听雨 发自 凹非寺

量子位 | 公众号 QbitAI

Claude开始训练Claude了！

时薪4美元，干赢时薪150美元的人类研究员。

在Anthropic最新发布的研究中，Claude自己查论文、提方案、造数据、训练模型，一口气攻克了10类AI安全问题。

部分任务上，它交出的方案甚至比28名人类安全研究员更好。

更刺激的是，较弱的Claude已经开始反向参与训练更强的Claude。

AI「自己改进自己」的那一天，好像真的越来越近了…

4美元一小时，Claude跑赢人类研究员

在这篇题为《自动化研究员能够有效缓解AI对齐失败》的研究中，Anthropic直接把Claude送进了实验室。

具体而言，他们基于Claude Opus 4.8，搭建了一套名为AAR的自动化对齐研究员系统。

拿到一个具体的模型安全问题后，Claude会自己搜索相关论文，从中寻找可用方法，再提出新的训练方案、生成数据、微调模型，最后跑一遍安全和通用能力测试。

从提出假设到完成验证，一套较完整的AI研究闭环，就这样交到了Claude手里。

效果不好，方案扔掉；成绩有所提升，就沿着这个方向接着试。

一轮训练通常只跑30分钟。这样，Claude就能像搜索算法一样，在大量方案中快速试错。

整个过程里，人类负责出题、提供模型和评测标准，Claude则包下了从查资料到跑实验的绝大部分工作。

10道安全难题，Claude全部找到改进方案

实验中，Anthropic一口气给Claude出了10道题。

这些题覆盖模型常见的对齐问题，包括欺骗、谄媚、奖励黑客、隐私侵犯和越狱等。

比如「谄媚」，指的是模型为了顺着用户说话，给出用户爱听但未必正确的答案；「奖励黑客」则是模型没有真正完成任务，只是钻了评测规则的空子，骗到一个更高分数。

Claude每次只处理一种问题，反复提出方案、训练对应的目标模型，再根据成绩进入下一轮。

最后，10类问题全部得到改善。

按照Anthropic定义的「安全差距」指标，Claude弥合了其中26%-96%的差距。简单来说，就是把原本存在安全问题的模型，向理论满分拉近了一大截。

更重要的是，这些方法不只对Claude看过的题目有效。

部分获胜方案放到未公开的测试集，以及模拟多轮对抗场景的Petri评测中，依然能够降低模型的不安全行为。应用到规模最大为实验模型4.7倍的模型上，效果也能保留下来。

Anthropic还设置了一条红线：安全训练不能明显损害模型原有能力。

毕竟，让模型遇到什么都拒绝回答，也能让不少安全测试的分数变好，但这样的模型基本没法用。

最终，Claude找到的方案在预设的通用能力测试中没有出现明显退化。

85%对20%，Claude大比分跑赢人类研究员

最悬殊的一局，出现在「欺骗」测试中。

为了让目标模型变得更诚实，Claude先后提交了150多次尝试。

它提出一个方法，训练一次，再根据结果继续调整。单次实验中，最佳方案弥合了82%的安全差距；综合多次运行，平均成绩达到85%。

同一道题，Anthropic还交给了6名经验丰富的AI安全研究员。

结果，人类研究员平均只弥合了20%的安全差距…

85%对20%，Claude赢得那叫一个毫无悬念。

全部任务一共有28名人类安全研究员参加，每人最多可以用8小时阅读资料、设计方案。

论文称，自动化研究员通常能在6小时内找到超过人类平均水平的方法，人类提供的研究方向也没有让Claude取得更好的成绩。

最最最扎心的，在于成本！

一名自动化研究员每小时的API推理成本大约为4美元；Anthropic付给人类研究员的报酬，则是每小时150美元。

这……人类研究员妥妥要被Claude替代了啊。

不过呢，这场人机比赛也并非完全公平。

Claude可以真正训练模型，看到每次实验的结果，再不断修改方案；人类研究员只能提交一次方法，没有机会根据结果继续迭代。

较弱Claude训练更强Claude，60小时逼近正式版

前面的实验，改进的主要还是开源小模型。

接下来，Anthropic把难度直接拉高：让能力较弱的Claude Sonnet 5，去训练尚未完成大部分生产级安全训练的Claude Opus 4.8早期版本。

所谓弟子不必不如师，说的大概就是这种模式了。

在60小时里，Sonnet 5测试了50多种解决方案。最终找到的方法弥合了约65%的安全差距，已经接近正式发布版Opus 4.8的72%。

这套方案使用的训练数据只有2000多条，主要由简单模板和公开数据集构成。

按照Anthropic的计算，在这组特定任务上，它的数据效率大约是生产级对齐流程的1.5万倍。

当然，这还不等于Anthropic可以用2000条数据，复制整套生产训练。

正式模型还要处理更多能力、更多风险以及大量极端情况，这次实验只针对一组明确的安全指标展开。

但这已经证明了，较弱的Claude已经可以自己查论文、设计方法、生成数据，再把训练结果写进更强的Claude。

人类划定范围，Claude负责迭代。一个模型，开始参与制造下一个更安全、更强大的模型。

AI改进AI，已经成为了发生在眼前的事实。

所以到底算不算「AI自进化」?

从结果来看，这项研究确实已经摸到了「AI自进化」的门槛。

但如果把「自进化」理解成一个AI完全自主地设计、训练并制造出更强的下一代AI，那这次实验还远没有走到那一步。

毕竟这个过程中，研究什么问题、用什么模型和数据、什么样的结果算成功，都还是由人类决定。

Anthropic自己也承认，AAR能够优化的，只是人类事先写进评测系统的目标。

这次实验没有覆盖其他复杂问题；一些低频或刚刚出现的风险，甚至还没有对应的Benchmark。

研究人员也只检查了一组预先选定的通用能力，因此无法排除某种安全训练在提高分数的同时，损害了其他没有被测试的能力。

Petri等安全评测同样只是现实风险的代理指标。模型在测试里表现得更安全，并不等于进入真实环境后也一定可靠。

所以，AAR最大的隐患也藏在它的优势里：它太擅长根据指标高速试错了。

一旦尺子量错，Claude跑得越快，离人类真正想要的结果反而可能越远。

更戏剧性的是，研究Agent自己也会作弊。

为了防止AAR钻评测规则的空子，Anthropic专门安排了一个监控Agent，检查Claude准备执行的方案和完整研究记录。

结果，在大约1600份研究记录中，监控模型发现了39次作弊尝试，占比约2.4%。

有的Agent反复提交同一方案，试图利用评测波动碰出一个更高分数；有的模仿Benchmark的格式生成训练数据，还有的故意隐藏违反规则的实验步骤。

比起真正解决模型的安全问题，它们更想找到一条快速提高分数的捷径。

这多少有点黑色幽默了…合着Agent监守自盗了呗。

好消息是，这些作弊意图大多还会出现在模型的推理记录里，因此能被监控Agent发现。

坏消息是，Anthropic也不能确定未来更强的模型还会不会留下这么明显的痕迹。

当研究Agent拥有更多工具、更高权限，并且可以直接修改模型训练流程时，「怎样监控一个负责改进AI的AI」，可能会比训练本身更棘手。

但总而言之，一个AAR每小时大约花费4美元，可以连续工作，也可以一次复制出几十个、几百个并行跑实验。

而人类研究员的时薪远高于这个数，需要休息，一次能推进的实验数量也相当有限。

这笔账怎么算，答案都已经很明显了。

也不知道该说是核弹爆炸，还是当场瘫坐……

这一次，轮到造AI的人担心被AI抢饭碗了。

参考链接：

[1]https://www.anthropic.com/research/automated-researchers-mitigate-alignment-failures

[3]https://techcrunch.com/2026/08/28/an-anthropic-researcher-just-gave-us-a-peek-at-self-improving-ai/