一个基准测试的分数曲线，正在改变一位顶级 AI 研究者对时间表的判断。

发生了什么

据 The Decoder 报道，研究机构 P-Zero Research 发布了一项新基准，用于衡量 AI 模型自主设计实验、并评估实验结果的能力——也就是研究流程中最核心的两个环节。测试结果显示，模型在这方面的表现提升速度非常快。

基于这一变化，Anthropic 联合创始人 Jack Clark 将自己对「自我改进型 AI」出现时间的预测提前到了 2027 年。报道未披露基准的具体分数、参与评测的模型名单，也未给出 Clark 此前预测的具体年份。

为什么重要

「自我改进」是 AI 讨论中最敏感的一条线。它指的是模型能够参与改进下一代模型本身——提出假设、设计验证实验、判断结果是否可信，从而缩短研究迭代周期。一旦这个闭环成立，进步速度就不再只取决于人类研究者的时间和精力。

值得注意的是这次评测的切口。过去衡量模型能力的基准，大多测的是解题、写代码、答问；而「设计并评估实验」测的是研究品味：知道该验证什么、怎么验证、结果出来了算不算数。这更接近科研工作的实际形态，也更难用刷题的方式提升。

Clark 的身份让这次改口更有分量。他长期在 Anthropic 负责政策与公共叙事，其公开预测通常偏保守。把时间点往前挪，意味着他观察到的趋势已经超出了原先的预期区间。

影响与看点

对行业而言，最直接的变化是「AI 做 AI 研究」从远景议题变成了需要提前准备的现实问题：算力与实验资源的分配方式、研究机构的组织形态、以及模型能力评估体系本身，都可能需要重做。

对开发者来说，短期影响更务实——如果模型在实验设计与结果评估上持续变强，自动化科研工具、实验管理平台、评测基础设施会先受益，这类工程能力的需求可能早于「自我改进」本身到来。

需要保持克制的部分同样明显：一个基准上的快速提升，不等于完整的自主研究闭环已经跑通。基准测的是局部能力，而真实研究包含大量隐性判断、失败复现和方向取舍。Clark 给出的是预测，不是结论。

一个值得记住的判断：真正需要关注的不是 2027 这个数字，而是「模型开始参与评估自己」这件事本身——评估权一旦部分让渡，能力提升的节奏和我们对它的理解方式都会随之改变。