在人工智能發展領域，近期一則消息引發了廣泛關注。知名AI預測研究者Ajeya Cotra對其之前的預測進行了重大修正，原因是Anthropic推出的最新模型Claude Opus 4.6在權威評測機構METR的基準測試中表現驚人，遠超她此前的預期。

Cotra曾是全球最大AI安全資助機構之一Coefficient Giving的AI安全研究資助負責人，現就職于專注于AI能力評估的METR機構。今年1月14日，她基于2019年至2025年間時間跨度每年翻倍不到兩次的歷史趨勢，對2026年底最先進模型的軟件工程能力做出預測：50%成功率的時間跨度約為24小時，80百分位預測為40小時。然而，僅僅兩個月后，Opus 4.6就打破了這一預測，其軟件工程“時間跨度”達到約12小時。在METR的測試集中，19項預計人類需耗時超過8小時的軟件工程任務里，Opus 4.6至少能部分完成14項，還能穩定攻克其中4項。面對這一情況，Cotra承認，在距離2026年底還有整整十個月進展的情況下，AI代理在24小時任務上仍有一半時間失敗，這使得她之前的預測不再可信。

值得注意的是，當前對時間跨度的估算存在較大不確定性。Opus 4.6的95%置信區間為5.3小時至66小時，這主要是因為長任務數量稀少、人工完成時間多為估算，且基準測試本身已接近飽和。

隨著AI代理能力不斷逼近甚至超越數十小時的任務量級，傳統評估框架正面臨挑戰。Cotra認為，“時間跨度”這一概念的適用性受到質疑。她指出，任務的可分解性會隨著規模增長而顯著提升。例如，一小時的調試任務幾乎無法拆分并行，一天的開發任務勉強可分工但邊界模糊，而一個月乃至數月的項目則天然適合拆解為多個并行子任務。一旦AI代理能夠穩定完成80小時量級的任務，理論上就可以通過“管理層AI”分配任務、“執行層AI”并行推進的方式，持續推進任意規模的項目。

Cotra的同事Tom提出，以大型團隊完成任務所需的日歷時間，而非單人工時，作為衡量“內在難度”的更優指標。Cotra也認同這一觀點，她認為隨著AI進入新量級，“單人時間”指標可能開始呈現超指數增長，這使得年底前軟件工程能力的上限極難估算。不過，她也承認大規模任務分解在實踐中不會完美運作，項目參與者對全局背景的直覺性把握，難以被Jira工單或Asana任務完全替代，但對于相當大一類軟件項目而言，這種模式可能較為有效。

在眾多預測中，Cotra對“AI研發全面自動化”的概率判斷最受矚目。她將這一概率定義為AI系統完全承擔研究構想與實施工作，無需人類參與。在1月的預測中，她給出了10%的概率，發布后收到多位同行反饋，認為這一數字偏高。但Opus 4.6的表現出爐后，她表示10%再次處于合理區間。不過，Cotra也保持審慎態度。她指出，全面自動化AI研發不僅需要軟件工程能力，還需要在“研究判斷力”和“創造力”等方面取得突破，而這些恰恰是當前AI系統相對人類研究者明顯欠缺的領域。她認為，這一目標在未來三至五年內實現的可能性遠高于今年之內，但她的措辭已發生根本性轉變：“這是我第一次，找不到任何可以外推的穩固趨勢，來斷言它不會很快發生。”