Anthropic navodi da Claude sada vodi 26% istraživačko-razvojnog rada u oblasti AI-ja koji kompanija meri. To znači da sistem može da obavi veći deo zadatka na osnovu opšteg zahteva, dok ga čovek nadgleda. Anthropic takođe navodi da nijedan mereni istraživačko-razvojni zadatak nije u potpunosti autonoman. Ta razlika je važna u novom radnom dokumentu Kembridžskog programa za nauku i javnu politiku o AI-ju, koji postavlja pitanje da li bi veći obim sopstvenog istraživanja koje obavlja AI vremenom mogao naglo da ubrza napredak u toj oblasti.

U dokumentu iz septembra 2026. okupljena su 22 autora sa univerziteta, iz AI kompanija i civilnog društva. Oni tvrde da je moguća brza povratna sprega: sposobni sistemi pomažu u izradi boljih sistema, koji zatim obavljaju još istraživanja. Glavni zaključak rada jeste upozorenje na mogući razvoj događaja i potrebu da se on meri. U dokumentu se ne tvrdi da je takvo ubrzanje već počelo.

Suštinska promena

  • Šta se promenilo: Međuinstitucionalni radni dokument izlaže dokaze o istraživanju i razvoju koje vodi AI, uslove pod kojima bi ono moglo da ubrza napredak AI-ja i konkretna merenja koja autori traže od vlada kako bi ih dobile od vodećih laboratorija.
  • Zašto je to važno: Kompanije koje razvijaju AI sisteme delegiraju im sve više istraživačkih zadataka. Javni pokazatelji te delegacije i dalje su nepotpuni, pa je teško utvrditi koliko se ubrzava celokupan istraživački proces.
  • Na šta obratiti pažnju: Nezavisno proverena merenja količine rada koju AI obavi, toga da li njegov doprinos poboljšava kasnije modele i uticaja računarskih resursa, eksperimenata i ljudskog pregleda na brzinu povratne sprege.

Dokazi postoje, ali mere odgovaraju na različita pitanja

U septembarskom izveštaju Anthropic-a o merenjima navodi se da je udeo istraživačko-razvojnog rada na nivou „AI vodi“ dostigao 26% u avgustu 2026, u odnosu na manje od 1% u februaru. Međutim, na korišćenoj skali ljudski nadzornik je i dalje prisutan u toj kategoriji. Anthropic navodi da je indeks prototip, da se za ocenjivanje rada koriste i sopstveni modeli kompanije i da ne postoji zajednička metodologija za poređenje ovakvih brojki između kompanija. Uz podatak od 26% treba uzeti u obzir i izjavu kompanije da nijedan mereni zadatak nije u potpunosti autonoman.

U septembarskom prikazu OpenAI-ja opisuje se kako istraživači sve više koriste agentske alate za programiranje, brže doprinose kodu i sprovode više eksperimenata. OpenAI navodi da je broj eksperimenata povezan sa većom upotrebom agenata, ali da su u međuvremenu porasli i dostupni računarski resursi. Ljudi i dalje biraju istraživačke prioritete i odlučuju koje rezultate će dalje razvijati, navodi kompanija. Više koda i eksperimenata može da doprinese istraživanju, ali samo po sebi ne dokazuje jednako ubrzanje proizvodnje sposobnijih modela.

Nezavisne evaluacije pomažu da se izmeri jedan deo procesa. Ažuriranje METR-ovog pokazatelja vremenskog horizonta 1.1 pokazuje da modeli u testnom skupu mogu da obavljaju duže istraživačke i softverske zadatke nego raniji sistemi. METR navodi i znatnu neizvesnost za duge zadatke, čije je vreme potrebno ljudima za završetak u mnogim slučajevima procenjeno. Benchmark zadataka meri sposobnost na odabranim zadacima; ne meri ukupnu istraživačku produktivnost AI laboratorije. U zasebnom nasumično kontrolisanom istraživanju, u kojem je 16 iskusnih programera otvorenog koda radilo na 246 zadataka, METR je utvrdio da je pristup AI alatima iz početka 2025. povećao vreme završetka za 19%. Taj raniji softverski kontekst ne može da predstavlja vodeću laboratoriju iz septembra 2026, ali pokazuje zašto korišćenje alata i benchmark testovi sami ne mogu da razreše pitanje produktivnosti.

Moguću povratnu spregu usporava više prepreka

Rad Kembridžskog programa za nauku i javnu politiku o AI-ju (CASP) usredsređuje se na povratnu spregu zasnovanu na softveru. AI sistemi bi mogli da prošire efektivnu istraživačku radnu snagu obavljanjem paralelnog rada. Uspešna poboljšanja unapredila bi naredne sisteme kao istraživače, što bi omogućilo nova poboljšanja. Autori navode da su preliminarni dokazi saglasni sa tim mehanizmom i smatraju da je znatna automatizacija istraživanja i razvoja verovatna u roku od nekoliko godina. Njihov snažniji scenario „eksplozije inteligencije“, koji bi godine napretka sveo na mesece ili kraće, zavisi od toga da li će povratna sprega nadmašiti ograničenja. To je uslovni scenario, a ne merena prognoza.

U radu se navode četiri važna ograničenja: smanjenje prinosa od dodatnog istraživačkog napora, ograničeni računarski resursi i podaci, zadaci koje je i dalje teško automatizovati i procesi kao što su dugotrajne obuke koji se ne mogu proizvoljno ubrzati. Autori navode da su dokazi o nekim ograničenjima pomešani ili posredni, dok nedostaju direktni dokazi o snazi ograničenja koja zavise od vremena. Primer desetostrukog ubrzanja napretka u periodu od oko godinu i po jeste modelska računica nakon potpune automatizacije istraživanja i razvoja, pod uslovom da opstanu procenjeni prinosi istraživačkog rada i da se ne pojavi novo usko grlo. To nije izmereno ubrzanje niti bezuslovno predviđanje datuma.

Drugi radovi dodatno pokazuju neizvesnost. U studiji iz 2025. koja je obuhvatila četiri AI laboratorije, Parker Whitfill i Cheryl Wu dobili su različite odgovore u zavisnosti od toga kako su modelovali računarske resurse za istraživanje. U jednom modelu kognitivni rad i računarski resursi mogli su međusobno da se zamenjuju; u drugom, koji je uzimao u obzir rastuće zahteve vodećih eksperimenata, bili su komplementarni. Autori upozoravaju da su podaci i model ograničeni. Analiza Tobyja Orda iz avgusta 2026. kao još jedan ključni činilac navodi vreme potrebno za svaki ciklus poboljšanja. Ove analize ne isključuju mogućnost brzog ubrzanja. One pokazuju da se brzina povratne sprege ne može direktno zaključiti iz broja agenata ili količine koda koju pišu.

Šta autori žele da se meri

Autori iz Kembridža predlažu tri prioriteta javne politike: uvid u automatizaciju istraživanja i razvoja AI-ja, načine za usmeravanje i ograničavanje mogućeg ubrzanja i pripremu za njegove moguće posledice. Najneposredniji prioritet koji se može testirati jeste merenje. Autori predlažu izveštavanje o udelu istraživačkih doprinosa koje proizvodi AI, brzini algoritamskog poboljšanja, raspodeli ulaganja laboratorija između ljudi i računarskih resursa, istraživačkim odlukama na koje utiču AI sistemi i incidentima sa internim agentima. Predlažu i nezavisnu reviziju, uz strože zahteve za sisteme na vrhu sposobnosti za istraživanje i razvoj AI-ja.

Neki kasniji predlozi, uključujući zahteve pre daljeg uvođenja sistema, mogućnost pauziranja određenih istraživačko-razvojnih zadataka i međunarodnu proveru, zahtevali bi znatno osmišljavanje i podrazumevali kompromise. Sam rad upozorava da bi loše osmišljena ovlašćenja mogla da idu u korist jednoj kompaniji i odlože koristan rad. Prikaz mogućih koristi i teških štetnih posledica zavisi od ranije uslovne pretpostavke o ubrzanju. Kreatori politika mogu da ispitaju argument za izveštavanje u bliskom roku, a da ne pretpostave da se najekstremniji scenario već dogodio.

Korisno pitanje posle ovog izveštaja uže je od toga da li će AI iznenada postati superinteligentan. Pitanje je mogu li laboratorije uporedivim merama da pokažu koji deo istraživanja sada vodi AI, koja poboljšanja opstaju posle ljudske procene i koliko brzo se ona prenose u sledeću generaciju sistema. Javni dokazi još nisu dovoljni da se na to odgovori za različite kompanije.

Izvori i dodatna literatura