大家平时聊AI，注意力多集中在新模型发布，哪家又降价了这些层面。日常用起来，无非是写写文案、查查资料，这大概就是多数人对AI的印象。

但最近我翻了翻剑桥大学发布的一份报告，署名作者里有Hinton、Bengio，还有OpenAI和Anthropic的核心高管。他们聊的话题比日常使用要深好几层，重点落在AI接管造AI这件事上。

报告里披露了一组数据，Anthropic内部AI生成的代码占比，从2025年初的个位数涨到了2026年5月的80%以上。完全由AI完成、人类只做高层监督的研发，也从今年3月的1%升到8月的26%。报告打了个比方，就像一家生产机器的工厂，造出来的机器没直接出厂，留在厂里修生产线，改造后的生产线再造出更好的机器，反复循环。报告在模型推算里加了前提条件，自动化实现、算力不卡壳时，大概17个月AI进步速度能翻十倍。

这听起来确实是个非常快的速度，但报告也承认，想跑到这个速度，没那么容易。算力瓶颈摆在那，实验算力不够，现实中跑不了那么多方案。生物、材料这些领域，等实验结果的时间没法被代码压缩，物理世界的反馈周期绕不开，数字世界跑得再快，碰到物理规律还是得按规矩来。

物理规律的限制绕不开，但比起技术阻力，真正让这群大佬感到不安的，是接下来的治理问题。研发提速如果真发生，传统治理节奏很可能跟不上，人类离具体研发决策越来越远，监督接口变薄，管控能力跟着下降。如果某个公司或国家率先掌握了这种能力，它在竞争里拿到的优势会成倍放大，原有的安全底线容易被冲垮。

面对这种潜在的脱节，报告给出的建议其实很具体。它没喊暂停，要的是三件事，可观测、可限速、可审计，得有紧急情况下的停顿选项。得先弄清楚公司内部到底在多大程度上把研发交给了AI，再把监督机制建起来。

报告想解决的是怎么管的问题，但落到实际业务里，竞争格局的变化可能跑得更快。谁先跑通自我迭代的闭环，谁就能在下一轮技术周期里拿到更大的筹码，开源模型和中小团队面临的挑战会极其现实，算力和数据这关很难靠开源填平。整个行业的注意力，可能很快会从模型发布转向研发流程本身。

这些动作听起来清晰，要做成并不简单，技术闭环已经动起来了，制度闭环还没跟上，这中间的落差，可能就是接下来行业里最大的变数。

#hinton #ai #科技