Markdown సంచిక

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

# AI నేతృత్వంలోని పరిశోధన AI పురోగతిని వేగవంతం చేయగలదా? కేంబ్రిడ్జ్ నివేదిక పరిశీలన

> AI నేతృత్వంలో జరిగే పరిశోధన, AI పురోగతిని వేగవంతం చేయగలదా అనే విషయాన్ని కేంబ్రిడ్జ్ వర్కింగ్ పేపర్ పరిశీలిస్తుంది. Anthropic తెలిపిన 26% గణాంకం పర్యవేక్షణలో చేసిన పనిని సూచిస్తుంది; ప్రతిపాదిత feedback loop మాత్రం షరతులతో కూడినది.

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.

కంపెనీ లోపల తాను కొలిచిన AI పరిశోధన, అభివృద్ధి పనుల్లో ఇప్పుడు 26%కు Claude నేతృత్వం వహిస్తోందని Anthropic చెబుతోంది. అంటే ఒక వ్యక్తి పర్యవేక్షిస్తుండగా, వ్యవస్థ ఉన్నత స్థాయి ప్రాంప్ట్‌తో పనిలో ఎక్కువ భాగాన్ని పూర్తి చేయగలదు. తాను కొలిచిన పరిశోధన, అభివృద్ధి పనుల్లో Claude ఏదీ పూర్తిగా స్వయంప్రతిపత్తితో చేయలేదని కూడా Anthropic చెబుతోంది. AI తన పరిశోధన, అభివృద్ధి పనులను మరింతగా చేయడం వల్ల ఒక దశలో AI పురోగతి గణనీయంగా వేగవంతమవుతుందా అని ప్రశ్నించే కొత్త [Cambridge Programme on AI Science & Policy వర్కింగ్ పేపర్](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf), ఈ తేడా ఎందుకు ముఖ్యమో పరిశీలిస్తుంది.

2026 సెప్టెంబరు తేదీతో ఉన్న ఈ పత్రానికి విశ్వవిద్యాలయాలు, AI కంపెనీలు, పౌర సమాజానికి చెందిన 22 మంది రచయితలు ఉన్నారు. సామర్థ్యమున్న వ్యవస్థలు మెరుగైన వ్యవస్థలను రూపొందించడంలో సహాయపడితే, అవి మరింత పరిశోధన చేయగలవని—ఇలా వేగంగా feedback loop ఏర్పడవచ్చని పత్రం వాదిస్తుంది. సాధ్యమైన మార్గం గురించి హెచ్చరించడం, దాన్ని కొలవాల్సిన అవసరాన్ని గుర్తించడం దాని ప్రధాన నిర్ధారణ. ఇలాంటి వేగవృద్ధి మొదలైందని పత్రం నివేదించదు.

## ముఖ్యమైన మార్పు

- **ఏం మారింది:** AI నేతృత్వంలోని పరిశోధన, అభివృద్ధికి ఉన్న ఆధారాలు, అవి AI పురోగతిని వేగవంతం చేయగల షరతులు, అగ్రగామి AI ల్యాబ్‌ల నుంచి ప్రభుత్వాలు కోరాలని సూచించిన నిర్దిష్ట కొలతలను వివిధ సంస్థలకు చెందిన రచయితల వర్కింగ్ పేపర్ వివరించింది.
- **ఇది ఎందుకు ముఖ్యం:** AIని అభివృద్ధి చేసే కంపెనీల్లోనే మరిన్ని పరిశోధనా పనులను AI వ్యవస్థలకు అప్పగిస్తున్నారు. ఈ అప్పగింతను కొలిచే బహిరంగ సూచికలు ఇంకా అసంపూర్ణంగా ఉన్నాయి; అందువల్ల మొత్తం పరిశోధనా ప్రక్రియ ఎంత వేగవంతమవుతోందో చెప్పడం కష్టం.
- **ఏమి గమనించాలి:** AI ఎంత పని పూర్తి చేస్తోంది, దాని తోడ్పాటుతో తర్వాతి మోడళ్లు మెరుగవుతున్నాయా, కంప్యూటింగ్ సామర్థ్యం, ప్రయోగాలు, మానవ సమీక్ష feedback loopను నెమ్మదింపజేస్తున్నాయా అనే అంశాలను స్వతంత్రంగా తనిఖీ చేసిన కొలతలు.

## ఆధారాలు ఉన్నాయి, కానీ కొలతలు వేర్వేరు ప్రశ్నలకు సమాధానమిస్తున్నాయి

[Anthropic సెప్టెంబరు కొలతల నివేదిక](https://www.anthropic.com/institute/measuring-pace-of-ai-development) ప్రకారం, “AI నేతృత్వం” స్థాయిలో ఉన్న పరిశోధన, అభివృద్ధి పనుల వాటా ఫిబ్రవరిలో 1% కంటే తక్కువగా ఉండగా, 2026 ఆగస్టులో 26%కు చేరింది. ఆ కొలమాన స్థాయిలోనూ మానవ పర్యవేక్షకుడు ఉంటాడు. ఈ సూచిక ప్రయోగ దశలో ఉందని, పనిని అంచనా వేయడంలో తన మోడళ్లే సహాయపడుతున్నాయని, కంపెనీల మధ్య ఈ సంఖ్యలను పోల్చేందుకు సాధారణ పద్ధతి లేదని Anthropic చెబుతోంది. కొలిచిన ఏ పనీ పూర్తిగా స్వయంప్రతిపత్తితో జరగలేదన్న కంపెనీ ప్రకటనను 26% గణాంకంతో పాటు పరిగణించాలి.

[సెప్టెంబరులో OpenAI ఇచ్చిన వివరణ](https://openai.com/index/research-acceleration-view-inside-openai/) లో పరిశోధకులు మరిన్ని coding agents వాడుతున్నారని, వేగంగా కోడ్ అందిస్తున్నారని, ఎక్కువ ప్రయోగాలు చేస్తున్నారని పేర్కొంది. అందుబాటులో ఉన్న computing సామర్థ్యమూ పెరిగిందని, ప్రయోగాల సంఖ్యకు agent వినియోగంతో సంబంధం ఉందని OpenAI చెబుతోంది. పరిశోధన ప్రాధాన్యాలను ఎంచుకుని ఏ ఫలితాలను ముందుకు తీసుకెళ్లాలో మనుషులే నిర్ణయిస్తున్నారని కూడా తెలిపింది. ఎక్కువ కోడ్, ప్రయోగాలు పరిశోధనకు తోడ్పడవచ్చు; కానీ మరింత సామర్థ్యమున్న మోడళ్ల ఉత్పత్తి రేటూ అంతే పెరిగిందని అవి నిరూపించవు.

స్వతంత్ర మూల్యాంకనాలు ప్రక్రియలోని ఒక భాగాన్ని కొలవడంలో సహాయపడతాయి. [METR Time Horizon 1.1 నవీకరణ](https://metr.org/blog/2026-1-29-time-horizon-1-1/) ప్రకారం, తన పరీక్షా సమాహారంలో మునుపటి వ్యవస్థలకంటే మోడళ్లు ఎక్కువసేపు పట్టే పరిశోధన, సాఫ్ట్‌వేర్ పనులను పూర్తి చేయగలవు. దీర్ఘకాల పనుల అంచనాల్లో అనిశ్చితి విస్తృతంగా ఉందని METR చెబుతోంది; వాటిలో చాలా పనులకు మానవులు పూర్తి చేయడానికి పట్టే సమయాన్ని అంచనా వేశారు. ఒక పనుల బెంచ్‌మార్క్ ఎంపిక చేసిన పనుల్లో సామర్థ్యాన్ని కొలుస్తుంది; AI ల్యాబ్ మొత్తం పరిశోధనా ఉత్పాదకతను కాదు. అనుభవమున్న 16 ఓపెన్-సోర్స్ డెవలపర్లు 246 పనులు చేసిన వేరొక యాదృచ్ఛిక నియంత్రిత అధ్యయనంలో, [2025 ప్రారంభ AI సాధనాల యాక్సెస్ వల్ల పని పూర్తి చేయడానికి 19% ఎక్కువ సమయం పట్టిందని METR గుర్తించింది](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf). ఆ పాత సాఫ్ట్‌వేర్ వాతావరణం 2026 సెప్టెంబరులోని అగ్రగామి AI ల్యాబ్‌కు ప్రాతినిధ్యం వహించదు; అయితే సాధనాల వినియోగం, పనుల బెంచ్‌మార్క్‌లతోనే ఉత్పాదకత ప్రశ్నకు సమాధానం చెప్పలేమని చూపిస్తుంది.

## సాధ్యమైన feedback loopకు పలు అడ్డంకులు ఉన్నాయి

CASP పత్రం ప్రధానంగా సాఫ్ట్‌వేర్ ఆధారిత చక్రంపై దృష్టి పెడుతుంది. సమాంతరంగా పనులు చేసి AI వ్యవస్థలు ప్రభావవంతమైన పరిశోధనా శక్తిని పెంచగలవు. విజయవంతమైన మెరుగుదలలు తర్వాతి వ్యవస్థలను మెరుగైన పరిశోధకులుగా చేసి, మరిన్ని మెరుగుదలలకు దారితీయవచ్చు. ఈ విధానానికి ప్రాథమిక ఆధారాలు సరిపోతున్నాయని, కొన్ని సంవత్సరాల్లో పరిశోధన, అభివృద్ధి గణనీయంగా ఆటోమేటవడం సంభావ్యమని రచయితలు భావిస్తున్నారు. అయితే “మేధస్సు విస్ఫోటనం”—సంవత్సరాల పురోగతిని నెలల్లో లేదా అంతకంటే తక్కువ సమయంలో కుదించే బలమైన అవకాశం—ఈ loop దాని పరిమితులకంటే వేగంగా నడిస్తేనే సాధ్యమవుతుంది. ఇది షరతులతో కూడిన దృశ్యం; ఏమి జరుగుతుందో కొలిచిన అంచనా కాదు.

అదనపు పరిశోధనా ప్రయత్నాల ఫలితం తగ్గిపోవడం, పరిమిత కంప్యూటింగ్ సామర్థ్యం, డేటా, ఆటోమేట్ చేయడం ఇంకా కష్టమైన పనులు, ఇష్టానుసారం వేగవంతం చేయలేని సుదీర్ఘ శిక్షణ ప్రక్రియలు—ఈ నాలుగు ముఖ్యమైన పరిమితులను పత్రం పేర్కొంటుంది. వీటిలో కొన్నింటికి సంబంధించిన ఆధారాలు మిశ్రమంగా లేదా పరోక్షంగా ఉన్నాయని, ఎక్కువ సమయం పట్టే అడ్డంకుల ప్రభావంపై ప్రత్యక్ష ఆధారాలు లేవని చెబుతుంది. పూర్తి పరిశోధన, అభివృద్ధి ఆటోమేషన్ తర్వాత సుమారు 1.5 సంవత్సరాల్లో పురోగతి పది రెట్లు వేగవంతం కావచ్చనే ఉదాహరణ ఒక మోడల్ లెక్కింపు. పరిశోధనా ప్రయత్నాల అంచనా ఫలితాలు అలాగే కొనసాగి, కొత్త అడ్డంకి ఏదీ రాదనే షరతులపై అది ఆధారపడింది. ఇది గమనించిన వేగవృద్ధి కాదు; ఖచ్చితంగా జరుగుతుందని చెప్పిన తేదీ కూడా కాదు.

ఇతర పరిశోధనలు అనిశ్చితిని మరింత స్పష్టం చేస్తాయి. [2025లో నాలుగు AI ల్యాబ్‌లపై చేసిన అధ్యయనంలో](https://arxiv.org/abs/2507.23181), పరిశోధనకు అవసరమైన కంప్యూటింగ్ సామర్థ్యాన్ని ఎలా నమూనా చేశారనే దానిపై ఫలితాలు మారాయని Parker Whitfill, Cheryl Wu గుర్తించారు. ఒక నమూనాలో మేధో శ్రమ, కంప్యూటింగ్ సామర్థ్యం ఒకదానికొకటి ప్రత్యామ్నాయాలుగా కనిపించాయి; అగ్రగామి ప్రయోగాలకు పెరుగుతున్న డిమాండ్‌ను పరిగణించిన నమూనాలో అవి పరస్పర పూరకంగా కనిపించాయి. డేటా, నమూనా పరిమితమని రచయితలు హెచ్చరిస్తున్నారు. [Toby Ord 2026 ఆగస్టు విశ్లేషణ](https://arxiv.org/abs/2608.14426) ప్రతి మెరుగుదల చక్రాన్ని పూర్తి చేయడానికి పట్టే సమయాన్ని మరో కీలక పరామితిగా గుర్తిస్తుంది. ఈ విశ్లేషణలు వేగవంతమైన పురోగతిని తోసిపుచ్చవు. ఏజెంట్ల సంఖ్య లేదా అవి రాసే కోడ్ పరిమాణం నుంచే పరిశోధనా చక్రం వేగాన్ని నేరుగా తెలుసుకోలేమని చూపుతాయి.

## ఏమి కొలవాలని రచయితలు కోరుతున్నారు

AI పరిశోధన, అభివృద్ధి ఆటోమేషన్‌పై స్పష్టత పొందడం, సాధ్యమైన వేగవృద్ధిని దిశానిర్దేశం చేసి పరిమితం చేసే మార్గాలను అభివృద్ధి చేయడం, దాని సంభావ్య ప్రభావాలకు సిద్ధమవడం—ఈ మూడు విధాన ప్రాధాన్యాలను కేంబ్రిడ్జ్ రచయితలు ప్రతిపాదిస్తున్నారు. వాటిలో అత్యంత తక్షణంగా పరీక్షించగలది కొలత. AI రూపొందించిన పరిశోధనా తోడ్పాటు వాటా, అల్గారిథమ్ మెరుగుదల వేగం, మనుషులు-కంప్యూటింగ్ మధ్య ల్యాబ్‌లు ఖర్చును ఎలా పంచుతున్నాయి, AI వ్యవస్థలు ఏ పరిశోధనా నిర్ణయాలను ప్రభావితం చేస్తున్నాయి, అంతర్గత ఏజెంట్లకు సంబంధించిన ఘటనలు వంటి అంశాలను నివేదించాలని సూచిస్తున్నారు. స్వతంత్ర ఆడిట్‌నూ, AI పరిశోధన, అభివృద్ధిలో అగ్రగామి సామర్థ్యమున్న వ్యవస్థలకు మరింత కఠినమైన నిబంధనలనూ ప్రతిపాదిస్తున్నారు.

ఇంకా deploymentకు ముందు అనుమతి తప్పనిసరి చేయడం, నిర్దిష్ట పరిశోధన, అభివృద్ధి పనులను నిలిపే మార్గాలు, అంతర్జాతీయ ధృవీకరణ వంటి తర్వాతి ప్రతిపాదనలకు గణనీయమైన రూపకల్పన, రాజీలు అవసరం. సరిగా రూపొందించని అధికారాలు ఒకే కంపెనీకి అనుకూలంగా మారి, ప్రయోజనకరమైన పనులను ఆలస్యం చేయవచ్చని పత్రం హెచ్చరిస్తుంది. సంభావ్య ప్రయోజనాలు, తీవ్రమైన హానుల గురించి దాని వాదనలు ముందుగా వివరించిన షరతులతో కూడిన వేగవృద్ధిపై ఆధారపడతాయి. అత్యంత తీవ్రమైన దృశ్యం ఇప్పటికే జరిగిందని ఊహించకుండానే, విధాన నిర్ణేతలు సమీప భవిష్యత్తు నివేదికల అవసరాన్ని పరిశీలించవచ్చు.

ఈ నివేదిక తర్వాత అడగాల్సిన ఉపయోగకరమైన ప్రశ్న, AI అకస్మాత్తుగా అతిబుద్ధిమంతమవుతుందా అన్నదానికంటే పరిమితమైనది. పరిశోధనలో ఏ భాగాలకు ఇప్పుడు AI నేతృత్వం వహిస్తోంది, ఏ మెరుగుదలలు మానవ మూల్యాంకనాన్ని తట్టుకుని నిలుస్తున్నాయి, ఆ మెరుగుదలలు తర్వాతి తరం వ్యవస్థలకు ఎంత వేగంగా చేరుతున్నాయి అనే విషయాలను పోల్చదగిన రీతిలో ల్యాబ్‌లు చూపగలవా? కంపెనీలన్నింటిపై ఈ ప్రశ్నకు సమాధానం చెప్పడానికి బహిరంగ ఆధారాలు ఇంకా సరిపోవు.

## మూలాలు, మరింత సమాచారం

- [Cambridge Programme on AI Science & Policy, పూర్తి వర్కింగ్ పేపర్ (సెప్టెంబర్ 2026)](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf): రచయితల వాదన, ఆధారాల సమీక్ష, నమూనా ఊహలు, పరిమితులు, విధాన ప్రతిపాదనలు ఇందులో ఉన్నాయి. ఇది వర్కింగ్ పేపర్‌గా గుర్తించబడింది; బహిరంగ సమాచారంలో బాహ్య పీర్ సమీక్ష జరిగినట్లు నిర్ధారణ లేదు.
- [CASP కార్యనిర్వాహక సారాంశం](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf): రచయితల్లో కొందరు రాసిన సంక్షిప్త వివరణ; షరతులతో కూడిన దృశ్యం, ప్రతిపాదించిన చర్యలను వివరిస్తుంది.
- [Anthropic: AI నేతృత్వంలోని పరిశోధన, అభివృద్ధి కొలతలు](https://www.anthropic.com/institute/measuring-pace-of-ai-development): 26% “AI నేతృత్వం” గణాంకం, దాని పర్యవేక్షణ స్థాయి, పద్ధతి పరిమితులకు సంబంధించిన ప్రాథమిక మూలం.
- [OpenAI: OpenAIలో పరిశోధన వేగవంతం కావడం](https://openai.com/index/research-acceleration-view-inside-openai/): ఏజెంట్ వినియోగం, ప్రయోగాల సంఖ్య, మానవుల దిశానిర్దేశం, పరిశోధన పురోగతిని కొలిచే పరిమితులపై కంపెనీ నివేదిక.
- [METR: Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/): పనుల మూల్యాంకనం, బెంచ్‌మార్క్ సమయ పరిధి ఎలా అంచనా వేస్తారన్న అనిశ్చితిపై స్వతంత్ర అధ్యయనం.
- [Whitfill, Wu: కంప్యూటింగ్ అడ్డంకులు](https://arxiv.org/abs/2507.23181), మరియు [Ord: మేధస్సు విస్ఫోటనాల గమనశాస్త్రం](https://arxiv.org/abs/2608.14426): పునరావృత పరిశోధనా చక్రాన్ని నెమ్మదింపజేయగల లేదా మార్చగల షరతులపై వేర్వేరు విశ్లేషణలు.

## Sources

- [CASP: AI పరిశోధన, అభివృద్ధి ఆటోమేషన్ మేధస్సు విస్ఫోటనానికి దారితీస్తే?](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf) — Frontier AI Working Paper Series No. 2/2026లోని 14 పేజీల ప్రాథమిక పత్రం. పూర్తి పత్రాన్ని చదవండి. విధానం, మిశ్రమ ఆధారాలు, ఊహలు, విధాన ప్రతిపాదనలు ఉన్నాయి.
- [CASP కార్యనిర్వాహక సారాంశం](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf) — రచయితల్లో కొందరు రూపొందించిన రెండు పేజీల సారాంశం. పూర్తి పత్రంతో సరిపోల్చి తనిఖీ చేశారు.
- [Anthropic: అగ్రగామి ల్యాబ్‌లలో AI అభివృద్ధి వేగాన్ని అర్థం చేసుకునే కొలతలు](https://www.anthropic.com/institute/measuring-pace-of-ai-development) — 26% AI నేతృత్వం, పూర్తిగా స్వయంప్రతిపత్తితో జరిగినట్లు కొలిచిన పనులు శూన్యం, పద్ధతి పరిమితులపై కంపెనీ ప్రాథమిక కొలత.
- [OpenAI: పరిశోధన వేగవంతం: OpenAI అంతర్గత దృక్కోణం](https://openai.com/index/research-acceleration-view-inside-openai/) — ఏజెంట్ వినియోగం, పరిశోధనా కార్యకలాపాలపై కంపెనీ ప్రాథమిక కొలతలు; సంబంధం, మోడల్ పురోగతి మధ్య తేడాను వివరిస్తుంది.
- [METR: Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/) — అనిశ్చితి, పనుల సమాహార పరిమితులతో కూడిన స్వతంత్ర పనుల సమయ-పరిధి మూల్యాంకనం.
- [METR: అనుభవమున్న ఓపెన్-సోర్స్ డెవలపర్ల ఉత్పాదకతపై 2025 ప్రారంభ AI ప్రభావాన్ని కొలవడం](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf) — వేరొక సాఫ్ట్‌వేర్ వాతావరణంలో జరిగిన యాదృచ్ఛిక అధ్యయనం; సాధనాల స్వీకరణే ఉత్పాదకతను పెంచుతుందని ఊహించడానికి పరిమిత ప్రతివాద ఉదాహరణ.
- [Whitfill, Wu: కంప్యూటింగ్ అడ్డంకులు మేధస్సు విస్ఫోటనాన్ని అడ్డుకుంటాయా?](https://arxiv.org/abs/2507.23181) — కంప్యూటింగ్-శ్రమ ప్రత్యామ్నాయంపై భిన్న అంచనాలు, స్పష్టమైన డేటా పరిమితులతో కూడిన నమూనా-ఆధారిత విశ్లేషణ.
- [Toby Ord: మేధస్సు విస్ఫోటనాల గమనశాస్త్రం](https://arxiv.org/abs/2608.14426) — Feedback తరాల మధ్య కాలంపై సైద్ధాంతిక విశ్లేషణ; అనుభవాధారిత అంచనా కాదు.