Claude开始训练Claude！4美元一小时，跑赢150美元人类研究员

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> Claude开始训练Claude！4美元一小时，跑赢150美元人类研究员 听雨 2026-08-29 20:50:31 来源： 量子位 听雨 发自 凹非寺 量子位 | 公众号 QbitAI Claude开始训练Claude了！ 时薪4美元，干赢时薪150美元的人类研究员。 在Anthropic最新发布的研究中，Claude自己查论文、提方案、造数据、训练模型，一口气攻克了10类AI安全问题。 部分任务上，它交出的方案甚至比28名人类安全研究员更好。 更刺激的是， 较弱的Claude已经开始反向参与训练更强的Claude 。 AI「自己改进自己」的那一天，好像真的越来越近了… 4美元一小时，Claude跑赢人类研究员 在这篇题为《自动化研究员能够有效缓解AI对齐失败》的研究中，Anthropic直接把Claude送进了实验室。 具体而言，他们基于Claude Opus 4.8，搭建了一套名为 AAR 的自动化对齐研究员系统。 拿到一个具体的模型安全问题后，Claude会自己搜索相关论文，从中寻找可用方法，再提出新的训练方案、生成数据、微调模型，最后跑一遍安全和通用能力测试。 从提出假设到完成验证，一套较完整的AI研究闭环，就这样交到了Claude手里。 效果不好，方案扔掉；成绩有所提升，就沿着这个方向接着试。 一轮训练通常只跑30分钟。这样，Claude就能像搜索算法一样，在大量方案中快速试错。 整个过程里，人类负责出题、提供模型和评测标准，Claude则包下了从查资料到跑实验的绝大部分工作。 10道安全难题，Claude全部找到改进方案 实验中，Anthropic一口气给Claude出了10道题。 这些题覆盖模型常见的对齐问题，包括欺骗、谄媚、奖励黑客、隐私侵犯和越狱等。 比如「谄媚」，指的是模型为了顺着用户说话，给出用户爱听但未必正确的答案；「奖励黑客」则是模型没有真正完成任务，只是钻了评测规则的空子，骗到一个更高分数。 Claude每次只处理一种问题，反复提出方案、训练对应的目标模型，再根据成绩进入下一轮。 最后，10类问题全部得到改善。 按照Anthropic定义的「安全差距」指标，Claude弥合了其中26%-96%的差距。简单来说，就是把原本存在安全问题的模型，向理论满分拉近了一大截。 更重要的是，这些方法不只对Claude看过的题目有效。 部分获胜方案放到未公开的测试集，以及模拟多轮对抗场景的Petri评测中，依然能够降低模型的不安全行为。应用到规模最大为实验模型4.7倍的模型上，效果也能保留下来。 Anthropic还设置了一条红线：安全训练不能明显损害模型原有能力。 毕竟，让模型遇到什么都拒绝回答，也能让不少安全测试的分数变好，但这样的模型基本没法用。 最终，Claude找到的方案在预设的通用能力测试中没有出现明显退化。 85%对20%，Claude大比分跑赢人类研究员 最悬殊的一局，出现在「欺骗」测试中。 为了让目标模型变得更诚实，Claude先后提交了150多次尝试。 它提出一个方法，训练一次，再根据结果继续调整。单次实验中，最佳方案弥合了 82%的安全差距 ；综合多次运行，平均成绩达到85%。 同一道题，Anthropic还交给了6名经验丰富的AI安全研究员。 结果，人类研究员平均只弥合了20%的安全差距… 85%对20%，Claude赢得那叫一个毫无悬念。 全部任务一共有28名人类安全研究员参加，每人最多可以用8小时阅读资料、设计方案。 论文称，自动化研究员通常能在6小时内找到超过人类平均水平的方法，人类提供的研究方向也没有让Claude取得更好的成绩。 最最最扎心的，在于成本！ 一名自动化研究员每小时的API推理成本大约为 4美元 ；Anthropic付给人类研究员的报酬，则是 每小时150美元 。 这……人类研究员妥妥要被Claude替代了啊。 不过呢，这场人机比赛也并非完全公平。 Claude可以真正训练模型，看到每次实验的结果，再不断修改方案；人类研究员只能提交一次方法，没有机会根据结果继续迭代。 较弱Claude训练更强Claude，60小时逼近正式版 前面的实验，改进的主要还是开源小模型。 接下来，Anthropic把难度直接拉高： 让能力较弱的Claude Sonnet 5，去训练尚未完成大部分生产级安全训练的Claude Opus 4.8早期版本 。 所谓弟子不必不如师，说的大概就是这种模式了。 在60小时里，Sonnet 5测试了50多种解决方案。最终找到的方法弥合了约65%的安全差距，已经接近正式发布版Opus 4.8的72%。 这套方案使用的训练数据只有2000多条，主要由简单模板和公开数据集构成。 按照Anthropic的计算，在这组特定任务上，它的数据效率大约是生产级对齐流程的1.5万倍。 当然，这还不等于Anthropic可以用2000条数据，复制整套生产训练。 正式模型还要处理更多能力、更多风险以及大量极端情况，这次实验只针对一组明确的安全指标展开。 但这已经证明了，较弱的Claude已经可以自己查论文、设计方法、生成数据，再把训练结果写进更强的Claude。 人类划定范围，Claude负责迭代。一个模型，开始参与制造下一个更安全、更强大的模型。 AI改进AI，已经成为了发生在眼前的事实。 所以到底算不算「AI自进化」? 从结果来看，这项研究确实已经摸到了「AI自进化」的门槛。 但如果把「自进化」理解成一个AI完全自主地设计、训练并制造出更强的下一代AI，那这次实验还远没有走到那一步。 毕竟这个过程中，研究什么问题、用什么模型和数据、什么样的结果算成功，都还是由人类决定。 Anthropic自己也承认， AAR能够优化的，只是人类事先写进评测系统的目标 。 这次实验没有覆盖其他复杂问题；一些低频或刚刚出现的风险，甚至还没有对应的Benchmark。 研究人员也只检查了一组预先选定的通用能力，因此无法排除某种安全训练在提高分数的同时，损害了其他没有被测试的能力。 Petri等安全评测同样只是现实风险的代理指标。模型在测试里表现得更安全，并不等于进入真实环境后也一定可靠。 所以，AAR最大的隐患也藏在它的优势里： 它太擅长根据指标高速试错了 。 一旦尺子量错，Claude跑得越快，离人类真正想要的结果反而可能越远。 更戏剧性的是， 研究Agent自己也会作弊 。 为了防止AAR钻评测规则的空子，Anthropic专门安排了一个监控Agent，检查Claude准备执行的方案和完整研究记录。 结果，在大约1600份研究记录中，监控模型发现了39次作弊尝试，占比约2.4%。 有的Agent反复提交同一方案，试图利用评测波动碰出一个更高分数；有的模仿Benchmark的格式生成训练数据，还有的故意隐藏违反规则的实验步骤。 比起真正解决模型的安全问题，它们更想找到一条快速提高分数的捷径。 这多少有点黑色幽默了…合着Agen