AI-translated from English; not yet reviewed by a fluent editor. # Sinusuri ng ulat ng Cambridge kung mapabibilis ng AI-led na pananaliksik ang pag-unlad ng AI > Sinusuri sa working paper ng Cambridge kung mapabibilis ng pananaliksik na pinangungunahan ng AI ang pag-unlad ng AI. Tumutukoy sa trabahong may superbisyon ang bilang na 26% ng Anthropic, samantalang nakasalalay pa rin sa mga kondisyon ang mungkahing feedback loop. By BIG CHANGE Editorial Published: 2026-09-28T23:34:31.964Z Updated: 2026-09-28T23:34:31.964Z Canonical: https://bigchange.ai/blog/casp-report-ai-automating-ai-research ![Conceptual charcoal illustration, seen from above, of one researcher comparing two sheets at a workbench while a desktop monitor faces away.](https://bigchange.ai/api/media/file/casp-research-review-hero-v2.png) AI-generated conceptual illustration by BIG CHANGE. Sinasabi ng Anthropic na nangunguna na si Claude sa 26% ng gawaing pananaliksik at development sa AI na sinusukat nito sa loob ng kumpanya. Ibig sabihin, kayang tapusin ng system ang karamihan sa isang gawain mula sa pangkalahatang prompt habang may taong nangangasiwa. Sinasabi rin ng Anthropic na walang nasusukat na gawaing R&D na ganap na nagsasarili si Claude. Mahalaga ang pagkakaibang ito sa bagong [working paper ng Cambridge Programme on AI Science & Policy](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf), na nagtatanong kung maaari bang kalauna’y lubhang bumilis ang pag-unlad ng AI kapag mas marami sa sarili nitong R&D ang ginagawa ng AI. Pinagsasama sa papel na may petsang Setyembre 2026 ang 22 awtor mula sa mga unibersidad, kompanya ng AI at lipunang sibil. Ipinangangatuwiran nito na posible ang mabilis na feedback loop: tumutulong ang mahuhusay na system na lumikha ng mas mahuhusay na system, na siya namang nagsasagawa ng mas maraming pananaliksik. Babala sa posibleng landas at pangangailangang sukatin ito ang pangunahing konklusyon ng papel. Hindi nito iniulat na nagsimula na ang gayong pagbilis. ## Ang malaking pagbabago - **Ano ang nagbago:**Inilatag sa working paper ng maraming institusyon ang ebidensiya para sa AI-led na R&D, mga kondisyong maaaring magpabilis sa pag-unlad ng AI at mga tiyak na sukat na hinihiling nitong kunin ng mga pamahalaan mula sa mga frontier lab. - **Bakit ito mahalaga:**Mas maraming gawaing pananaliksik ang ipinagkakatiwala sa mga AI system sa loob ng mga kumpanyang bumubuo sa mga ito. Bahagya pa lamang ang pampublikong sukat ng delegasyong ito, kaya mahirap malaman kung gaano bumibilis ang buong proseso ng pananaliksik. - **Ano ang dapat bantayan:**Mga sukat na independiyenteng sinuri kung gaano karaming gawain ang natatapos ng AI, kung napabubuti ng mga kontribusyon nito ang mga susunod na model at kung pinababagal ng compute, eksperimento at pagsusuri ng tao ang feedback loop. ## Totoo ang ebidensiya, pero magkakaibang tanong ang sinasagot ng mga sukat [Ulat ng pagsukat ng Anthropic noong Setyembre](https://www.anthropic.com/institute/measuring-pace-of-ai-development) na umabot sa 26% noong Agosto 2026 ang bahaging “AI leads” sa gawaing R&D nito, mula sa mas mababa sa 1% noong Pebrero. May superbisor pa ring tao sa kategoryang ito ayon sa antas ng pagmamarka nito. Sinasabi ng Anthropic na prototype ang index, tumutulong ang sarili nitong mga model sa pagmamarka ng gawain at wala pang iisang pamamaraang magagamit sa paghahambing ng mga bilang sa magkakaibang kumpanya. Dapat isaalang-alang kasabay ng 26% na bilang ang pahayag nitong walang nasusukat na ganap na nagsasariling gawain. [Inilalarawan sa pahayag ng OpenAI noong Setyembre](https://openai.com/index/research-acceleration-view-inside-openai/) ang mga mananaliksik na mas maraming coding agent ang ginagamit, mas mabilis gumawa ng code at mas maraming eksperimento ang pinatatakbo. Sinasabi ng OpenAI na may kaugnayan ang dami ng eksperimento sa mas malawak na paggamit ng agent, samantalang lumaki rin ang magagamit na compute. Tao pa rin ang pumipili ng prayoridad sa pananaliksik at nagpapasya kung aling resulta ang susundan, ayon dito. Makakatulong sa pananaliksik ang mas maraming code at eksperimento nang hindi nito pinatutunayan na kasinlaki rin ang pagbilis sa paggawa ng mas mahuhusay na model. Tumutulong ang mga independiyenteng pagsusuri na sukatin ang isang bahagi ng proseso. [Sa update ng METR sa Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/) , natuklasan nitong kayang tapusin ng mga model ang mas mahahabang gawain sa pananaliksik at software kaysa sa naunang mga system sa test suite nito. Nag-ulat din ang METR ng malaking kawalang-katiyakan para sa mahahabang gawain, na marami rito ay tinantiya ang oras ng pagtapos ng tao. Sinusukat ng benchmark ng gawain ang kakayahan sa mga pinili nitong gawain; hindi nito sinusukat ang kabuuang produktibidad sa pananaliksik ng isang AI lab. Sa hiwalay na randomisadong pag-aaral sa 16 na bihasang developer ng open-source na gumawa ng 246 na gawain, [natuklasan ng METR na pinahaba nang 19% ng access sa AI tool noong unang bahagi ng 2025 ang oras ng pagtapos](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf). Hindi kapalit ng frontier lab noong Setyembre 2026 ang mas lumang kalagayang iyon sa software, pero ipinakikita nitong hindi sapat ang paggamit ng tool at benchmark ng gawain lamang upang malutas ang tanong tungkol sa produktibidad. ## May ilang preno ang posibleng feedback loop Nakatuon ang papel ng CASP sa software-driven na loop. Palalawakin ng mga AI system ang mabisang lakas-paggawa sa pananaliksik sa pamamagitan ng sabayang paggawa ng mga gawain. Mapabubuti ng mga matagumpay na pagbabago ang susunod na system, na magiging mas mahusay na mananaliksik at makagagawa ng mas maraming pagbabago. Sinasabi ng mga awtor na kaayon ng mekanismong ito ang paunang ebidensiya at malamang na malawakang ma-automate ang R&D sa loob ng ilang taon. Nakadepende sa paglampas ng loop sa mga limitasyon nito ang mas matinding posibilidad ng “pagsabog ng katalinuhan,” kung saan mapaiikli sa ilang buwan o mas maikli pa ang mga taon ng pag-unlad. Kondisyunal na senaryo ito, hindi pagtataya batay sa nasukat na mangyayari. Binanggit sa papel ang apat na mahalagang limitasyon: paliit na pakinabang mula sa dagdag na pagsisikap sa pananaliksik, limitadong compute at datos, mga gawaing mahirap pa ring i-automate, at mga prosesong gaya ng mahahabang training run na hindi mapabibilis anumang oras. Sinasabi nitong halo-halo o di-tuwiran ang ebidensiya tungkol sa ilan dito at kulang ang tuwirang ebidensiya sa lakas ng mga hadlang na nakabatay sa oras. Modelong pagkalkula ang halimbawa nitong sampung ulit na pagbilis sa loob ng humigit-kumulang 1.5 taon matapos ganap na ma-automate ang R&D, kung magpapatuloy ang tinatayang balik sa pagsisikap sa pananaliksik at walang lilitaw na bagong hadlang. Hindi ito naobserbahang pagbilis o tiyak na petsa. Lalong ipinakikita ng ibang pananaliksik ang kawalang-katiyakan. Sa [pag-aaral noong 2025 sa apat na AI lab](https://arxiv.org/abs/2507.23181), natuklasan nina Parker Whitfill at Cheryl Wu na nag-iiba ang sagot depende sa paraan ng pagmomodelo nila sa compute ng pananaliksik. Sa isang espesipikasyon, mukhang maaaring ipagpalit ang paggawa ng kognitibong gawain at compute; sa modelong isinasaalang-alang ang tumataas na pangangailangan ng mga frontier experiment, mukhang magkapantay na kailangan ang mga ito. Nagbabala ang mga awtor na limitado ang datos at model. [Tinutukoy sa pagsusuri ni Toby Ord noong Agosto 2026](https://arxiv.org/abs/2608.14426) ang oras na kailangan sa bawat siklo ng pagpapahusay bilang isa pang mahalagang parameter. Hindi itinatakwil ng mga pagsusuring ito ang posibilidad ng mabilis na pagbilis. Ipinakikita lamang nilang hindi direktang mahihinuha ang bilis ng loop mula sa dami ng agent o code na isinusulat nito. ## Ano ang nais sukatin ng mga awtor Nagmumungkahi ang mga awtor sa Cambridge ng tatlong prayoridad sa patakaran: magkaroon ng malinaw na datos tungkol sa automation ng AI R&D, bumuo ng mga paraan para patnubayan at limitahan ang posibleng pagbilis, at maghanda sa mga posibleng epekto nito. Pinakamadalian at pinakamadaling subukan ang pagsukat. Iminumungkahi nilang iulat ang bahagi ng mga kontribusyon sa pananaliksik na gawa ng AI, bilis ng pagpapahusay ng algorithm, paghahati ng mga lab sa gastos para sa tao at compute, mga pasya sa pananaliksik na naiimpluwensiyahan ng AI system at mga insidenteng kinasasangkutan ng internal agent. Iminumungkahi rin nila ang independiyenteng audit at mas mahihigpit na rekisito para sa mga system na nangunguna sa kakayahan sa AI R&D. Mangangailangan ng malaking disenyo at pagtitimbang ang ilang mungkahi sa hinaharap, kabilang ang mga rekisito bago ang dagdag na deployment, paraan ng paghinto sa ilang workload ng R&D at internasyonal na beripikasyon. Nagbabala mismo ang papel na maaaring paboran ng kapangyarihang hindi maayos ang disenyo ang isang kumpanya at maantala ang kapaki-pakinabang na gawain. Nakabatay sa naunang kondisyunal na pagbilis ang paglalarawan nito sa mga posibleng pakinabang at matitinding pinsala. Maaaring suriin ng mga gumagawa ng patakaran ang kaso para sa pag-uulat sa malapit na panahon nang hindi ipinagpapalagay na naganap na ang pinakamatinding senaryo. Mas tiyak ang kapaki-pakinabang na tanong matapos ang ulat na ito kaysa sa kung biglang magiging superintelligent ang AI. Maipakikita ba ng mga lab sa magkakatulad na paraan kung aling bahagi ng pananaliksik ang pinangungunahan na ngayon ng AI, aling mga pagpapahusay ang pumapasa sa pagsusuri ng tao at gaano kabilis napapakinabangan ang mga ito sa susunod na henerasyon ng system? Hindi pa sapat ang pampublikong ebidensiya upang masagot ito sa iba’t ibang kumpanya. ## Mga sanggunian at karagdagang babasahin - [Cambridge Programme on AI Science & Policy, buong working paper (Setyembre 2026)](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf): Argumento ng mga awtor, pagsusuri sa ebidensiya, palagay ng modelo, limitasyon at mungkahing patakaran. Working paper ang pagkakakilala rito; hindi pinatutunayan ng pampublikong materyal na sumailalim ito sa panlabas na peer review. - [Buod para sa mga ehekutibo ng CASP](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf): Mas maikling paglalahad sa kondisyunal na senaryo at mungkahing tugon ng mga awtor. Isinulat ito ng ilan lamang sa mga awtor. - [Anthropic, mga sukat ng AI-led na R&D](https://www.anthropic.com/institute/measuring-pace-of-ai-development): Pangunahing sanggunian para sa 26% na bilang na “AI leads,” antas ng superbisyon at limitasyon sa pamamaraan. - [OpenAI, pagbilis ng pananaliksik sa loob ng OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/): Mga sukat ng paggamit ng agent, dami ng eksperimento, direksiyon ng tao at babala sa pagsukat sa pag-unlad ng pananaliksik ayon sa kumpanya. - [METR, Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/): Independiyenteng pagsusuri sa gawain at kawalang-katiyakan sa pagtantiya sa abot ng mga benchmark. - [Whitfill at Wu, mga hadlang sa compute](https://arxiv.org/abs/2507.23181), at [Ord, mga dinamika ng pagsabog ng katalinuhan](https://arxiv.org/abs/2608.14426): Magkakahiwalay na pagsusuri sa mga kondisyong maaaring magpabagal o magbago sa paulit-ulit na siklo ng pananaliksik. ## Sources - [CASP, Paano kung magpasiklab ng pagsabog ng katalinuhan ang automation ng AI R&D?](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf) — Pangunahing 14-pahinang Frontier AI Working Paper Series Blg. 2/2026. Basahin ang buong papel. Mekanismo, halo-halong ebidensiya, palagay at mungkahing patakaran. - [Buod para sa mga ehekutibo ng CASP](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf) — Dalawang-pahinang buod ng ilan sa mga awtor. Sinuri ito batay sa buong papel. - [Anthropic, mga sukat para maunawaan ang bilis ng pag-unlad ng AI sa mga frontier lab](https://www.anthropic.com/institute/measuring-pace-of-ai-development) — Pangunahing sukat ng kumpanya sa 26% na AI leads, walang nasukat na ganap na pagsasarili at mga babala sa pamamaraan. - [OpenAI, pagbilis ng pananaliksik: pananaw mula sa loob ng OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/) — Pangunahing sukat ng kumpanya sa paggamit ng agent at aktibidad ng pananaliksik; inihihiwalay nito ang ugnayan sa kabuuang pag-unlad ng model. - [METR, Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/) — Independiyenteng pagsusuri sa abot ng gawain na may kawalang-katiyakan at limitasyon sa komposisyon ng gawain. - [METR, Pagsukat sa epekto ng AI noong unang bahagi ng 2025 sa produktibidad ng bihasang developer ng open-source](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf) — Randomisadong pag-aaral sa ibang kalagayan ng software; limitadong salungat na halimbawa sa pagpapalagay na awtomatikong nagmumula sa paggamit ng tool ang produktibidad. - [Whitfill at Wu, Pipigilan ba ng mga hadlang sa compute ang pagsabog ng katalinuhan?](https://arxiv.org/abs/2507.23181) — Pagsusuring batay sa modelo na may magkakaibang pagtataya sa pagpapalitan ng paggawa at compute at tahasang limitasyon sa datos. - [Toby Ord, Ang mga dinamika ng pagsabog ng katalinuhan](https://arxiv.org/abs/2608.14426) — Teoretikal na pagsusuri sa tagal ng bawat siklo ng feedback; hindi empirikal na pagtataya.