Anthropic发布了观察前沿AI研发速度的三组指标：AI参与下一代AI研发的程度、对Agent行为的监督能力，以及算力在能力与安全工作之间的分配。其2026年8月快照显示，Claude在超过九成研发工作中至少达到协作水平，并在约百分之二十六的工作中承担从高层目标到大部分完成的主导角色，但尚未在任何测量子集完全自主运行。
一、为什么不能只看模型排行榜
公开评测告诉人们模型现在会做什么，却难以说明能力增长有多快。若AI开始帮助设计训练、修复基础设施和执行实验，下一代模型的研发周期可能缩短。观察研发过程，能够更早发现递归加速迹象，也有助于判断人类监督是否跟得上自动化速度。
二、自动化等级怎么理解
指标从无人使用AI，到辅助、协作、主导，再到完全自主。协作意味着AI完成较大工作块，但需要人密切指导；主导意味着从高层提示出发完成大部分任务，人负责监督。不能把“参与九成”误读为“九成工作被替代”，因为参与深度差别很大，人员仍在选择方向、验证和承担责任。
三、测量研发任务的难点
研发工作并非固定流水线，新问题随时出现。Anthropic通过内部工作记录构建任务树并按人员时间加权，再评估各任务自动化程度。这种方法仍依赖分类和判断，不同实验室可能采用不同定义。要形成行业可比数据，需要公开方法、固定基线并接受第三方复核。
四、Agent监督要看三项数据
覆盖率说明多少动作进入监控，审查延迟说明多久能发现问题，拦截或升级率说明多少行为被阻止或交给人。只说“有安全监控”没有意义。对快速且不可逆的风险要在线拦截，对缓慢积累、可以回退的问题可离线审查。两种机制互补，不能互相替代。
五、低异常率不代表可以忽略
报告提到内部平台同时有约三万个Agent工作，并分析了十亿级决策。即使单次异常概率很低，在巨大调用规模下也会频繁出现。企业部署Agent时应把风险按总调用量计算，并关注多个低风险动作组合后的影响。越是规模化，越需要自动监控与人工升级队列。
六、安全算力比例怎么看
报告尝试测量用于安全研究的研发算力，但也承认算力不是完美指标。安全研究可能依赖少量实验和大量人工思考，高效算法还会降低算力占比。因此比例更适合观察同一机构随时间的变化，而不能简单用于公司排名。分类标准和第三方审计比单个数字更重要。
七、企业可以采用哪些内部指标
记录AI参与任务数还不够，应同时记录自主等级、人工复核时间、工具动作数量、异常拦截和回滚次数。每个Agent任务标明可逆性与影响范围。季度比较自动化增长是否快于监控覆盖增长；如果能力扩张而审查延迟变长，就应先补治理再扩大权限。
八、未来趋势是什么
AI研发AI已从概念进入可量化阶段，但仍处于人类监督下。未来关键问题不是是否使用Agent，而是哪些决策必须由人保留、指标能否独立验证、出现异常时能否快速停止。公开过程指标能帮助社会讨论速度与安全，而不是只能在新模型发布后被动判断结果。
资料来源：官方资料。本文依据官方信息独立整理，并结合实际场景扩展。
