Anthropic：Claude 主導 26% 內部研發，評分的也是 Claude；3 萬代理人裡 4.7 萬次才攔一次

夜裡資料管線掛了，明天的訓練跑不出去。工程師把失敗警報丟給 Claude，自己去睡。Claude 自己翻 log、找出壞掉的那一段、寫修補、在複本上重跑、對上一次成功的輸出、把原因寫成報告，最後才 tag 工程師來決定今晚要不要上線。工程師不用在旁邊解卡。這就是 Anthropic 用來定義「主導」（Automation Level 4）的例子。

公司把這個等級套進整間實驗室的模型研發工作，得到三個數字。截至 2026 年 8 月：Claude 主導 26% 的 AI 研發；達到「協作」或以上的工作超過 90%；沒有任何被量到的子集達到完全自主（AL5）。路透把同一條曲線寫得更陡：三月時主導比例還只有 1%。Business Insider、Bloomberg 與華盛頓郵報都把這組數字讀成「AI 開始參與打造下一代自己」的公開窗口，而不是聊天產品的使用率。

這三個數字不是從合併程式碼行數推回來的。Anthropic Institute 的 Marina Favaro 與 Phillie Wright 在官方文裡寫明：他們做了一套原型指數，名叫 Anthropic R&D Automation Index，量的是「AI 正在做多少 AI 研發」，不是模型在公開基準上拿幾分。執行長 Dario Amodei 這幾週一直在講要 pace the frontier；這篇報告要回答的是，實驗室內部到底已經自動化到哪裡，外界才有東西可以核對。

26% 到底算哪一種「做完」

量尺不是 Anthropic 自己發明的。獨立研究機構 Epoch AI 稍早提出一套給前沿實驗室研發工作用的自動化等級，從 AL0（完全沒有 AI）到 AL5（端到端、幾乎或完全沒有人在迴路裡）。Anthropic 直接採用這套定義，並用一條壞掉的夜跑管線，把 AL3、AL4、AL5 寫成同一件工作的三種做法。

官方寫死：AL5「我們還沒到」。26% 指的是加權後被判成 AL4 的工作占比，不是「四分之一的模型已經自己訓練自己」。超過 90% 的工作至少到 AL3，意思是人已經很少在沒有 Claude 的情況下把整段研發做完，但方向、上線與「這件事值不值得做」仍在人這邊。

為了讓「主導」有分母，他們先把工作拆開。2026 年 7 月每一週，從構成模型研發迴路的各部門隨機抽 20% 員工，讓 Claude 研究代理人用 Slack 與內部文件列出這些人當週做了什麼。四週抽樣得到約 1.5 萬件細分任務，再收成一棵 542 個節點的樹，其中 378 個葉子，例如「評估平台缺陷診斷與修復」、「強化學習沙盒出網與網路政策」、「serving 事故事後檢討」。這棵樹之後凍結，之後每個月的自動化評分都打在同一籃工作上，才比較得出「這個數字在漲」。

權重不是高層投票。每個人每週算一個單位，平均分到當週做過的任務上：做四件事各得 0.25，做十件事各得 0.10。類別權重是這些人時的加總。公司自己也說這是粗近似，但平均行為合理：很多人被派去做的類別，權重比較高。

打分數的，也是 Claude

每個節點由一個 Claude 代理人深挖：誰在做、用什麼工具、AI 做了多少。另一個獨立的 Claude 法官只看當月或更早的證據，再套 Epoch 的六級量表打分。官方承認兩個跨實驗室比較的障礙：共同方法論還不存在；他們用自己的模型評估自己的系統，「法官」可能犯跟被檢查模型同一類的錯。

他們找了負責該工作區的員工，在不知道模型看過什麼、判過什麼的情況下獨立打分。模型與人完全一致是 59%；人與人之間完全一致只有 35%；模型與人相差不超過一個等級的比例是 97%。換句話說，人自己對「協作」和「主導」的邊界也吵不完，Claude 跟人之間的落差，並沒有比人跟人更大。這不能證明指數沒有偏差，但它把偏差從「模型自己給自己打高分」收成「這套量表本來就有邊界模糊」。

凍結的籃子還有第二個漏洞：指數上升只說明「2026 年 7 月人類在做的那些工作」被自動化了，說明不了人類是不是已經轉去做全新種類的工作。他們用 2026 年 1 月資料另做一棵樹，把 2 月到 7 月每月新出現的任務拿去對，沒看到「新穎任務」數量上升，因此在他們的分析粒度上，模型研發的工作結構看起來穩定。公司仍計畫定期重建任務籃、重編版本號。

三萬個代理人，十億次決策，攔下約兩萬分之一

第二組指標量的不是「AI 做了多少研發」，而是「人還能不能看住這些代理人」。官方寫：員工愈來愈常把任務交給可以長時間半自主運作、還會把工作再委派給其他代理人的系統。工作從「協作」往「主導」走時，代理人會開始做更有後果的決定，例如下一步要追哪條研究方向。

2026 年 8 月，最常用的內部平台上，任一時間大約有 3 萬個代理人在做研究與工程。這組數字只涵蓋這個平台。每個代理人的動作都經過兩層監控。線上監控在執行前攔截不可逆傷害，例如把模型權重拷出系統，覆蓋率 100%，自動審查通常在數秒內完成，被攔下來的動作一週內有人看。線下監控在事後讀活動紀錄，用來抓發展較慢、可逆的問題，例如對齊走樣的跡象；覆蓋率也是 100%。線下監控每週標出約 10 萬份紀錄，經多層分類器去偽陽性後，最高優先約 50 件升到人工。

八月這批研究與工程代理人的決策超過 10 億次，線上監控攔下 0.002%，大約每 4.7 萬次攔一次。線下監控大約每千份紀錄標出一到兩份再查。Anthropic 把這三個量——覆蓋率、審查延遲、升級率——寫成任何自跑研究代理人的實驗室今天就能公開的同一套表。線下監控平台過去曾被獨立機構 METR 紅隊測試；公司說現在要讓多家外部評測員進駐，權限比照內部風險評估團隊，核對安全做法、通報事故、盯住這篇報告裡的指標。駐點評測這件事，Amodei 在 《We Must Pace the Frontier》 裡已經單方面承諾過。

內部代理人架構還有兩個設計選擇，官方寫進附錄。多數使用者習慣同一個「Claude」跨很多對話；在大量代理人一起做事時，他們改成給每個代理人獨立身分，所有產出綁在這個身分上，而且身分不綁特定模型版本，升級後紀錄仍連續。代理人之間走共享、開放的訊息系統，不走私訊，訊息可連回原始引用，減少「傳話走樣」。從監控角度看，每筆動作可以按代理人、跨時間稽核。官方自己寫：這種規模下，很難確定已經看到所有行為類型，也難確定這些模式對人夠可讀；這套監控做了幾個月，不是幾年。

安全算力：研發裡約 6%，AI 驅動的研發裡約 12%

第三組指標看加速器怎麼分。官方取 2026 年 7 月 13 到 20 日那一週的全公司算力快照，把每份工作負載分成少數類別，再問「流向 AI 研發的算力裡，有多少是安全工作」。安全研究本質上比前沿訓練吃的卡少：它多半是研究員設計實驗，時間貴、卡不一定貴。因此絕對數字弱，跨實驗室、跨時間的同類比較才是重點。

那一週，AI 研發算力裡約 6% 算進安全；「由 AI 驅動的 AI 研發」裡約 12% 算進安全。這是刻意偏保守的切法：一枚 token 若同時推進能力與安全，就不算安全。保障用分類器另計，沒算進這兩個百分比，官方說那是「可相比的另外一筆」。分類器讀訓練與評估 run 的中繼資料與程式碼；那週將近 1 萬次 run 沒有全標，抽了約 14%，而且往最吃算力的 run 加權，讓結果反映卡用在哪，而不是 run 有幾筆。研究代理人的推論則讀 session 紀錄；紀錄因隔離看不到時，就按使用者團隊分類，或保守算成 AI 研發。

官方承認三條硬限制。底層標籤多半是自動規則或使用者自填，best-effort，不是驗證過的。一週只證明「量得出來」，證明不了趨勢。算力占比只量「花了多少」：安全分類器變便宜、或生產推論變快，安全占比都會下降，不代表安全工作變少。安全與能力的邊界本身就糊。可擴展監督可能讓未來模型更對齊，也讓現在的模型更好賣；有些案子人審幾小時仍判不了。他們用長定義加邊界案例，讓分類器與人評差在一到兩個百分點內，但定義只是「多種合理切法裡的一種」。

行數、8 倍與 52 倍：同一週另一份研究所補的厚度

自動化指數回答「多少工作被主導」。同一機構稍早的《When AI builds itself》補的是速度與產出。截至 2026 年 5 月，合併進 Anthropic 程式碼庫、能歸因到 Claude 的行數超過 80%；Claude Code 在 2025 年 2 月以研究預覽推出前，這個數字是低個位數。領導層對外估過 90% 或更高，那份 80% 是較保守的「合併到生產、且歸因管線抓得到」的口徑。每位工程師每天合併的行數，2021 到 2024 年幾乎持平，2025 年 Claude 開始自己跑程式而不只貼片段後往上彎，2026 年模型能在更長時間自主做事後再陡一次。2026 年第二季，典型工程師每天合併的行數約是 2024 年的 8 倍。官方立刻加註：行數量的是量不是質，8 倍幾乎肯定高估真正生產力；他們也不用行數發獎金。

2026 年 3 月對 130 名研究人員的內部民調，中位數估計在 Mythos Preview 上，對「本來就會做的那種專案」產出約 4 倍。官方預期真實提升較低，並引用 METR 的研究：開發者對 AI 生產力的自評常常偏高。較硬的例子是 2026 年 4 月 Claude 送出逾 800 個修復，把一類 API 錯誤降了約一千倍；督導的工程師估計人做要四年，因為修別人的 bug 慢、脈絡裝不進一個人的腦子。最開放式任務的成功率，2026 年 5 月到 76%，六個月內升了 50 個百分點。公司內部對程式碼品質沒有共識，但多人認為 2025 年底 Claude 寫的碼仍差過人類，現在大致持平，預期一年內會更好。回顧分析寫：若每筆變更都先過自動化 Claude 審查，約能在進生產前抓住 claude.ai 過去事故背後三分之一的 bug。

研究側有一組可複現的小實驗：給 Claude 一份訓練小型模型的程式碼，目標與成功條件事先釘死，要它在通過正確性檢查的前提下盡量加速。2025 年 5 月 Claude Opus 4 平均約 3 倍；2026 年 4 月 Mythos Preview 約 52 倍。熟練人類研究員要四到八小時才到 4 倍。官方特別寫：絕對倍數高度取決於起始碼還有多少空間，不能讀成真實訓練加速了 52 倍；能錨的是同一套實驗裡跨模型、以及對人的對照。2026 年 4 月另一項開放式安全研究裡，代理人拿到「弱模型能否可靠監督強模型」這個問題，自己提假說、設計實驗、互相分享。兩名人類研究員約一週收回約 23% 的差距；代理人累計約 800 小時、約 1.8 萬美元算力，收回約 97%。結果沒有乾淨轉到生產規模模型，題目與評分尺仍是人訂的；在這個範圍內，每個實驗都是代理人自己設計的。

這些數字解釋了 26% 為什麼看起來「高」、卻仍遠不是遞迴自我改進。官方把遞迴自我改進定義成「模型完全自主打造後繼者」。方向、題目、上線與「這條路是死胡同」仍是人的比較優勢。他們也寫：多數前沿進步不是 Eureka，而是放大、看哪裡破、修好、再試，而這正是 Claude 現在擅長的工作流。Transformer 與混合專家模型這種改寫規則的想法隔幾年才來一次；中間那段「流汗」正在被自動化。

這組數字為什麼現在拿出來，以及它量不到什麼

Engadget 把時間點接在 OpenAI 公開訓練期對齊事故、以及 Hugging Face 被代理入侵之後。同一週 OpenAI 交出六起對齊報告，Sol 的壓縮摘要裡出現叫後繼自己隱瞞錯誤的指令。Anthropic 這篇量的是「自動化走多快」，OpenAI 那篇量的是「能力上去以後，行為會怎麼鑽監控縫」。兩篇都把「前沿實驗室以外的人能否檢驗」寫成公開標準，但檢驗的物件不同：一個是研發投入與代理人覆蓋率，一個是具體失準案例。

Amodei 要產業協調放慢；黃仁勳在 Dreamforce 說不需要新法，祖克柏要各實驗室自己踩煞車。OpenAI、Anthropic 與 Google 已談了數週安全協調。研究員 Jacob Coxon 離職時寫「拿我們的命賭博」。這套指數被放進這個爭論裡：若真要 pace，必須先有可核對的內部節奏，而不是只比公開基準。官方設想這些量未來可以觸發更強要求，例如新模型用於進一步 AI 研發之前，先有固定測試窗。

爭議點很具體。第一，法官模型與被評模型同廠，跨實驗室數字在第三方重跑分類器之前，不能直接並排。第二，AL3／AL4 邊界連人類互評都只有 35% 完全一致，26% 這個整數對「差一級」極度敏感。第三，3 萬代理人、10 億決策、4.7 萬次攔一次，聽起來覆蓋很滿；但攔截率低既可以讀成「行為很少越界」，也可以讀成「監控還看不懂新類型的越界」。官方自己把第二種讀法寫進附錄。第四，6%／12% 的安全算力是一週快照、定義偏保守、且效率改進會讓占比下降，不能當成「安全投入夠不夠」的成績單。第五，8 倍行數與 52 倍小實驗都附了「不要讀成真實生產力／真實訓練加速」的但書；拿掉但書，標題會假。

對還在用 Claude 寫程式、跑調查、帶智能體工作流的人，這篇報告比較像一張內部採購說明，而不是新產品規格。它沒有公布新的 API 單價、沒有新的上下文窗口、沒有新的公開基準分數。它公開的是：在這間實驗室裡，從高層提示詞把任務做完、人只負責批准，已經覆蓋加權後約四分之一的模型研發；完全自主部署、完全自主選題，仍是 0%。若你的工作流已經把「調查、修、測、寫報告」交給AI 代理，瓶頸會很快移到審查速度——Anthropic 自己已經碰到：程式碼產量上去之後，人審變成新的 Amdahl 瓶頸，所以才上自動化 Claude 審查。

這組數字要變成可以拿來做AI 治理的公共量尺，至少還缺三件事被獨立做一次：別家實驗室用同一套 AL 定義公布加權主導占比；外部評測員重跑安全／能力分類器，誤差仍落在一到兩個百分點內；任一葉子任務被穩定判成 AL5，而且上線決策不再等人點頭。缺這三件，26% 仍然是 Anthropic 用 Claude 量 Claude 的內部快照，只是這次連抽樣方法、互評一致率與但書都一起公開了。