AI 正在大幅加速 AI 研究：METR 报告称进步速度一年翻倍

深度摘要

作者讨论 METR 一份关于 Anthropic 内部 AI 研发加速的公开报告，并据此判断：Anthropic《负责任扩展政策》（RSP）中“AI 带来显著加速”的阈值已被跨过。报告称，2025 年 10 月至 2026 年 10 月，Anthropic 的能力进步速度约为此前 12 个月的两倍（以内部版 Epoch 能力指数 AECI 衡量），约 80% 的加速归因于 AI；其余支撑证据虽被涂黑，但方向一致。按她的建模，能力进步翻倍意味着研究者的劳动力提速需达到约 4–9 倍、持续数月后可能约 10 倍，这与 Anthropic 员工自述的约 12 倍提速大致吻合。若加速平滑上升、速率每六个月再翻一番，朴素外推会在一年内抵达极端超级智能——理论上如此，软件效率的天花板虽存在，但作者认为离我们还很远。报告未发现会阻断复合加速的瓶颈或急剧收益递减。作者同时警告行业远未准备好：模型权重安全至少需达到 RAND ASL-4 级别（防常规国家级行动），还需全覆盖的日志监控与可验证的对齐手段，而 OpenAI 与 Anthropic 近期都曾遭业余团伙重大入侵。

关键要点

• Anthropic 在招股书（S1）中称“可能即将”触及 RSP 的“显著加速”阈值：能力进步速度达到 AI 介入前最快持续速率的两倍，且可合理归因于 AI 自动化 AI 研发
• METR 报告估计 2025 年 10 月至 2026 年 10 月能力进步速度翻倍，约 80% 归因于 AI；相对于无 AI 的反事实，中心估计约为 1.8 倍，且 AI 的贡献随时间上升
• 作者建模：能力翻倍要求计算乘数增速达 2.5–3 倍，对应研究者劳动力提速约 4–9 倍，持续数月后或需约 10 倍；Anthropic 员工自述约 12 倍
• 朴素外推：若速率每六个月再翻一番，一年内将抵达极端超级智能；报告未发现瓶颈或急剧收益递减，被涂黑的证据甚至提示加速已超 2 倍且仍在上升
• 行业准备不足：权重安全至少需达 ASL-4 级，另需全覆盖日志监控与可验证的对齐手段；OpenAI 与 Anthropic 近期都曾遭业余团伙重大入侵

关键事实

2025 年 10 月至 2026 年 10 月 Anthropic 能力进步速度约为此前 12 个月的两倍（AECI 衡量）；约 80% 的加速归因于 AI，相对于无 AI 反事实的中心估计约为 1.8 倍；RSP（2026 年 7 月生效）阈值定义为能力进步速度达到 AI 介入前最快持续速率的两倍；旧版 RSP（2025 年 5 月）中 AI R&D-5 阈值对应一年内有效算力提升约 1000 倍（35 倍年增速的平方）；Anthropic 员工自述内部模型带来约 12 倍提速。

作者观点

作者认为这是过去几年关于 AI 风险最重要的新信息：加速阈值已被跨过，且加速很可能自我复合；若认真对待，时间线比包括 AI 2027 团队在内的大多数外部研究者预计的更短。她同时强调自己未参与该项目、未见未涂黑版报告，判断基于公开报告与 RSP 文本。

为什么重要

这篇不是又一篇“AI 进步很快”的感慨，而是一份有内部数据支撑的阈值判断：当 AI 开始成倍加速 AI 自身的研发，能力曲线的外推就不再是线性思维。无论是否接受作者一年期的外推，RSP 阈值被跨过本身已触发 Anthropic 承诺的安全升级——而作者的判断是，整个行业离那条安全线还很远。

编辑点评

论证最扎实的部分是阈值本身的对照：METR 的量化估计与 RSP 的文字定义逐项比对，结论有明确的证据锚点。最需打折的是“一年内超级智能”的朴素外推——作者自己也承认那是把平滑加速假设推到极致，软件效率天花板、算力与组织瓶颈都可能中途介入。值得对照的是本期落选的 LessWrong 短评：它以第一手观察质疑自主研发的判断力，提醒加速叙事里“研究者被提速 10 倍”不等于“判断力也被提速 10 倍”。

深度摘要

Thinking Machines 发布第二代模型 Inkling 2 Small：混合专家架构，总参数 594B、激活 17B，支持图像输入与可变推理投入，在 Artificial Analysis 智能指数上得 31 分，远超上一代，长程自主工作、智能体编码、视觉与知识工作均有提升。模型先通过 Tinker 以闭源权重提供，外部安全测试与红队评估完成后，下周以 Apache 2.0 协议开源全部权重。训练上，大规模统一 RL 覆盖数十万长程编码任务，并以智能体 RL 评分器评判解题过程而非只看单元测试；早期检查点曾以代号 Fledge-Alpha 在 OpenCode 上实测。视觉侧用 2.92 亿参数编码器（Perception Encoder），待权重发布后有望登顶 DesignArena 开源权重榜；知识工作基准 AA-Briefcase 得分 ELO 1527，金融与定量推理在同级开源模型中最强。微调适应性也被作为卖点：公开财报摘要任务上，75 步训练即追平上一代 Inkling Small 的最终成绩。

关键要点

• MoE 架构：总参数 594B、激活 17B，支持图像输入与可变推理投入；Artificial Analysis 智能指数 31 分
• 先经 Tinker 以闭源权重提供，外部安全测试与红队评估完成后，下周按 Apache 2.0 开源全部权重
• 大规模统一 RL 覆盖数十万长程编码任务，智能体评分器评判解题过程；早期检查点曾以 Fledge-Alpha 在 OpenCode 实测
• 视觉：2.92 亿参数编码器，待权重发布后有望登顶 DesignArena 开源权重榜；盲品测试中凭一张照片认出三款酒，20 次中 19 次正确
• 知识工作基准 AA-Briefcase ELO 1527；微调适应性强，75 步即追平上一代在财报摘要任务上的最终成绩

关键事实

总参数 594B、激活 17B；Artificial Analysis 智能指数 31 分；视觉编码器 2.92 亿参数、20×20 像素块；AA-Briefcase ELO 1527；盲品测试 20 次中 19 次正确；自研预测任务中最终模型 4 小时 17 分钟、用掉 426 美元预算（共 500 美元），在未见的 8–9 月数据上误差比基座模型低约 15%。

作者观点

官方博客的判断是：Inkling 2 Small 全面强于第一代，尤其在长程自主工作上；它不仅开箱更强，也更容易放进真实智能体循环、更容易微调。权重开源的路线被表述为“安全路径”的一部分，而非单纯的发布策略。

为什么重要

这是 Thinking Machines 的第二代模型，也是本周最值得关注的开源权重动态：594B 总参数、17B 激活的 MoE 以 Apache 2.0 开源，意味着前沿附近的智能体编码与视觉能力很快会进入可本地部署、可微调的池子。对关注开源模型的人，下周权重发布是具体的跟进点。

编辑点评

公告的信息密度高、基准与训练细节都给了不少，但仍是厂商自述：所有分数都是自家跑的，DesignArena 的“第一”附带了“待权重发布”的限定，盲品这类趣味演示也难作能力证据。真正的检验在下周权重开源后，看独立复现与社区实测是否对得上 31 分这个数字。

深度摘要

Hightouch 测试了廉价决策模型能否胜任身份解析（identity resolution）的质量评判——即判断合并后的一组记录是否真的属于同一个人。开箱成绩上，Jev 与 GPT-6 Luna 的准确率为 88.8%–97.3%，仍落后前沿模型约 6 个百分点；但把 Jev 与 Claude Opus 组合成混合评审后，准确率几乎追平单独用 Opus，成本低 4 倍以上。关键不在谁更强，而在校准：Jev 的错误大多集中在 50% 左右的置信度，符合良好校准的模型应有的样子；Luna 的错误却大量落在 90%–100% 的高置信区间，过度自信。混合系统只把 Jev 没把握的少数案例转交 Opus 复核，难度上升时自动多花钱、难度下降时自动省钱。决策模型本身便宜 90 倍、快 10 倍以上，每千个身份约 0.1–0.5 美元、约 0.15 秒。作者认为，校准良好的廉价模型加前沿复核这套模式不只适用于身份解析。

关键要点

• 开箱准确率 88.8%–97.3%，较难基准上落后 Opus 约 6 个百分点；决策模型便宜约 90 倍、快 10 倍以上
• 混合 Jev+Opus 几乎追平单独 Opus 的精度，成本低 4 倍以上；混合 Luna 因过度自信，在较难数据上提升有限
• Jev 的错误集中在 50% 置信度附近，校准良好；Luna 的错误多在 90%–100% 区间，过度自信是硬伤
• 混合评审按需转交：只把没把握的案例送 Opus，系统随难度自动调节花销，无需改提示词或 harness
• 人工抽检约 50 个身份/小时；要把过度合并率的估计误差压到 ±1% 以内，需 1,000 个以上样本

关键事实

Jev 与 GPT-6 Luna 开箱准确率 88.8%–97.3%；较难基准上落后 Opus 约 6 个百分点；决策模型每千个身份 0.1–0.5 美元、约 0.15 秒，便宜约 90 倍、快 10 倍以上；混合 Jev+Opus 成本比单独 Opus 低 4 倍以上；人工抽检速度约 50 个身份/小时；测试数据由 pseudopeople 生成，无真实个人信息。

作者观点

作者的结论是“校准最重要”：Luna 开箱更好，但过度自信使它在混合架构里注定平庸；Jev 凭校准赢得了混合评审的位置。他们认为混合评审的思路可推广到身份解析之外的评判任务，后续还将讨论漏合并与开源权重决策模型。

为什么重要

这是一份带数字的“便宜模型怎么用”指南：不是简单地用小模型替代大模型，而是用校准良好的小模型做初筛、把不确定的少数案例交给前沿模型。结论对任何在生产里用 LLM 做评判、分类或质检的团队都可直接借鉴——选评审模型时，校准度可能比开箱精度更重要。

编辑点评

实验设计诚实：作者公开了测试数据的构造方式（困难案例是人工设计的双胞胎、同名、typo 等陷阱）、成本与延迟是“自家环境实测”，且明确说结论限于身份解析这一任务。唯一的保留是样本量与任务单一性——混合评审在别的评判任务上是否同样有效，仍待他们后续的文章验证。

深度摘要

CBC 报道，全球大学图书馆正被 AI 数据爬虫围攻：持续不断的抓取流拖慢甚至拖垮面向学生、研究者与公众的馆藏网站。一所学校单日就遭遇 1.1 万多次关于芬兰音乐的检索；类似报告自 2024 年底起在北美、欧洲与大洋洲陆续出现，且持续恶化。爬虫来自 AI 公司与第三方数据商，图书馆与博物馆成为重点目标——馆藏质量高、经过审核，且大多不在付费墙后。Project Gutenberg 的 Eric Hellman 称这些“编程拙劣的怪物”正在“摧毁开放获取”，且情况比他去年写文章时更糟。图书馆的反制手段有限：验证码会误伤正常爬虫与用户，要求登录则与开放获取的宗旨相悖，而爬虫还在不断学会绕过这些措施。上周，Anthropic、OpenAI、Google 与微软表态支持在 robots.txt 中采用统一的标准化退出信号，但遵守全凭自愿，且不管第三方与小型 AI 公司的爬虫。

关键要点

• 一所学校单日遭遇 1.1 万多次芬兰音乐检索；爬虫流量严重时可直接拖垮馆藏网站
• 类似报告自 2024 年底起在北美、欧洲与大洋洲出现，问题持续恶化
• 图书馆与博物馆是重点目标：内容质量高、经审核、大多无付费墙
• 反制两难：验证码误伤正常访问，要求登录违背开放获取宗旨，且爬虫会学会绕过
• 上周四家大公司表态支持统一的 robots.txt 退出信号，但属自愿遵守，且不覆盖第三方与小型 AI 公司爬虫

关键事实

一所学校单日 1.1 万多次芬兰音乐检索；类似报告自 2024 年底起出现在北美、欧洲与大洋洲；Project Gutenberg 执行主任 Eric Hellman 称爬虫正在“摧毁开放获取”；上周 Anthropic、OpenAI、Google 与微软表态支持统一的 robots.txt 退出信号（自愿遵守）。

作者观点

报道的立场藏在信源选择里：多位馆员与研究者把爬虫描述为对公共资源的榨取——Ontario Tech 的 Peter Lewis 直言，大公司在“以提取方式使用公共利益机构”，再把训出的商业模型卖回给公众。AI 公司一方则主张抓取公开数据属合理使用、符合公众利益。

为什么重要

这是 AI 训练数据争夺第一次以“公共服务宕机”的形式进入公众视野：受损的不只是版权方的利益，而是学生与公众查资料的基本通道。robots.txt 的统一退出信号若真落地，会是行业第一次集体承认爬虫需要约束——但自愿性质与第三方爬虫的缺席，决定了它更像姿态而非解决方案。

编辑点评

报道的扎实之处在于多方信源与具体数字（单日 1.1 万次检索、2024 年底以来的时间线），而不是停留在“AI 偷数据”的口号上。值得留意的是信源结构：受访者几乎全是图书馆与开放获取阵营，AI 公司的回应只有一句合理使用主张，读者应对“榨取”这一判断保留一分——但“网站被拖垮”是事实层面、无可争议的损害。

深度摘要

Gruber 亲赴苹果在洛杉矶举办的“Pro and Tell”发布会，记录新 MacBook Pro 的现场体验。新任 CEO John Ternus 准时 10 点登台，先回顾本周发布（OLED iPad Mini、新 M6 MacBook Pro、Creator Studio 更新），随即宣布“我们第一次把触屏带到 Mac”——现场惊呼四起。主角是搭载 PROLED XDR（串联 OLED）显示屏的 M5 Pro 与 M5 Max 机型，另有换芯提速的 M6 机型；发光的背部苹果 Logo 正式回归，Ternus 的原话是“The logo is back”。Gruber 对触屏的实现方式给予肯定：macOS 的触屏是明确的次要输入，鼠标下界面密度不变，触摸时仅轻微放大点按目标，没有把 macOS 改成触屏优先系统。两款机身也大幅减重：14 英寸轻半磅，16 英寸轻 0.7 磅。发布会形式沿用三月 MacBook Neo 的短演讲加动手体验、不向公众直播，Gruber 认为这种现场活动值得直播。现场动手区拥挤到“像《雪国列车》的车厢”，但他认为这恰恰说明产品本身的热度。

关键要点

• 新任 CEO John Ternus 10 点准时登台，宣布 Mac 史上第一次加入触屏；发光苹果 Logo 回归
• PROLED XDR（串联 OLED）M5 Pro/M5 Max 机型是主角，另有换芯提速的 M6 机型；新屏肉眼可见优于旧款 mini-LED
• 触屏在 macOS 中是明确的次要输入：鼠标下界面密度不变，触摸时仅轻微放大目标，未改成触屏优先
• 14 英寸减重半磅、16 英寸减重 0.7 磅，且苹果称持续性能未降
• 发布会沿用三月 Neo 的短演讲加动手体验形式，不直播；Gruber 认为值得直播

关键事实

发布会地点为洛杉矶 Columbia Square；Ternus 10 点登台；新品为 PROLED XDR 显示屏的 M5 Pro/M5 Max MacBook Pro 与 M6 机型；14 英寸减重 0.5 磅、16 英寸减重 0.7 磅；发光 Logo 自 2016 年后回归；本周同批发布还包括 OLED iPad Mini 与 Creator Studio 更新。

作者观点

Gruber 的判断有两层：一是产品层面，新款是“微妙但意义重大的更好”，触屏的实现方式是他押注的正确路线；二是形式层面，这种短演讲加动手体验的新发布会值得直播，CEO 现场露面是难得的“铝与玻璃幕墙之后的一瞥”。

为什么重要

Mac 加触屏是苹果坚持多年的立场松动，而实现方式（触屏次要、界面密度不变）决定了它会不会动摇 Mac 的根本。对用 Mac 工作的人，这篇提供了发布会通稿之外的现场体感：屏幕观感、减重幅度与触屏细节，都是决定是否换机的真实变量。

编辑点评

Gruber 的长文一半是产品、一半是现场写作：洛杉矶的天气、拥挤的动手区、甚至没洗澡的与会者都写了进来，读起来像游记而非评测。但信息密度并不低——触屏实现方式、减重数字、M6 与 M5 Pro 的区分，都是通稿里不会细说的现场判断。需要注意的是，这是一家之言的现场印象，性能与续航仍待独立测试。

深度摘要

Diallo 先摆出一个反讽的开场：他每月花 3,000 美元买 token，让一个主 agent 拆解任务、派生 agent 代写一切，“我已不记得上次自己写英语是什么时候”。随即话锋一转——这只是个玩笑，真正想说的是“写英语已被解决”与“写代码已被解决”一样站不住脚。技术上，AI 能写出正确的句子、段落乃至整篇文档，还能让第二个 AI 检查幻觉；但现实中，一旦读者察觉文本出自 AI，哪怕是读完全文之后，也会拒斥它——“感觉空洞、虚伪”。LLM 的轶事传达的是一段从未发生过的经历。代码也一样：行数越多 bug 越多，无论作者是人还是模型；所谓“代码已被解决”，不过是说这话的人此前水平平庸。写作本质上是主观的、不是问题，因此没有“解”；他最后引了帕斯卡那句“这封信写得长，只因我没空写短”。

关键要点

• 每月 3,000 美元 token、主 agent 加派生 agent 代写，是开场白的反讽设定，随后被作者自己推翻
• 技术上 AI 能写正确文本、能互相检查幻觉；但读者一旦察觉 AI 痕迹便拒斥，感觉“空洞、虚伪”
• LLM 的轶事传达的是一段从未发生过的经历，这是写作与代码的根本差异之一
• 代码行数越多 bug 越多，与作者是人还是模型无关；“代码已被解决”只是平庸者的错觉
• 写作是主观的、不是问题，因此没有“解”；帕斯卡引言收束

关键事实

作者每月在 token 上花费 3,000 美元，主要用于研究与搜索、摘要与转录、写作（最大头）、艺术与音乐；他描述的工作流是一个主 agent 拆解任务、派生 agent 执行。

作者观点

作者的立场是：AI 写作的能力叙事混淆了“能写”与“被接受”——文本一旦被识别为 AI 生成，其说服力与可信度随即瓦解；同理，代码的“已解决”也是错觉，因为可读性与正确性仍需人类承担。

为什么重要

当 AI 生成文本遍地都是，这篇点出了一个常被基准测试遮住的变量：读者的接受度。模型写得越像人，检测与拒斥的博弈就越激烈——对写作者与内容平台而言，“能不能写”已不是问题，“写了有没有人信”才是。

编辑点评

短文的力道来自结构：先用 3,000 美元与 agent 军团把“已被解决”的姿态推到极致，再用一句 /s 全部推翻。论证不依赖数据，依赖一个可验证的日常经验——你读到 AI 痕迹时的那一下皱眉。弱点也在这里：接受度的判断是印象式的，没有引用任何读者行为研究；但作为观点短文，它提出的问题比给出的答案更重要。

深度摘要

Goedecke 指出一个简单的事实：数据库按定义就是全局变量——程序的任何部分都能读写它。既然共识说全局变量有害，数据库理应把程序搞得一团糟，可现实并非如此。他逐一检验五种解释：咬牙承认数据库程序确实更乱；ACID 保证能缓解损害；数据库访问更显式（查询一眼可见、需传入连接）；数据库的灵活性更低（只存数据）；以及我们对数据库有成套的使用规范与习俗。他认为最有说服力的是第三与第五条：显式性缓解了隐式耦合，规范把数据库的用途限制在很窄的集合里。但这两点都是偶然的、而非本质的——一套围绕全局变量建立的约规同样能满足这些条件。因此他的结论不是“去用全局变量”，而是一个元层面的提醒：两条广为接受的软件工程教条（“避免全局变量”与“用数据库存状态”）部分自相矛盾，多数软件设计知识不过是一堆松散的启发式；对拿不出具体理由的“最佳实践”都应保持怀疑。

关键要点

• 数据库按定义就是全局变量：程序任何部分都能读写；全局变量的两大危害（隐式传数据、相互耦合）对它同样成立
• 五种解释逐一检验：ACID 说被驳回（给全局变量加互斥锁并不能让它变好）；灵活性说只对无类型语言成立
• 最有说服力的两条：数据库访问更显式（查询一眼可见），以及使用规范把用途限制得很窄
• 这两点都是偶然的而非本质的：围绕全局变量建立约规，同样能满足这些条件
• 元结论：两条教条部分自相矛盾；多数软件设计知识只是松散的启发式，应怀疑无具体理由的“最佳实践”

关键事实

作者列出的全局变量两大危害：允许任意部分隐式传数据、不同部分相互耦合；他检验的五种解释为：数据库程序确实更乱、ACID 保证、更显式、灵活性更低、使用规范；他明确采纳第三与第五条。

作者观点

作者的立场是：数据库之所以没把程序搞砸，靠的不是什么本质优越性，而是显式性与使用规范这两个偶然条件；他不建议大家去用全局变量，真正想说的是软件工程的“最佳实践”大多经不起追问。

为什么重要

这是那种读完会改变你看代码方式的短文：它把一个你每天都在用的东西（数据库）放回一个你以为早有定论的判断（全局变量有害）旁边，逼你重新推导一次结论。对写代码的人，它提供的不是新工具，而是一种对教条的免疫力。

编辑点评

论证干净、克制：五种解释逐条过堂，驳回的理由都具体（互斥锁、类型系统、Rails 的 ActiveRecord 让查询不可见），采纳的结论也留有余地。唯一的保留是篇幅所限，作者没有讨论现代实践中真正缓解全局状态问题的机制（如依赖注入、事件溯源），但那已超出这篇随笔的野心。

深度摘要

Transmeta 常被称为互联网泡沫最后一宗大型 IPO——2000 年 11 月 7 日上市，募资 2.73 亿美元，且被说成是直到 2004 年 Google 上市前最后一宗成功的科技 IPO。作者先给这个说法打了个补丁：PayPal 2002 年 2 月也上市了（募资 7,020 万美元），2001 年 9 月至 2002 年 2 月仍有 34 宗 IPO，只是远少于上年同期的 87 宗。真正的死因不是泡沫破裂，而是性能：Crusoe 700MHz 约等于 500MHz 的 Pentium III，后继 Efficeon 最高 1.7GHz，难敌 2.4GHz 的 Pentium 4 与 64 位 Athlon 64。Linus Torvalds 曾在该公司任职，2003 年 6 月离职；公司 2005 年转向专利授权，2009 年售予 Novafora。文章是个人博客的中篇叙事，史料以公开记录为主，缺乏财报与一手信源，信息密度中等——但作为芯片史的注脚，它恰好赶上 IPO 26 周年的今天。

关键要点

• 2000 年 11 月 7 日 IPO 募资 2.73 亿美元，被称为泡沫最后一宗大型 IPO、Google 之前最后一宗成功科技 IPO
• 说法并不精确：PayPal 2002 年 2 月上市募资 7,020 万美元；2001 年 9 月至 2002 年 2 月仍有 34 宗 IPO（上年同期 87 宗）
• 死因是性能而非泡沫：Crusoe 700MHz 约等于 500MHz Pentium III；Efficeon 最高 1.7GHz，难敌 2.4GHz Pentium 4 与 64 位 Athlon 64
• Linus Torvalds 曾任职，2003 年 6 月离职；2005 年转专利授权，2009 年售予 Novafora

关键事实

IPO 日期 2000 年 11 月 7 日，募资 2.73 亿美元；PayPal 2002 年 2 月 IPO 募资 7,020 万美元；2001 年 9 月至 2002 年 2 月 IPO 共 34 宗，上年同期 87 宗；Crusoe 700MHz 约等于 500MHz Pentium III；Efficeon 最高 1.7GHz；Linus Torvalds 2003 年 6 月离职；公司 2005 年转向专利授权，2009 年售予 Novafora。

作者观点

作者的判断是：把 Transmeta 的死归咎于泡沫破裂是偷懒的说法；它本质是一家 CPU 公司，输在性能与竞争上。IPO 的“最后”之名更多是叙事便利，而非精确的历史。

为什么重要

这篇的价值不在新史料，而在纠偏：技术史里“死于时代”的故事往往掩盖了“死于产品”的真相。Transmeta 的教训与今天的芯片创业仍相关——架构新意（代码变形软件）敌不过绝对性能差距时，叙事撑不久。赶上 IPO 26 周年，也适合当作本期的一则历史注脚。

编辑点评

作为个人博客的中篇概述，它的史料以公开记录为主，没有财报与一手信源，密度中等；但胜在问题意识清晰——先质疑“最后的 IPO”这个标签，再用性能对比给出真正的死因。与昨天入选的同作者 Micron 史相比，这篇更短、更概述，入选更多是因题材与时点的契合，而非深度。