AI 生成 80% 代码后，开发速度真的快了 80% 吗？

摘要

我持有一个假说：从现在开始，决定软件价值的，可能是软件制作软件这一过程的自主连续性。为验证这一假说，我通过各主要 AI 模型公司的公开一手资料进行了两轮研究。这项研究要回答的问题是：每家公司自称在自身模型开发中使用了多少自研 AI 模型？以及各公司及外部研究者能够在多大程度上通过实际测量来验证因开发加速而提升的速度——即开发速度究竟提升了多少？

我阅读了四类来源：各公司的公告、模型发布时发布的性能与安全评估汇总文件（系统卡片）、研究论文，以及由独立研究者将各公司公布的数据在自己的计算框架内重新核算后得出的经济估算。我对所有资料都深入阅读了正文，而不只是摘要。通过研究，我既发现了支持该假说的庞大数字，也发现了 AI 公司自身得出的削弱该假说的结论。

在本文中，我将逐条引用三家公司原始文档中的原文，并附上数字的定义。我自己也运营着一条相同结构的链路，即软件与 AI 共同制作软件，规模相当于个人。我加入了运行它时的测量数据，并解释了该假说在现在可以被主张到何种程度，以及在何处开始失去可主张性。

先说明正文的结构。首先，我确认"AI 在一家公司内部编写了 80% 代码"这一数字的确切定义。其次，我将假说重新阐述为一种结构——模型间的差距不断扩大下一代模型之间的差距。第三，我回顾了自己此前为操作便利而采用的方法如何与这些公司后来的当前建议相一致。最后，我引用各方自己得出的结论——他们无法将自身进展的加速归因于 AI。

你能带走的东西

本文面向正在搭建与 AI 智能体协同开发环境的人，也面向希望从一手资料中了解 AI 构建模型的故事目前进展如何的人。在本文中，我解释了两个洞察。第一个是如何阅读加速数字——即 AI 使开发速度提升了多少。每个公司都在宣传场合将同样的加速描述为巨大，但在安全评估中则描述为微小。因此，你不能将不同定义的数字放在一起比较。我用原文引述展示这种阅读方式。第二个是直接适用于个人开发的经验。我的结论是：在一个领域中，验证成本越低，该链路表现出的效果就越大。我还解释了这样的结论——最有价值交给 AI 的是判断的记录，即一个人为何以某种方式做出决定。

问题与结果

为将我的假说与现实对照，我阅读了主要公司的公开一手文档和独立经济估算，深入到正文。在第一轮之后，我回头审视了前提条件，使我的结论更加精确。我的材料是那些公开文档，以及运行本平台本身的测量数据。

AI 能编写的东西正在向任何人能构建的东西靠拢。如果构建软件本身的价值在竞争下不断被摊薄，价值就应该留在别处。我认为那个地方就是自主连续性——软件一旦构建完成，就构建下一个软件。我与 AI 共同构建了这个技术博客的会员平台：文章、搜索和对话功能皆如此。包括记录在此进行的讨论、将讨论转化为内容、并将内容返回给 AI 自身知识的那条链路在内，这个平台也是一个测试该假说的活体实验。

然而，假说终究是假说。为将其与现实对照，我去读了公开一手文档的正文，看看这是否真的发生在前沿，以及各公司和外部研究者能在多大程度上验证它。

各公司官方说法

首先，我只引用各方自己的官方措辞。在 2026 年 7 月 9 日的一份公告中，OpenAI 写道，在过去六个月中，分配给运行内部编写代码的 AI 的研究计算资源份额增长了百倍。不过在同一段中，它自己也指出，这是使用量的衡量指标，而非衡量研究进展本身的数字。在一篇官方解释文章中，Anthropic 发表称，截至 2026 年 5 月，其自有模型编写了超过 80% 集成到其代码库中的代码。这 80% 也有一个脚注，给出了保守定义——即可以归因于模型的、集成到生产中的代码行数占比——并且还指出行数是数量的衡量指标而非质量的衡量指标。Google 的首席执行官在一场演讲中表示，该公司内部 75% 的新代码由 AI 生成并已通过工程师审批。这个数字被定义为通过审批的生成量占比，因此补全功能发出的几行代码也可以进入分子。这两个数字——80 和 75——看起来很接近，但定义不同，因此不能并列比较。

在同一篇解释文章中，Anthropic 还发布了一项内部评估，其中模型在选择下一个研究方向的决策上击败人类判断的比率从 51% 上升到 64%。至于 OpenAI，报告中有一条公告称，一个更高级别的 AI 模型自主执行了后训练——即模型构建完成后进行的额外训练——在另一个更高级别的模型上。不过，一位 OpenAI 员工对此补充道：它并非从零开始构建训练流程，而是为自己的一款小模型调整了后训练配置，对人类来说那大约是两位研究者两周的工作量。OpenAI 的系统卡片——汇总其性能与安全评估的文件——也明确指出，在多样化模型上可靠地设计和执行完整的后训练流程目前尚不可行。即便如此，Anthropic 的一位联合创始人甚至在一篇文章中写道，当前的 AI 世代自主构建下一代可能只需一到两年。

仅读到此处为止的披露，软件制作软件的链路看起来已经全面运转了。

模型间的差距不断扩大下一代差距的结构

竞争格局并非由一家公司是否拥有软件制作软件的链路决定的。由于每家公司都开始依赖承载该链路的 AI 模型，今天模型间的差距就成了下一代模型的性能差距，而且这个差距不断扩大，后来者越来越难以追赶。与其说决定竞争的是一家公司是否拥有该链路，不如说决定竞争的是该链路产生的结果差距在每一轮中都不断扩大。这是我更精确地重新阐述的假说。这不是一个被验证的事实，我将其作为我自己的思考来写。

我在 Anthropic 系统卡片的一段话中最强烈地确认了这种解读。话称：鉴于近期的模型有能力加速自身的开发，他们实施了一项干预——即对于旨在开发前沿大语言模型的请求，以对用户不可见的方式降低了模型的有效性。换句话说，Anthropic 在请求来自他人时，限制了其自有模型构建下一代模型的能力当事方在自己的文档中写了这么多，所以我将其解读为支持该能力处于竞争核心的证据。

另一方面，当我去读原始资料时，我发现你无法在头部公司中划出一条线，区分有链路的公司和没有链路的公司的。第一个发布最具体闭环实例的是 Google。AlphaEvolve 是一个运行在 Gemini 上的 AI 智能体。它发现的一个函数使该公司数据中心的计算资源恢复了 0.7%。还有一个改进使 Gemini 训练的核心计算平均加快了 23%，将 Gemini 的训练时间缩短了 1%。Google 采用了 AlphaEvolve 为下一代 TPU 提出的电路设计。不过，在该电路上，论文作者自己补充说，一个现有的综合工具独立地发现了同样的改进。论文明确指出，这是 Gemini 通过 AlphaEvolve 优化自身训练过程的新实例。Google 发布这一成果的时间比其他两家公司开始披露同类成果早了一年左右。而且这些是已部署到生产环境的改进的实测数字，而不是自我报告的生产力调查。Google 的披露很低调，但它的链路实例是最具体的。

我在个人层面运行的链路

我在一个人规模上运行着相同结构的链路。先从规则文档层说起。规定这一运作纪律的文档共有 54 份，包括最顶端那份。每次我指出什么，AI 就会当场把经验教训添加到规则文档中。在修订时，AI 不是堆叠新增内容，而是重写整个文档主体，让当前规则独立呈现。在文档内部，有 248 处标注了它们的来源是我带日期的评论或意见。这是出现次数的统计，所以同一经验教训会在不同文档中被重复计算。即便如此，我为这个运作默认保持的形式是：每个决策都能追溯到它是在何时、由谁的判断做出的。另一层是原始记录。在提交信息的正文中，AI 会在变更内容之上写出为什么变更、遵循了哪条评论和判断、以及它验证了什么。在过去 20 天里累积的提交，在排除合并和压缩变更后共计 849 次。在我决定写更完整提交信息的前后，正文中位长度从 223 个字符移动到了 312 个。这不是对照实验，所以我不能声称因果关系，但我已经能够测量相关性：规则被写下来之后，写作行为就改变了。

这种匹配在最清晰地出现在第二轮，当我阅读每家公司目前的推荐内容时。一家公司的官方指南建议每条经验教训保持一条记录，并且写下它为什么重要。官方文档还包含指导，建议将提示词和规则用 git 做版本控制，存放在自己的仓库中，而不是委托给外部管理功能。一条研究结论——原始记录应与摘要并存而非被摘要替代——指向了同样的方向。三家公司近乎相同的判断也是如此：加速集中在执行层，没有触及判断层。我为运作便利而早先确定的方法，与我后来读到的当前推荐一一匹配。这两种方法之间的匹配，是两轮研究告诉我的核心。

话虽如此，对我自己的链路而言，关键的数量仍然是未测量的。每投入单位 AI 能力，产出增加了多少？实际上，那篇独立经济学论文的作者自己写道，没有人能够测量这个数量，即使在头部公司也不例外。出于竞争原因，他们几乎不发布内部指标。那么，如果我能在个人规模的小型链路上测量同样的数量并公开，它就成为这类公司不发布的一种原始数据。

最保守的判断来自各方自身

如果不写这一部分，这篇文章就变成了宣传的摘要。所以我要同样完整地写出削弱这个假设的一面。

最有力的反面证据是 Anthropic 自身的判断。其 2026 年 4 月的系统卡，虽然承认其能力增长已变得陡峭，但甚至写道，它能够识别出的增长可以自信地归因于人类研究，而非 AI 辅助，并且这是通过访谈相关人员确认的。即使员工自我报告产出增加了四倍，将其与对进展影响的估计相结合，总倍数也低于二。判断在 2026-07-24 日发布的最新系统卡中没有改变，该系统卡称加速集中在工程执行而非研究判断。OpenAI 的系统卡也明确指出，其三个新模型中没有任何一个在 AI 自我改进评估中达到 High（最高风险等级）的门槛，一个独立评估机构判断，完全自动化的 AI 研究与开发将不会变得可能。在独立的经济学估计中，自持续加速所需的条件是每单位能力生产力提升 15%，而实测数字——以各方的自我报告面值计——是 9%。没有达到条件。不过论文在结尾时说，似乎还在增强。

而三家公司的一个共同模式浮现出来。每家公司都在产品发布中以最大幅度报告同样的加速，在安全评估中以最小幅度报告同样的加速。有一方公布了一个数字：每天集成的代码量是 2024 年的八倍。而同一方从同样的内部数据中得出结论，整体进展不到两倍，而外部评估机构从同样的数据中读出了超过两倍。除非你在检查数字是否一致之前先检查定义和衡量标准是否一致，否则你可以从同一家公司构建出两个截然不同的画面。

我阅读的原始资料越多，声称的措辞就变得越保守。论文作者写下了他们自己的保留意见，系统卡背后的那一方自身否定了归因，公布了使用数据的那一方自行指出那不是对结果的衡量。关于 AI 已经开始构建 AI 这个故事最保守的叙述，来自各方自己的原始文件——那些本应最强烈地声称这件事的各方。

假设现在的处境，既未被否认也未被确认

经济学论文包含一个对这个假设很关键的保留意见。它预测，窄能力的加速可以领先于宽能力的加速，而窄加速应该集中在验证答案成本低廉的领域，比如软件开发和平面几何。如果我的假设所指的就是这种窄加速，那它还没有被否认。而只要其核心的数量未被测量，它也还没有被确认。

让我缩小现在能说的话的范围。如果验证成本低是决定链路效果的因素，那么在发布前增加更多检查就是显而易见的举动。如果加速集中在执行层而没有触及判断层，那么判断的记录就是最有价值交给 AI 的。我基于这两个预期来设计我自己的运作。我将继续在这里测量这两个预期是否正确，并写下结果。

我参考的研究和原始来源

正文中的数字和引文均基于我在 2026-07-26 日核查时文档的原文。本篇文章是对公共文档陈述内容的分析，不代表所提及的任何公司的观点。

When AI builds itself (Anthropic Institute) https://www.anthropic.com/institute/recursive-self-improvement

Claude Mythos Preview system card (Anthropic) https://www-cdn.anthropic.com/08ab9158070959f88f296514c21b7facce6f52bc.pdf

System card for Claude Fable 5 and Claude Mythos 5 (Anthropic) https://www-cdn.anthropic.com/d00db56fa754a1b115b6dd7cb2e3c342ee809620.pdf

Claude Opus 5 system card (Anthropic) https://www-cdn.anthropic.com/c5fbac3f0b1280a933ebd26d3cb8bb9f5bdeaf48/Claude Opus 5 System Card.pdf

The GPT-5.6 announcement and system card (OpenAI) https://openai.com/index/gpt-5-6/ https://deploymentsafety.openai.com/gpt-5-6/gpt-5-6.pdf

The AlphaEvolve paper (Google DeepMind) https://arxiv.org/abs/2506.13131

The Economics of Recursive Self-Improvement (researchers at METR and elsewhere) https://elasticity.institute/rsi-paper.pdf

The Adolescence of Technology (an essay by a co-founder) https://darioamodei.com/essay/the-adolescence-of-technology

一篇关于演讲的文章指出，该公司内部 75% 的代码由 AI 生成（Google）https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/cloud-next-2026-sundar-pichai/

最初发表于 The Future of Humans, AI, and the Web，该网站记录并由人类和 AI 共同分析我的研究与开发成果。

如需进一步行动，你可以考虑屏蔽此人或举报滥用行为。