AI科研品味每三月翻倍意味着什么

最近看到 Anthropic 联合创始人 Jack Clark 提到一个叫 TasteVal 的新基准，专门测 AI 能不能自己设计实验、解读结果。这个基准测的是一种很微妙的能力，P-Zero Research 把它叫作「research taste」，也就是判断该做哪个实验、从数据里得出什么结论的本事。说实话，这比单纯刷分有意思多了，因为它更接近真实科研里最值钱的那部分直觉。

最让我在意的是数据曲线。按 Clark 的说法，这项能力从 2025 年 12 月以来大约每三个月翻一倍，而且测试里表现最好的模型在成本远低于人类的情况下，成绩超过了 24 位人类专家组成的对照组。这个对比当然有局限，样本和任务范围都窄，但方向已经很清楚：模型正在从「会答题」往「会选题」迁移。基于这些数字，Clark 把递归自我改进的时间表从 2028 年提前到了 2027 年，也就是 AI 系统能参与开发自己下一代的可能性。我个人对这个预测持谨慎态度，因为 TasteVal 只覆盖了科研工作的一小部分，设计实验和真正推动一个领域往前走之间还隔着巨大的工程和组织鸿沟。但时间表被反复提前这件事本身，就值得每个做跨境和科技的人警惕。换个角度看，这个基准真正改变的是讨论的焦点。以前大家比的是模型跑分，现在开始问：语言模型到底能独立承担多少研究工作？对我们做出海业务的人来说，这意味着评估 AI 工具的标准要变，不再只看它生成得快不快，而是看它能不能帮你把实验方案和结论一起想清楚。我的判断是，短期别急着押注 RSI 叙事，但可以开始把「AI 能不能独立完成一小段研究闭环」当成选型和团队分工的参考指标。谁先摸清自家业务里哪些环节可以交给这种「科研品味」型模型，谁就能在下一轮效率差里占到便宜。