Версия Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Доклад Кембриджского университета рассматривает, может ли исследованиями в области ИИ управлять сам ИИ, ускоряя прогресс

> В рабочей статье Кембриджского университета рассматривается, может ли проведение исследований по созданию ИИ с помощью самого ИИ ускорить развитие этой области. Показатель Anthropic в 26% отражает работу под надзором, а предполагаемый цикл обратной связи остается условным.

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.

По словам Anthropic, Claude выполняет 26% той исследовательской и опытно-конструкторской работы в области ИИ, которую компания измеряет внутри организации. Это означает, что система может выполнить большую часть задачи по общему запросу при надзоре человека. Anthropic также сообщает, что Claude не выполняет ни одну измеряемую задачу R&D полностью автономно. Это различие важно для новой [рабочей статьи Кембриджской программы по науке и политике в сфере ИИ](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf), где задается вопрос: может ли дальнейшее увеличение доли R&D, выполняемой самим ИИ, в итоге резко ускорить развитие искусственного интеллекта.

В статье, датированной сентябрем 2026 года, сведены воедино мнения 22 авторов из университетов, ИИ-компаний и организаций гражданского общества. В ней утверждается, что быстрый цикл обратной связи возможен: способные системы помогают создавать более совершенные системы, которые затем выполняют больше исследовательской работы. Главный вывод статьи — предупреждение о возможном сценарии и необходимости его измерять. В статье не сообщается, что такое ускорение уже началось.

## Главное изменение

- **Что изменилось:** В межорганизационной рабочей статье собраны данные об исследованиях и разработках с участием ИИ, условия возможного ускорения прогресса и конкретные показатели, сбор которых авторы предлагают поручить правительствам и передовым лабораториям.
- **Почему это важно:** Компании, разрабатывающие ИИ-системы, поручают им все больше исследовательских задач. Публичные показатели такой делегации остаются неполными, из-за чего трудно понять, насколько ускорился весь исследовательский процесс.
- **На что обратить внимание:** независимо проверенные показатели объема работы, выполненной ИИ, того, улучшают ли его результаты последующие модели, и того, замедляют ли цикл обратной связи вычислительные ресурсы, эксперименты и человеческая проверка.

## Данные реальны, но показатели отвечают на разные вопросы

[сентябрьском отчете Anthropic об измерениях](https://www.anthropic.com/institute/measuring-pace-of-ai-development) говорится, что в августе 2026 года доля работы в R&D, которую ИИ выполнял на уровне «ведущей роли», достигла 26% по сравнению с менее чем 1% в феврале. В этой шкале к категории по-прежнему относится работа под надзором человека. Anthropic сообщает, что индекс является прототипом, собственные модели компании помогают оценивать работу и общепринятого метода сравнения таких показателей между компаниями нет. Заявление о том, что ни одна измеренная работа не выполнялась полностью автономно, следует рассматривать вместе с показателем 26%.

[сентябрьском сообщении OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/) описывается, как исследователи стали чаще использовать программных агентов, быстрее создавать код и проводить больше экспериментов. OpenAI говорит, что число экспериментов коррелирует с более активным использованием агентов, а доступные вычислительные мощности также увеличились. По словам компании, исследовательские приоритеты по-прежнему выбирают люди, которые решают, какие результаты развивать. Увеличение объема кода и числа экспериментов может помогать исследованиям, но не доказывает сопоставимого роста темпа создания более способных моделей.

Независимые оценки помогают измерить одну часть процесса. [В обновлении METR Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/) говорится, что в наборе тестов модели справляются с более длинными исследовательскими и программными задачами, чем предыдущие системы. METR также сообщает о большой неопределенности для длительных задач, многие из которых оценивались по расчетному времени выполнения человеком. Бенчмарк измеряет способности на выбранных задачах, а не общую исследовательскую продуктивность лаборатории ИИ. В отдельном рандомизированном исследовании 16 опытных разработчиков открытого ПО выполняли 246 задач, и [METR установила, что доступ к ранним инструментам ИИ 2025 года увеличил время выполнения на 19%](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf). Эта более ранняя ситуация с разработкой ПО не может служить заменой исследованиям в передовой лаборатории в сентябре 2026 года, но показывает, почему одного использования инструментов и бенчмарков задач недостаточно для вывода о производительности.

## Возможный цикл обратной связи имеет несколько ограничителей

В статье CASP сосредоточились на цикле, обусловленном программным обеспечением. Системы ИИ могли бы расширить исследовательскую рабочую силу, параллельно выполняя больше работы. Успешные улучшения сделают новые системы более способными к исследованиям, что позволит добиваться дальнейших улучшений. Авторы говорят, что предварительные данные согласуются с этим механизмом и считают существенную автоматизацию R&D вероятной в течение нескольких лет. Более радикальный сценарий «взрыва интеллекта», при котором годы прогресса укладываются в месяцы или меньше, зависит от того, превзойдет ли скорость цикла ограничения. Это условный сценарий, а не измеренный прогноз будущих событий.

В статье названы четыре важных ограничения: убывающая отдача от дополнительных исследовательских усилий, нехватка вычислительных мощностей и данных, задачи, которые остаются трудными для автоматизации, а также процессы вроде длительного обучения моделей, которые нельзя произвольно ускорить. Авторы говорят, что доказательства по некоторым из этих ограничений неоднозначны или косвенны, а прямых данных о силе ограничений, связанных со временем, не хватает. Пример десятикратного ускорения прогресса примерно за 1,5 года — это расчет модели после полной автоматизации R&D, при условии, что оцененная отдача от исследовательских усилий сохранится и не появится новое узкое место. Это не наблюдаемое ускорение и не безусловно предсказанная дата.

Другие исследования показывают, насколько ситуация неопределенна. В [работе 2025 года о четырех ИИ-лабораториях](https://arxiv.org/abs/2507.23181) Паркер Уитфилл и Шерил Ву получили разные ответы в зависимости от того, как моделировались вычислительные ресурсы для исследований. В одной спецификации когнитивный труд и вычислительные мощности выглядели взаимозаменяемыми; в модели, учитывающей растущие потребности передовых экспериментов, они оказались взаимодополняющими. Авторы предупреждают, что данные и модель ограничены. [В анализе Тоби Орда за август 2026 года](https://arxiv.org/abs/2608.14426) время, необходимое для каждого цикла улучшения, названо еще одним критическим параметром. Эти анализы не исключают быстрого ускорения. Они показывают, что скорость цикла нельзя напрямую вывести из количества агентов или написанного ими кода.

## Что авторы предлагают измерять

Авторы из Кембриджа предлагают три приоритета для политики: получить представление о масштабе автоматизации R&D в ИИ, разработать способы направлять и ограничивать возможное ускорение и подготовиться к его потенциальным последствиям. Наиболее непосредственный и проверяемый шаг — измерение. Авторы предлагают сообщать, какая доля исследовательских результатов создана ИИ, каков темп алгоритмических улучшений, как лаборатории распределяют расходы между людьми и вычислительными ресурсами, на какие исследовательские решения влияют системы ИИ и какие инциденты связаны с внутренними агентами. Также предлагается независимый аудит и более строгие требования к системам, достигшим передового уровня возможностей R&D в области ИИ.

Некоторые дальнейшие предложения — включая требования до продолжения внедрения, способы приостанавливать определенные исследовательские нагрузки и международную проверку — потребовали бы серьезной проработки и компромиссов. В самой статье предупреждается, что плохо разработанные полномочия могут дать преимущество одной компании и задержать полезную работу. Описание возможных выгод и серьезного вреда зависит от ранее изложенного условного ускорения. Политики могут изучить обоснование ближайших требований к отчетности, не предполагая, что самый экстремальный сценарий уже наступил.

Полезный вопрос после выхода доклада уже, чем вопрос о том, станет ли ИИ внезапно сверхразумным. Могут ли лаборатории сопоставимо показать, за какие части исследований уже отвечает ИИ, какие улучшения выдерживают оценку человека и как быстро эти улучшения переходят в следующее поколение систем? Открытых данных пока недостаточно, чтобы ответить на это для всех компаний.

## Источники и дополнительная литература

- [Кембриджская программа по науке и политике в сфере ИИ, полный текст рабочей статьи (сентябрь 2026 года)](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf): аргументы авторов, обзор данных, предположения модели, ограничения и предложения для политики. Документ обозначен как рабочая статья; публичные материалы не подтверждают прохождение независимого рецензирования.
- [Краткое изложение для руководителей CASP](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf): сокращенное изложение условного сценария авторов и предлагаемых мер. Его подготовила часть авторского коллектива.
- [Anthropic: измерения для понимания темпа развития ИИ внутри передовых лабораторий](https://www.anthropic.com/institute/measuring-pace-of-ai-development): первичный источник показателя «ведущей роли ИИ» в 26%, уровня надзора и методологических ограничений.
- [OpenAI: ускорение исследований внутри OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/): показатели использования агентов, объема экспериментов, человеческого управления и оговорки по измерению исследовательского прогресса, опубликованные компанией.
- [METR: Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/): независимая оценка задач и сведения о неопределенности того, как рассчитывается длительность горизонта бенчмарка.
- [Уитфилл и Ву: узкие места, связанные с вычислениями](https://arxiv.org/abs/2507.23181), и [Орд: динамика взрывов интеллекта](https://arxiv.org/abs/2608.14426): отдельные анализы условий, способных замедлить или изменить рекурсивный цикл исследований.

## Sources

- [CASP: «Что произойдет, если автоматизация исследований и разработок ИИ вызовет взрыв интеллекта?»](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf) — Основная рабочая статья Frontier AI Working Paper Series № 2/2026 объемом 14 страниц. Прочитана полностью. Описывает механизм, неоднозначность данных, предположения и предложения для политики.
- [Краткое изложение для руководителей CASP](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf) — Двухстраничное резюме, подготовленное частью авторов. Сверено с полным текстом статьи.
- [Anthropic: измерения для понимания темпа развития ИИ внутри передовых лабораторий](https://www.anthropic.com/institute/measuring-pace-of-ai-development) — Первичные измерения компании: 26% ведущей роли ИИ, отсутствие случаев полной автономности по результатам измерений и методологические оговорки.
- [OpenAI: ускорение исследований — взгляд изнутри OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/) — Первичные показатели использования агентов и исследовательской активности; корреляция отделена от чистого прогресса моделей.
- [METR: Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/) — Независимая оценка длительности задач с указанием неопределенности и ограничений состава заданий.
- [METR: измерение влияния ИИ начала 2025 года на продуктивность опытных разработчиков открытого ПО](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf) — Рандомизированное исследование в другой ситуации разработки программного обеспечения; ограниченный контрпример предположению, что внедрение инструментов автоматически повышает производительность.
- [Уитфилл и Ву: помешают ли вычислительные ограничения взрыву интеллекта?](https://arxiv.org/abs/2507.23181) — Анализ на основе модели, где оценки взаимозаменяемости вычислений и человеческого труда различаются; авторы явно указывают ограничения данных.
- [Тоби Орд: динамика взрывов интеллекта](https://arxiv.org/abs/2608.14426) — Теоретический анализ времени цикла обратной связи; не эмпирический прогноз.