Anthropic наводи да Claude сада води 26% истраживачко-развојног рада у области AI-ја који компанија мери. То значи да систем може да обави већи део задатка на основу општег захтева, док га човек надгледа. Anthropic такође наводи да ниједан мерени истраживачко-развојни задатак није у потпуности аутономан. Та разлика је важна у новом радном документу Кембриџског програма за науку и јавну политику о AI-ју, који поставља питање да ли би већи обим сопственог истраживања које обавља AI временом могао нагло да убрза напредак у тој области.

У документу из септембра 2026. окупљена су 22 аутора са универзитета, из AI компанија и цивилног друштва. Они тврде да је могућа брза повратна спрега: способни системи помажу у изради бољих система, који затим обављају још истраживања. Главни закључак рада јесте упозорење на могући развој догађаја и потребу да се он мери. У документу се не тврди да је такво убрзање већ почело.

Суштинска промена

  • Шта се променило: Међуинституционални радни документ излаже доказе о истраживању и развоју које води AI, услове под којима би оно могло да убрза напредак AI-ја и конкретна мерења која аутори траже од влада како би их добиле од водећих лабораторија.
  • Зашто је то важно: Компаније које развијају AI системе делегирају им све више истраживачких задатака. Јавни показатељи те делегације и даље су непотпуни, па је тешко утврдити колико се убрзава целокупан истраживачки процес.
  • На шта обратити пажњу: Независно проверена мерења количине рада коју AI обави, тога да ли његов допринос побољшава касније моделе и утицаја рачунарских ресурса, експеримената и људског прегледа на брзину повратне спреге.

Докази постоје, али мере одговарају на различита питања

У септембарском извештају Anthropic-а о мерењима наводи се да је удео истраживачко-развојног рада на нивоу „AI води“ достигао 26% у августу 2026, у односу на мање од 1% у фебруару. Међутим, на коришћеној скали људски надзорник је и даље присутан у тој категорији. Anthropic наводи да је индекс прототип, да се за оцењивање рада користе и сопствени модели компаније и да не постоји заједничка методологија за поређење оваквих бројки између компанија. Уз податак од 26% треба узети у обзир и изјаву компаније да ниједан мерени задатак није у потпуности аутономан.

У септембарском приказу OpenAI-ја описује се како истраживачи све више користе агентске алате за програмирање, брже доприносе коду и спроводе више експеримената. OpenAI наводи да је број експеримената повезан са већом употребом агената, али да су у међувремену порасли и доступни рачунарски ресурси. Људи и даље бирају истраживачке приоритете и одлучују које резултате ће даље развијати, наводи компанија. Више кода и експеримената може да допринесе истраживању, али само по себи не доказује једнако убрзање производње способнијих модела.

Независне евалуације помажу да се измери један део процеса. Ажурирање METR-овог показатеља временског хоризонта 1.1 показује да модели у тестном скупу могу да обављају дуже истраживачке и софтверске задатке него ранији системи. METR наводи и знатну неизвесност за дуге задатке, чије је време потребно људима за завршетак у многим случајевима процењено. Бенцхмарк задатака мери способност на одабраним задацима; не мери укупну истраживачку продуктивност AI лабораторије. У засебном насумично контролисаном истраживању, у којем је 16 искусних програмера отвореног кода радило на 246 задатака, METR је утврдио да је приступ AI алатима из почетка 2025. повећао време завршетка за 19%. Тај ранији софтверски контекст не може да представља водећу лабораторију из септембра 2026, али показује зашто коришћење алата и бенцхмарк тестови сами не могу да разреше питање продуктивности.

Могућу повратну спрегу успорава више препрека

Рад Кембриџског програма за науку и јавну политику о AI-ју (CASP) усредсређује се на повратну спрегу засновану на софтверу. AI системи би могли да прошире ефективну истраживачку радну снагу обављањем паралелног рада. Успешна побољшања унапредила би наредне системе као истраживаче, што би омогућило нова побољшања. Аутори наводе да су прелиминарни докази сагласни са тим механизмом и сматрају да је знатна аутоматизација истраживања и развоја вероватна у року од неколико година. Њихов снажнији сценарио „експлозије интелигенције“, који би године напретка свео на месеце или краће, зависи од тога да ли ће повратна спрега надмашити ограничења. То је условни сценарио, а не мерена прогноза.

У раду се наводе четири важна ограничења: смањење приноса од додатног истраживачког напора, ограничени рачунарски ресурси и подаци, задаци које је и даље тешко аутоматизовати и процеси као што су дуготрајне обуке који се не могу произвољно убрзати. Аутори наводе да су докази о неким ограничењима помешани или посредни, док недостају директни докази о снази ограничења која зависе од времена. Пример десетоструког убрзања напретка у периоду од око годину и по јесте моделска рачуница након потпуне аутоматизације истраживања и развоја, под условом да опстану процењени приноси истраживачког рада и да се не појави ново уско грло. То није измерено убрзање нити безусловно предвиђање датума.

Други радови додатно показују неизвесност. У студији из 2025. која је обухватила четири AI лабораторије, Parker Whitfill и Cheryl Wu добили су различите одговоре у зависности од тога како су моделовали рачунарске ресурсе за истраживање. У једном моделу когнитивни рад и рачунарски ресурси могли су међусобно да се замењују; у другом, који је узимао у обзир растуће захтеве водећих експеримената, били су комплементарни. Аутори упозоравају да су подаци и модел ограничени. Анализа Тобија Орда из августа 2026. као још један кључни чинилац наводи време потребно за сваки циклус побољшања. Ове анализе не искључују могућност брзог убрзања. Оне показују да се брзина повратне спреге не може директно закључити из броја агената или количине кода коју пишу.

Шта аутори желе да се мери

Аутори из Кембриџа предлажу три приоритета јавне политике: увид у аутоматизацију истраживања и развоја AI-ја, начине за усмеравање и ограничавање могућег убрзања и припрему за његове могуће последице. Најнепосреднији приоритет који се може тестирати јесте мерење. Аутори предлажу извештавање о уделу истраживачких доприноса које производи AI, брзини алгоритамског побољшања, расподели улагања лабораторија између људи и рачунарских ресурса, истраживачким одлукама на које утичу AI системи и инцидентима са интерним агентима. Предлажу и независну ревизију, уз строже захтеве за системе на врху способности за истраживање и развој AI-ја.

Неки каснији предлози, укључујући захтеве пре даљег увођења система, могућност паузирања одређених истраживачко-развојних задатака и међународну проверу, захтевали би знатно осмишљавање и подразумевали компромисе. Сам рад упозорава да би лоше осмишљена овлашћења могла да иду у корист једној компанији и одложе користан рад. Приказ могућих користи и тешких штетних последица зависи од раније условне претпоставке о убрзању. Креатори политика могу да испитају аргумент за извештавање у блиском року, а да не претпоставе да се најекстремнији сценарио већ догодио.

Корисно питање после овог извештаја уже је од тога да ли ће AI изненада постати суперинтелигентан. Питање је могу ли лабораторије упоредивим мерама да покажу који део истраживања сада води AI, која побољшања опстају после људске процене и колико брзо се она преносе у следећу генерацију система. Јавни докази још нису довољни да се на то одговори за различите компаније.

Извори и додатна литература