---
title: "通俗解读：AI 跑多快、谁来盯？Anthropic 给公众的三块'发展仪表盘'"
date: "2026-09-19"
description: "Anthropic 首次公开三项测量指标：Claude 已主导 26% 的 AI 研发工作、超 90% 工作达到 AI 协作级、3 万 Agent 受 100% 在线监控、AI 研发算力仅 6% 投向安全。一文读懂'给 AI 发展测速'。"
tags: ["Anthropic", "AI发展速度", "自动化指数", "Agent监督", "算力分配", "AI治理", "透明度"]
schema_type: Article
---

想象一个场景：你是一家公司的老板，你的员工正在以越来越快的速度自我升级——他们甚至开始自己招聘、自己培训新员工。作为老板，你最想知道什么？三件事：他们到底在多大程度上自己干活、你有没有能力盯住他们、公司资源都花到哪儿去了。

**AI 开始自己造自己，人类需要一块仪表盘。** **Anthropic 首次公开三项 AI 发展测量指标。** **Claude 已主导 26% 的 AI 研发工作。** **给 AI 发展减速，前提是看得清它跑多快。**

这就是 Anthropic 研究院 2026 年 9 月发布的新文章《Measurements for understanding the pace of AI development inside frontier labs》（测量前沿实验室内部的 AI 发展速度）在做的事。它把"AI 发展速度"从一句口号，变成了可以公开核对的三组数字。本文用大白话拆解这篇技术文章，并聊聊它对金融行业的启示。

## 一、为什么要"测量"AI 发展速度？

先交代背景。Anthropic 的 CEO Dario Amodei 此前多次呼吁"给前沿 AI 发展减速"（We Must Pace the Frontier）。但"减速"是个政策主张，政策要落地，前提是得有数据：AI 到底发展多快？快在哪里？是 AI 自己在加速自己，还是人类在加速它？

过去大家只能看"能力评测"——给模型出题，看它考多少分。这相当于只看"产品说明书"，不看"生产线"。这篇新文章补上的正是生产线视角：**模型是怎么被造出来的，造的过程里 AI 自己出了多少力，人类又还剩多少控制力。**

Anthropic 给出了三个测量维度，并公布了自家 2026 年 8 月的实测快照。

## 二、测量一：AI 自己干多少活？——"自动化指数"

**这是什么：** Anthropic 把公司里所有 AI 研发工作（从写代码、跑实验到修故障）编成一本"工作清单"，然后给每种工作评定一个"自动化等级"（AL，Automation Level），从 AL0 到 AL5。

可以理解为给员工评级：
- **AL0-AL2**：AI 基本是"打杂助理"，人让干什么就干什么
- **AL3（协作）**：AI 像能干的下属，能在人紧盯下干完一大块活，遇到岔路会停下来问
- **AL4（主导）**：AI 像独当一面的主管，你给它一个方向，它能端到端干完，你只需要抽查
- **AL5（完全自主）**：AI 像全权 CEO，自己发现问题、自己修、自己上线，人完全可以不出现

**测得什么：** 截至 2026 年 8 月，在 Anthropic 内部：
- **没有任何一块 AI 研发工作达到 AL5（完全自主）**
- **AI "主导"（AL4 及以上）了 26% 的 AI 研发工作**
- **AI "协作"及以上（AL3 及以上）覆盖超过 90% 的工作**

翻译成大白话：AI 距离"完全自己造下一代自己"（即所谓的递归自我改进）还有距离，但"人类主导、AI 打下手"的时代已经过去了——现在 AI 已经在四分之一以上的研发工作里扮演"主管"，在九成以上的工作里深度参与。

**怎么测的：** 方法很"笨"也很扎实。7 月的每个星期，随机抽 20% 员工，让一个 Claude 研究 Agent 翻看他们的 Slack 聊天和内部文档，列出他们这周干了啥，汇总出约 1.5 万个细粒度任务，再组织成一棵 542 个节点的"工作树"。之后由另一个 Claude"裁判"给每个节点评级。为了防"自己夸自己"，还让人工主管背靠背打分对照：模型与人类打分完全一致率 59%，人类彼此之间反而只有 35%——模型裁判的可靠性至少不差于人类同事。

## 三、测量二：人类盯得住 AI 吗？——"Agent 监督三件套"

AI 研发越来越自动化，Anthropic 内部同时有约 **3 万个 AI Agent** 在做研究和工程工作。这么多"数字员工"同时干活，人类怎么保证它们不闯祸？文章给出了三个指标，凑成一套"监控系统体检表"：

1. **覆盖率（coverage）**：Agent 的动作里有多少被监控？
   - 结果：**100%**。每个动作在执行前先过在线监控，执行后再被离线监控全部吞入分析。
2. **审查延迟（review latency）**：从动作发生到被审查，隔多久？
   - 结果：自动审查在动作执行前完成；被拦截的动作一周内由人工复审；每周约 10 万份对话记录被标记，其中最高优先级约 50 份升级到人工。
3. **升级率（escalation rate）**：多少动作被拦下或标记？
   - 结果：分析了 8 月超过 **10 亿个决策**，只有 **0.002%**（约 1/47000）被监控拦截；每千份记录中约 1-2 份被标记复审。

这套体系有两个精巧设计：
- **给每个 Agent 发"工牌"（身份）**：每个 Agent 有独立身份，所有数据绑定到身份。这样 Agent 之间不会混淆"自己的想法"和"别人的说法"，出问题也能精准追责到"哪个 Agent 干的"。
- **让 Agent 公开说话（开放通信）**：Agent 之间通过共享、开放的消息系统交流，每条消息都带身份、可追溯。这避免了"传话游戏"——A 告诉 B，B 再转述给 C，信息层层失真。

对普通人的意义：**当 AI Agent 数量从几千涨到几百万，哪怕单个 Agent 出事的概率极低，总量也会让"罕见事故"变成"家常便饭"**。所以监控不是小题大做，而是规模化的必然要求。

## 四、测量三：算力都花到哪儿了？——"研发开支账本"

算力是 AI 研发最"硬"的投入，也是最容易被外部核实的指标。Anthropic 把 2026 年 7 月 13 日至 20 日一周内所有算力使用做了分类盘点，重点看一个比例：**投给"安全研究"的算力占 AI 研发算力的多少？**

结果：**约 6%**。如果只看"AI 驱动的 AI 研发"（即 AI Agent 消耗的算力），这个比例是 **约 12%**。

文章特意强调这是"保守估计"：凡是既帮能力又帮安全的工作，一律不计入安全；护栏分类器等额外算力也没算进去。也就是说，真实的"安全投入"比 6% 要高，但口径从严，方便未来跨公司、跨时间对比。

这个指标的价值不在绝对数字，而在"可对比"：就像家庭记账，光看一个月花了多少钱意义不大，但坚持记下去，就能看出钱是流向"改善生活"还是"买买买"，也能跟邻居家对比。未来如果真要协调"给 AI 减速"，算力分配比例可以成为可验证的政策抓手——比如约定"安全研究算力占比不得低于 X%"。

## 五、三个数字背后的诚实与局限

这篇文章的可贵之处，是把自己的测量漏洞也写了出来：

- **AI 当裁判，可能和 AI 选手犯同样的错**：自动化指数的评级依赖 Claude 当裁判，裁判和选手可能犯同类错误。对策是引入第三方或他家的模型交叉验证。
- **"零幻觉"不等于"零错误"**：任何测量都只是快照。算力测量只覆盖一周，趋势还没形成；分类器的标签本身也可能不准。
- **算力份额不等于安全投入**：一个更高效的安全分类器会降低安全算力占比，但不代表安全工作变少了。
- **独立第三方正在进场**：Anthropic 明确表示将把多个组织的独立第三方评估者嵌入公司内部，给予接近内部风控团队的权限，验证安全实践、报告事件、监督这些指标——相当于给自家仪表盘请外部审计师。

## 六、对金融行业的三点启示

作为前沿人工智能探索者，我读这篇文章最大的感受是：**前沿 AI 实验室正在做的事情，和银行业过去二十年做的事情高度同构——用可验证的指标，回应公众对透明度的要求。**

**第一，"透明度"正在成为 AI 行业的监管语言。** 银行被监管要求披露资本充足率、不良率、风险加权资产——一套标准化的"银行体检表"。Anthropic 这篇文章本质上是为 AI 行业起草"体检表"：自动化指数、监督覆盖率、算力分配。这些指标未来很可能演化为监管报送项。金融机构在评估 AI 供应商时，应当把"对方能否提供这类可验证指标"纳入尽调清单。

**第二，"AI 自己造 AI"的比例，是金融机构必须关注的系统性风险指标。** 如果前沿模型的研发越来越依赖 AI 自身（26% 已由 AI 主导），那么模型供应链的风险将不只是"模型会不会出错"，而是"造模型的过程人类还看不看得懂"。这对依赖 AI 做风控决策的银行意味着：模型风险管理（Model Risk Management）的边界必须从"模型行为"延伸到"模型的产生过程"。

**第三，"Agent 监控"是银行 AI 治理的必修课。** Anthropic 为 3 万个内部 Agent 建立身份、开放通信、在线+离线双监控的做法，完全可以迁移到银行的 Agent 应用场景：为每个自动化 Agent 建立可审计身份，动作全量留痕，异常自动升级人工。文中"10 亿决策中 0.002% 被拦截"的监控体系，正是银行大规模部署 AI Agent 前的安全基线参考。

## 结语

这篇文章没有给出"AI 发展该不该减速"的答案，但它给出了一个更基础的东西：**测量的尺子**。没有尺子，任何关于"太快还是太慢"的争论都是空谈。

对公众，这把尺子让"AI 内部发生了什么"第一次有了可核对的数字；对监管者，这把尺子提供了未来政策工具的雏形；对金融行业，这把尺子提醒我们：AI 治理的下一站，不是管住模型"说什么"，而是看清模型"怎么被造出来、谁来盯着它、资源流向了哪里"。这三块仪表盘，银行也该给自己装一套。

（本文为前沿人工智能探索者基于公开资料的通俗解读，不构成投资或采购建议。）

## 事实来源

- Anthropic 研究院：《Measurements for understanding the pace of AI development inside frontier labs》（2026 年 9 月），作者 Marina Favaro、Phillie Wright
- 文中数据均出自上述文章 2026 年 8 月内部快照：自动化指数（AL3+ 超 90%、AL4+ 为 26%、无 AL5）、Agent 监督（约 3 万 Agent、100% 覆盖、0.002% 拦截率、每周约 50 例最高优先级升级人工）、算力分配（AI 研发算力约 6% 投向安全、AI 驱动研发中约 12%）
- 背景关联：Dario Amodei《We Must Pace the Frontier》（2026）、Anthropic《Recursive Self-Improvement》（2026）、Epoch AI 自动化等级量表（AL0-AL5）

（原文为外部公开网页，标注口径以 Anthropic 官方发布为准。）