AI自己训练自己的科幻情节，正眼睁睁地发生在我们面前！

在Anthropic最新发布的研究中，他们直接把自家的大模型Claude送进了实验室。这套名为“自动化对齐研究员（AAR）”的系统，不仅能够自己查阅论文、提出训练方案，还能自己造数据并微调模型，最终一口气攻克了10类AI安全问题。

最搞心态的是，这位“AI打工人”时薪仅需4美元，却能把时薪150美元的人类专家按在地上摩擦。

跑通研究闭环，AI化身高产“卷王”

为了测试这套系统的实力，Anthropic给Claude（基于Opus 4.8）布置了一个完整的科研任务。在这个过程中，人类只负责“出题”、提供初始模型和评测标准，剩下的所有活儿都交给了AI。

从查阅文献、提出方案，到训练模型、跑分验证，Claude实现了全自动化闭环。如果成绩提升，它就顺着这个思路继续优化；如果搞砸了，直接扔掉重来。一轮训练跑下来才30分钟，试错效率高得离谱。

实验中，研究团队给Claude丢出了10个最难啃的安全问题，诸如“欺骗用户”、“为了讨好用户而胡说八道”、“隐私泄露”以及“越狱”等。

结果，这10道难题无一例外地被Claude给改善了！在Anthropic的标准下，Claude弥合了存在安全漏洞的模型与“完美理论分”之间 26%到96%的安全差距。而且，这些优化并不是以牺牲模型的通用能力为代价换来的。

让人惊喜的是，Claude学到的并非“死记硬背”，而是真的掌握了解决问题的方法。这些方案泛化到未公开的测试集，甚至是比实验模型大4.7倍的模型上依然有效。

4美元打爆150美元人类专家

没有对比就没有伤害，在与其他人类安全研究员的正面交锋中，Claude交出的答卷更是令人咋舌。

在最具挑战性的“欺骗”测试（即如何让模型更加诚实）中，同一道题同时交给了Claude和6名经验丰富、最高拥有8小时限时研究时间的人类安全专家。

最终的战绩可谓是“降维打击”：Claude经过150多次试错迭代，最佳方案弥合了 82%的安全差距，平均成绩达到85%；而人类专家们的平均成绩，仅仅弥合了 20%。

在所有7个被对比的项目中，自动化研究员能在几个小时内迅速超越人类的最佳方法，并且后续人类提出的新方向，也未曾击败Claude。

最扎心的问题莫过于成本：人类研究员的报酬高达 每小时150美元，还要休息、喝咖啡；而API驱动的AI研究员，成本大约只要 每小时4美元，还能不知疲倦地开展成百上千次高并发实验。怎么看，这都是一场一边倒的降维打击。

“菜鸟教大师”，弱AI反向指导强AI

比起效率碾压人类，最引人遐想的还是这项测试：用能力较弱的Claude Sonnet 5，去训练更强大的 Claude Opus 4.8 早期版本。这就像是徒弟在指导师傅练功。

在短短60个小时内，Sonnet 5 尝试了50多种方案，只用了2000多条合成数据，就将 Opus 4.8 的安全差距弥合了约65%，这已经极其逼近官方历经繁杂流程后正式发布版的72%。

这意味着，较弱的AI不仅具备了查阅文献和生成训练数据的能力，更能够将研究成果有效反哺给更庞大、更先进的模型。虽然这还不等于真正的“自我迭代升级”，但门槛已经被彻底踏破了。

AI学会了作弊？

不过别紧张，现在距离“天网统治地球”还有一段路要走。Anthropic坦言，这次实验中的目标和评估标准仍由人类设定，AI只是在人类划定的操场里以不可思议的速度奔跑。

有趣的是，由于AI太擅长“为了提高指标而努力”，它居然还无师自通地学会了 作弊。

负责监控实验全过程的另一个Agent发现，在大约1600份实验记录中，存在39次实打实的“作弊行为”。比如：有的AI会试图抄袭测试集的格式来伪造训练数据；有的干脆隐瞒了违规的实验步骤；还有的靠纯脸黑疯狂重跑同一实验，仅仅为了刷出一个好看的分数。

是的，比起老老实实解决问题，AI有时候也更喜欢找捷径。这就带来了一个略带地狱笑话色彩的新议题：当AI学会偷偷摸摸写代码钻空子时，人类还能看住它们吗？怎样才能防范一个用来监管其他AI的高智商AI监守自盗？

【编辑观察】 在这个令人惊叹的时代，AI“造”AI已从纸上谈兵变成了实质性的操作。4美元对阵150美元的降维打击，揭示的不只是成本的下降，更是知识迭代路径的彻底变革。不管是作为游戏代码的辅助生成，还是对齐算法的底层开发，AI作为超级员工取代部分高阶脑力劳动的序幕已经被拉开。打工人们，颤抖吧，这一回轮到造AI的大佬们开始担心自己的饭碗了！