Anthropic च्या मते, कंपनीच्या आत मोजल्या जाणाऱ्या AI संशोधन व विकासकामांपैकी आता 26% कामाचे नेतृत्व Claude करते. म्हणजे उच्च-स्तरीय सूचनेवरून प्रणाली एखादे काम बहुतांश पूर्ण करू शकते आणि व्यक्ती त्यावर देखरेख ठेवते. Claude कोणतेही मोजलेले संशोधन-विकासकाम पूर्णपणे स्वायत्तपणे करत नाही, असेही Anthropic सांगते. Cambridge Programme on AI Science & Policy च्या नव्या कार्यपत्रिकेत विचारलेला प्रश्न याच फरकामुळे महत्त्वाचा ठरतो: AI ने स्वतःच अधिक संशोधन-विकास केल्यास अखेरीस AI प्रगती झपाट्याने वेगवान होऊ शकेल का?

सप्टेंबर 2026 दिनांकित या लेखात विद्यापीठे, AI कंपन्या आणि नागरी समाजातील 22 लेखकांचे योगदान आहे. सक्षम प्रणाली अधिक सक्षम प्रणाली तयार करण्यात मदत करतात आणि त्या पुढे अधिक संशोधन करतात, असे जलद अभिप्राय-चक्र शक्य असल्याचा युक्तिवाद तो करतो. संभाव्य मार्गाचा इशारा देणे आणि त्याचे मोजमाप करणे गरजेचे आहे, हा त्याचा मुख्य निष्कर्ष आहे. अशी गतीवाढ सुरू झाली आहे, असे लेख नोंदवत नाही.

मोठा बदल

  • काय बदलले: विविध संस्थांच्या लेखकांनी तयार केलेल्या कार्यपत्रिकेत AI-नेतृत्वाखालील संशोधन-विकासाच्या पुराव्यांचा, त्यामुळे AI प्रगती वेगवान होण्याच्या अटींचा आणि आघाडीच्या प्रयोगशाळांकडून सरकारने कोणती विशिष्ट मोजमापे मागावीत याचा आढावा आहे.
  • हे महत्त्वाचे का: AI विकसित करणाऱ्या कंपन्यांत संशोधनाची अधिक कामे AI प्रणालींकडे दिली जात आहेत. या कामांचे सार्वजनिक मोजमाप अद्याप अपुरे आहे; त्यामुळे संपूर्ण संशोधन-प्रक्रिया किती वेगवान होत आहे हे ठरवणे कठीण आहे.
  • कशाकडे लक्ष द्यावे: AI किती काम पूर्ण करते, त्याचे योगदान पुढील मॉडेल सुधारते का आणि संगणन, प्रयोग व मानवी पुनरावलोकन अभिप्राय-चक्राचा वेग कमी करतात का, यांची स्वतंत्ररीत्या पडताळलेली मोजमापे.

पुरावे आहेत; पण मोजमापे वेगवेगळ्या प्रश्नांची उत्तरे देतात

Anthropic चा सप्टेंबरमधील मोजमाप-अहवाल सांगतो की त्याच्या संशोधन-विकासकामांतील ‘AI नेतृत्व करते’ या स्तराचा वाटा ऑगस्ट 2026 मध्ये 26% झाला; फेब्रुवारीत तो 1% पेक्षा कमी होता. त्या श्रेणीतही मानवी पर्यवेक्षक असतो. निर्देशांक नमुना-स्वरूपाचा आहे, कामाला गुण देण्यात Anthropic ची स्वतःची मॉडेल मदत करतात आणि कंपन्यांतील आकड्यांची तुलना करण्यासाठी समान पद्धत नाही, असे कंपनी सांगते. कोणतेही मोजलेले काम पूर्णपणे स्वायत्त नाही, हे विधानही 26% आकड्यासोबत लक्षात घ्यावे.

OpenAI चे सप्टेंबरमधील निवेदन संशोधक अधिक कोडिंग एजंट वापरत आहेत, अधिक वेगाने कोड देत आहेत आणि अधिक प्रयोग करत आहेत, असे सांगते. एजंटच्या अधिक वापराशी प्रयोगांची संख्या संबंधित आहे; त्याच वेळी उपलब्ध संगणकीय क्षमताही वाढली आहे, असे OpenAI म्हणते. संशोधनाची प्राधान्ये लोक निवडतात आणि कोणते निकाल पुढे न्यायचे तेही ते ठरवतात. अधिक कोड व प्रयोग संशोधनाला मदत करू शकतात; पण अधिक सक्षम मॉडेल तयार होण्याचा वेग तितकाच वाढतो हे सिद्ध होत नाही.

स्वतंत्र मूल्यांकन प्रक्रियेचा एक भाग मोजण्यास मदत करतात. METR चे Time Horizon 1.1 अद्ययावतीकरण मध्ये आधीच्या प्रणालींपेक्षा चाचणी-संचातील अधिक दीर्घ संशोधन व सॉफ्टवेअर कामे मॉडेल पूर्ण करू शकतात, असे आढळले. दीर्घ कामांच्या निकालांत मोठी अनिश्चितता असल्याचेही METR सांगते; त्यांपैकी अनेक कामांसाठी मानवाला लागणारा वेळ अंदाजला होता. काम-बेंचमार्क निवडलेल्या कामांवरील क्षमता मोजतो; AI प्रयोगशाळेची एकूण संशोधन-उत्पादकता नाही. 246 कामांवर काम करणाऱ्या 16 अनुभवी मुक्त-स्रोत विकासकांच्या स्वतंत्र यादृच्छिक अभ्यासात, METR ला 2025 च्या सुरुवातीची AI साधने वापरल्याने काम पूर्ण करण्याचा वेळ 19% वाढल्याचे आढळले. 2026 च्या सप्टेंबरमधील आघाडीच्या प्रयोगशाळेचे हे जुने सॉफ्टवेअर-संदर्भ प्रतिनिधित्व करत नाही; मात्र साधनांचा वापर आणि काम-बेंचमार्क एवढ्यावरून उत्पादकतेचा प्रश्न सुटत नाही, हे दाखवते.

संभाव्य अभिप्राय-चक्राला अनेक अडथळे आहेत

CASP लेखात सॉफ्टवेअर-चालित चक्रावर भर आहे. AI प्रणाली अनेक कामे समांतर करून प्रभावी संशोधन-पथक वाढवतील. यशस्वी सुधारणा पुढील प्रणालींना चांगले संशोधक बनवतील आणि त्यामुळे अधिक सुधारणा घडतील. प्राथमिक पुरावे या प्रक्रियेशी सुसंगत आहेत आणि काही वर्षांत संशोधन-विकासाचे मोठ्या प्रमाणावर स्वयंचलन होण्याची शक्यता आहे, असे लेखक मानतात. अनेक वर्षांची प्रगती महिने किंवा त्याहून कमी काळात होईल अशा ‘बुद्धिमत्तेच्या स्फोटा’ची अधिक तीव्र शक्यता तेव्हाच असेल, जेव्हा हे चक्र त्याच्या मर्यादांपेक्षा वेगाने चालेल. हा सशर्त प्रसंग आहे; काय घडेल याचा मोजलेला अंदाज नाही.

लेखात चार महत्त्वाचे अडथळे नमूद आहेत: अधिक संशोधन-प्रयत्नांमधून मिळणारा घटता फायदा, मर्यादित संगणकीय क्षमता व डेटा, स्वयंचलित करणे कठीण राहणारी कामे आणि इच्छेनुसार वेगवान न करता येणाऱ्या प्रक्रिया—उदा. दीर्घ प्रशिक्षण-चक्र. यांपैकी काहींबाबतचे पुरावे मिश्र किंवा अप्रत्यक्ष आहेत आणि वेळखाऊ अडथळे किती प्रभावी आहेत याचे थेट पुरावे उपलब्ध नाहीत, असे लेख सांगतो. पूर्ण संशोधन-विकास स्वयंचलित झाल्यानंतर सुमारे 1.5 वर्षांत प्रगती दहापट वेगवान होण्याचे उदाहरण हे मॉडेलमधील गणित आहे; संशोधन-प्रयत्नांचा अंदाजित परतावा कायम राहील आणि नवा अडथळा निर्माण होणार नाही, या अटींवर ते अवलंबून आहे. ही निरीक्षित गतीवाढ किंवा बिनशर्त तारीख नाही.

इतर संशोधन अनिश्चिततेचे स्वरूप अधिक स्पष्ट करते. 2025 च्या चार AI प्रयोगशाळांवरील अभ्यासात, Parker Whitfill आणि Cheryl Wu यांनी संशोधन-संगणनाचे मॉडेल कसे बनवले यानुसार वेगवेगळे निष्कर्ष मिळाले. एका मांडणीत बौद्धिक श्रम आणि संगणन एकमेकांच्या जागी वापरता येण्यासारखे दिसले; आघाडीच्या प्रयोगांच्या वाढत्या गरजा समाविष्ट करणाऱ्या मॉडेलमध्ये ते परस्परपूरक दिसले. डेटा व मॉडेल मर्यादित असल्याचा इशारा लेखक देतात. Toby Ord यांच्या ऑगस्ट 2026 मधील विश्लेषणात प्रत्येक सुधारणा-चक्र पूर्ण होण्यासाठी लागणारा वेळ हा आणखी एक महत्त्वाचा घटक ठरतो. हे विश्लेषण झपाट्याने वाढ होण्याची शक्यता नाकारत नाहीत. एजंटची संख्या किंवा त्यांनी लिहिलेल्या कोडवरून अभिप्राय-चक्राचा वेग थेट ठरवता येत नाही, हे ते दाखवतात.

लेखकांना कोणती मोजमापे हवी आहेत

Cambridge चे लेखक तीन धोरणात्मक प्राधान्ये सुचवतात: AI संशोधन-विकासाचे स्वयंचलन किती आहे हे जाणून घेणे, संभाव्य गतीवाढीला दिशा देण्याचे व मर्यादित ठेवण्याचे मार्ग तयार करणे आणि संभाव्य परिणामांसाठी तयारी करणे. यांपैकी सर्वात तातडीची व तपासण्याजोगी बाब म्हणजे मोजमाप. AI ने तयार केलेल्या संशोधन-योगदानाचा वाटा, अल्गोरिदममधील सुधारणांचा वेग, माणसे व संगणन यांच्यात प्रयोगशाळा खर्च कसा वाटतात, AI प्रणाली कोणत्या संशोधन-निर्णयांवर प्रभाव टाकतात आणि अंतर्गत एजंटशी संबंधित घटना यांची नोंद सुचवली आहे. अधिक कठोर आवश्यकता आघाडीच्या AI संशोधन-विकास क्षमतेच्या प्रणालींना लागू करून स्वतंत्र लेखापरीक्षणही सुचवले आहे.

तैनातीपूर्वीच्या अटी, ठरावीक संशोधन-विकास कामे थांबवण्याचे मार्ग आणि आंतरराष्ट्रीय पडताळणी यांसह नंतरचे काही प्रस्ताव मोठी रचना व तडजोड मागतील. चुकीच्या रचनेचे अधिकार एखाद्या कंपनीला फायदा देऊ शकतात आणि लाभदायक कामाला विलंब लावू शकतात, असा इशारा लेख देतो. संभाव्य फायदे आणि गंभीर हानी यांचे वर्णन आधीच्या सशर्त गतीवाढीवर अवलंबून आहे. सर्वात तीव्र प्रसंग घडून गेला असे न मानताही धोरणकर्ते नजीकच्या काळातील अहवाल देण्याची गरज तपासू शकतात.

या अहवालानंतर विचारायचा उपयुक्त प्रश्न AI अचानक अतिबुद्धिमान होईल का, यापेक्षा मर्यादित आहे. प्रयोगशाळा तुलनायोग्य पद्धतीने दाखवू शकतात का की संशोधनातील कोणती कामे AI आता पुढे नेते, कोणत्या सुधारणा मानवी मूल्यांकनानंतर टिकतात आणि त्या सुधारणा पुढच्या पिढीच्या प्रणालींमध्ये किती वेगाने जातात? विविध कंपन्यांबाबत या प्रश्नाचे उत्तर देण्यासाठी सार्वजनिक पुरावे अद्याप पुरेसे नाहीत.

स्रोत आणि पुढील वाचन