AI写代码占比超80%：每4个月能力翻倍意味着什么

引言：这不是未来，这是当下

前不久，Anthropic 发布了一篇重磅文章《当AI开始构建自己的时候》（When AI Starts Building Itself）。这篇文章没有在畅想未来，而是在记录一个正在发生的事实——AI已经开始帮AI写代码、独立接管任务，而且它不是辅助角色，是真正意义上的接管。

Anthropic 由前 OpenAI 副总裁 Dario Amodei 和 Daniela Amodei 兄妹于2021年创立，其核心使命是"AI安全研究"。公司提出了"负责任的扩展政策"（Responsible Scaling Policy），承诺在模型能力达到特定危险阈值时暂停扩展，直到安全措施跟上。在当前 OpenAI、Google DeepMind、Anthropic 三足鼎立的AI竞赛格局中，Anthropic 的差异化定位恰恰在于：它试图在推动能力边界的同时，保持对风险的清醒认知。而这篇文章，正是这种立场的一次集中表达。

文章中披露的几组数据和真实案例，足以让每一个从业者重新审视自己的位置。

能力飙升：四个月翻一倍的恐怖节奏

判断AI能力强不强，最直观的方式是看它能独立搞定多长时间的任务。来看这条增长曲线：

• 2024年3月：Claude 能完成人类大约 4 分钟的工作量
• 一年后：提升到 1.5 小时
• 2025年至今：已经能处理 12 小时级别的任务

注意这个节奏——它能搞定的任务长度，差不多每四个月就翻一倍。这种指数级增长模式在AI领域并非孤例，它与著名的"摩尔定律"有着相似的底层逻辑——摩尔定律描述的是集成电路上晶体管数量约每两年翻一倍，而AI能力的增长曲线甚至比摩尔定律更陡峭。驱动这种增长的力量包括：模型架构的持续优化（如 Transformer 架构的各种变体）、训练数据规模和质量的提升、推理时计算（inference-time compute）技术的突破，以及强化学习从人类反馈（RLHF）等对齐技术的进步。值得注意的是，这里衡量的不是传统的基准测试分数，而是"能独立完成的任务时长"——这是一个更贴近真实生产力的指标，因为它综合反映了AI的规划能力、错误恢复能力和长程上下文理解能力。

按照这个速度外推，到明年它可能就能接管人类需要花好几周才能完成的工作。

再看 Anthropic 公司内部的数据，更加直观：到2025年5月，他们代码库里超过80%的代码都是 Claude 写的，而一年多前这个数字还只是个位数。结果就是，每个工程师每天的交付代码量是两年前的八倍。工程师们干的活，已经从"写代码"变成了"审代码"。

这个数据背后反映的是一种全新的软件开发范式——"AI原生开发"（AI-native development）。在这种模式下，工程师的角色从"代码生产者"转变为"代码审查者和架构决策者"。这与传统的代码自动生成工具（如早期的代码模板、低代码平台）有本质区别：Claude 不是在填充模板，而是在理解需求后自主编写逻辑完整的代码。这也引发了一个行业性问题：当大部分代码由AI编写时，代码的可维护性、安全审计和技术债务管理将面临全新挑战——毕竟，审查AI写的代码和审查人类写的代码，所需的技能和心智模型可能完全不同。

不只是快，是真的能干：三个真实案例

光看数字可能还没有实感，文章中记录了三个发生在 Anthropic 内部的真实事件。

案例一：修Bug——一人四年的活，AI一口气干完

今年4月，Claude 一口气交付了800多个修复，将某一类 AI 数据 API 错误的发生率压低了一千倍。负责盯着它干活的工程师估算，这事换人来做，至少得花四年。

案例二：救火——两小时搞定三天的排查

一次线上事故，工程师只给 Claude 丢了一段问题说明和一个服务器权限，剩下的全靠它自己。Claude 一项一项排查，最后揪出一个极其冷门的调试开关，复现、确认、给出修复方案，两小时搞定。这种活，人类通常需要两到三天。

案例三：独立科研——AI啃下97%的开放课题

这是最震撼的一个。Anthropic 放手让一群 AI 智能体去独立做一个开放性研究课题。两个人类研究员花了一周，只啃下了23%的问题。而 Claude 这群 AI 烧掉了800小时算力、花费一万八千美元，啃下了97%——而且里面每一个实验都是 AI 自己设计的。

这个案例涉及的是当前AI领域最前沿的方向之一——AI Agent（智能体）。与传统的单次问答式AI不同，AI Agent 具备自主规划、工具调用、环境交互和迭代反馈的能力。它可以将一个复杂的研究问题分解为多个子任务，自主设计实验方案，执行实验，分析结果，并根据结果调整下一步策略。这里的"800小时算力"也揭示了一个重要趋势：AI科研的成本结构正在从"人力密集型"转向"算力密集型"。这种通过大规模并行AI智能体来"暴力搜索"解空间的方式，在药物发现、材料科学等领域已经开始展现威力，而 Anthropic 的这个案例证明，它在AI研究自身也同样有效。

判断力：人类最后的护城河正在被追上

你可能会想：AI再强，不也得人来决定方向吗？判断力应该是人的护城河。

文章里有一个测试，看完让人后背发凉。他们专门挑研究员在真实工作中走错路的那个瞬间，截图下来问 AI："换你，下一步该怎么走？"然后让另一个 AI 来盲评，看谁的建议更好。

这种实验设计在AI评测领域被称为"反事实评估"（counterfactual evaluation）——它不是在理想化的基准测试中考AI，而是在真实的、充满不确定性的决策场景中考验AI的判断。用另一个AI进行盲评则借鉴了学术界的同行评审机制，目的是消除人类评审可能存在的偏见（比如人类可能倾向于认为人类的判断更好）。

结果是：

• 2024年11月：AI 赢的比例是 51%（基本持平）
• 2025年4月：AI 赢的比例飙升到 64%

从51%到64%的跃升发生在短短五个月内，这个速度意味着AI在"元认知"层面——即"知道什么时候该换方向、什么时候该坚持"——正在快速进步。这种能力过去被认为是人类独有的，因为它依赖于直觉、经验和对不确定性的感知。

连"该往哪走"这种最像人类直觉的判断，AI 都在一点点追上来。这意味着，执行力之后，判断力也不再是安全区。

三种未来：窗口正在关闭

文章勾勒了接下来可能的三种走向：

第一种：增长放缓。 曲线逐渐变平，现有能力扩散到各行各业。世界会变，但留给人类的适应时间最充裕。

第二种：持续加速。 AI 大幅提效，但方向盘还握在人手里。一个100人的公司能干出1万人甚至10万人的活。组织形态将被彻底重塑。

第三种：AI造AI。 AI 开始自己设计、改进下一代 AI，人退到旁边只做监督和审核。这就是那个听起来有点吓人的词——递归自我改进。

"递归自我改进"（Recursive Self-Improvement）是AI安全领域最核心的议题之一，也是"智能爆炸"（Intelligence Explosion）假说的核心机制。这个概念最早由数学家 I.J. Good 在1965年提出：如果一台超级智能机器能够设计出比自己更聪明的机器，那么就会出现一个"智能爆炸"，人类智能将被远远甩在后面。在当前语境下，递归自我改进意味着AI不仅能写应用代码，还能改进自身的训练流程、优化自身的模型架构、甚至设计更好的训练数据筛选策略。这与普通的"AI辅助编程"有本质区别——后者是AI帮人写代码，前者是AI帮AI变得更强。一旦这个循环启动且速度超过人类监督能力，控制权可能在极短时间内发生不可逆转移。

Anthropic CEO Dario Amodei 自己说，他最担心的是后两种情况，因为它们跑得太快，留给社会准备的窗口太小了。

人还剩下什么？

文章里有句话值得反复咀嚼：

写代码、跑实验这种执行层面的活，人力成本已趋近于零。人还剩下的优势是判断力——选哪些问题值得做，什么时候一条路走不通该及时收手。

但真正戳到我的，是一位工程师的自白：

"顺利的日子里，我老觉得自己做的事情都不重要了，全被自动化了，还干得比我又快又好。可总有那些日子，所有东西都在崩……就那一刻我才发现，我好像已经不太清楚自己一直以来到底在干啥。"

这段话道出了一个深层焦虑：当执行被接管后，如果你从未认真思考过自己到底在做什么、为什么做，那失去的不只是工作，而是意义感本身。 这种"意义危机"并非AI时代独有——工业革命时期的手工匠人、自动化浪潮中的流水线工人都曾经历类似的身份认同冲击。但这一次不同的是，被替代的不再是体力劳动或重复性脑力劳动，而是曾被认为需要创造力和专业判断的高技能工作。这迫使我们重新思考一个根本问题：当"做事"不再是人的专属能力时，人的价值究竟锚定在哪里？

写在最后：窗口还开着，但不会一直开着

所以真正该问的不是"AI会不会取代我"，而是：

• 你有没有在认真锤炼自己的判断力？
• 你有没有真正搞懂手上在做的事情到底是什么？
• 你是在被工具推着走，还是在用工具实现自己的意图？

Anthropic 在文章末尾表达了一个愿望：他们想给世界留一个能踩刹车的选项，让安全研究能跟得上技术狂奔的脚步。这正是 Anthropic 一贯倡导的"负责任的扩展"理念的体现——他们开创了"宪法AI"（Constitutional AI）方法，通过让AI根据一组明确的原则进行自我约束，而非完全依赖人类反馈来实现安全对齐。他们想把政策制定者、研究员、还有像你我这样的普通人都拉到一起，认真讨论这件事。

因为这扇窗还开着——但它不会一直开着。

每四个月翻一倍的速度，留给我们思考和准备的时间，可能比想象中少得多。