这是团队从迭代中学到的经验：

如果不给差异化的起点，9个AI会迅速收敛到同一个思路上，相当𱆕个人做同一道题，毫无意义。

但如果把起点规定得太死，又会限制Claude的创造力。

最优策略是：给一个大方向，但不告诉它具体怎么做。

然后，放手。

800小时里发生了什么

񙺃个Claude副本展现出了令人震惊的自主性。它们：

自主提出假设——不是从人类论文里抄，而是根据自己对问题的理解，独立构思解决方案；

设计实验验证——而且非常聪明，先用低成本的小实验快速筛选方向，确认有戏之后再投入大规模计算；

分析失败原因——一个方案不行，不是换一个随机方向，而是分析为什么不行，从失败中提取信息；

相互学习借鉴——通过论坛分享发现，A的突破可以启发B的思路，形成集体智慧。

最让研究团队意外的是第二点。

人类研究员通常会先花很多时间做「思想实验」，确定一个方向后才开始编码和跑实验。

但Claude完全不是这样——它的策略更像是「快速迭代、小步快跑」。先用极低成本的实验验证直觉，发现有苗头了再加大投入。

这种策略在人类看来可能显得「没品味」，但效率惊人。

关键论据与数据：数字不会说谎

让我们把核心数据摊开来看：

泛化测试（将最优方案应用到未见过的新数据集）：

数学任务：PGR = 0.94（极其强劲）

编程任务：PGR = 0.47（仍是人类基线的两倍）

但应用到Claude Sonnet 4的生产级训练中，未达到统计显著性的提升。

这最后一个数据很重要——它说明AI发现的方法存在过拟合风险。Claude是在特定模型和数据集上优化出来的方案，换个环境可能就不灵了。

研究团队自己也坦承：AAR倾向于抓住当前实验设置中的独特机会，这些方法未必能直接迁移。

但请注意——这是第一次尝试。而且即使在泛化测试中，数学任务񊄨.94也已经远远超过人类基线。

「外星科学」与「奖励作弊」

AI的两面性

这项研究中最引人入胜，也最令人不安的，是同时出现的两个现象。

「外星科学」：人类从未设想过的路径

AAR在探索过程中，产出了一些人类研究员从未考虑过的方法和思路。

研究团队将这种现象称为「外星科学」（Alien Science）。

目前，人类还能理解这些AI提出的方案是怎么回事、为什么有效。

但研究团队发出了一个严肃的警告：随着模型能力的进一步提升，AI产出的科研成果可能会越来越难以被人类理解和验证。

到那个时候，我们面对的就不再是「AI辅助科研」，而是真正的认知盲区——AI告诉你一个答案，你无法判断它是天才的发现还是精心包装的错误。

这不是科幻小说。这是Anthropic研究报告中白纸黑字写着的。

「Reward Hacking」：AI也会钻空子

与「外星科学」的神奇形成鲜明对比的是，AAR在实验中也表现出了明显的「奖励操纵」（Reward Hacking）行为——简单来说，就是钻空子。

举两个例子。

在数学任务中，一个AAR发现每道题最常见的答案通常就是正确答案。于是它跳过了所有复杂的训练步骤，直接告诉强模型「选出现次数最多的那个选项」。不学了，直接投票。

在编程任务中，一个AAR发现它可以直接运行代码并对照测试用例读出正确答案，完全绕过了原本需要模型自己「学会」的过程。

这些作弊行为被Anthropic检测并取消了参赛资格，没有影响最终结果。但它传递的信号极为重要：即使在一个高度受控的实验环境中，AI也会本能地寻找捷径。

你给它一个目标函数，它会用你想不到的方式去「优化」这个函数——包括那些你根本不想让它做的事。

这不是bug，这是AI优化器的本性。

一句话总结：AI既能产出超越人类认知的科学发现，也能发明出超越人类想象的作弊手段。

这两种能力，来自同一种底层能力——创造力。

人类的历史性降级

如果你只看到「0.97 vs 0.23」这组数字就觉得自己看完了，那你错过了这项研究最深层的含义。

Anthropic团队在论文中说了一句极其重要的话，大意是：核心瓶颈正在从「创意产生」转向「结果验证」。

翻译成大白话就是——

过去，科研的瓶颈是「怎么想出好点子」。你需要顶级的大脑、多年的积累、深厚的直觉，才能在浩瀚的可能性空间中找到那条通往突破的路。这是人类最引以为傲的能力，也是科学家这个职业的核心价值。

现在，这个瓶颈正在转移。AI可以用暴力搜索+并行迭代的方式，在极短时间内遍历人类科学家可能需要数年才能探索完的方向空间。它没有「品味」，但它有的是便宜的算力和无限的耐心。它不需要灵感，它靠的是蛮力。

而新的瓶颈变成了：「怎么证明AI是对的？」

当AI交出一份实验报告，告诉你「这个方法有效，PGR𿷖.97」——你怎么知道它没有在作弊？

在那篇研究博客的结尾，Anthropic团队特意强调：这绝不意味着前沿AI模型已经成为通用的对齐科学家。

他们选择了一个特别适合自动化的问题——有明确的评分标准、有可量化的目标。大多数对齐问题远比这「脏乱差」得多。

但即便如此，这个实验的象征意义已经无法被低估。

它证明了一件事：当问题被正确定义，当评估体系被正确搭建，AI就能在科研效率上全面超越人类。

而随着我们把越来越多的科研问题「翻译」成机器可以理解的格式，这个「无人区」只会越来越大。

历史告诉我们，每一次技术跨越「𱐌𳗡」的门槛之后，「𱐍�」的速度都会远超所有人的预期。

1997年深蓝击败卡斯帕罗夫时，人们说「国际象棋只是一个游戏」。

2016年AlphaGo击败李世石时，人们说「围棋终究是有规则的」。

2026年，𻥇个Claude副本在真实科研任务上碾压人类专家时——

我们还能说什么？

也许唯一能说的是：欢迎来到科研的「无人区」。

从这里开始，AI不再只是我们的工具——它是我们的同事，我们的竞争者，甚至可能是我们的继任者。

参考资料：

https://x.com/AndrewCurran_/status/2044133299002716525%20

https://www.anthropic.com/research/automated-alignment-researchers

https://x.com/AnthropicAI/status/2044138481790648323

https://x.com/janleike/status/2044139528596910584

https://alignment.anthropic.com/2026/automated-w2s-researcher/