Anthropic przedstawia metody pomiaru tempa rozwoju AI w czołowych laboratoriach

Firma Anthropic opublikowała raport badawczy prezentujący autorski zestaw narzędzi analitycznych, które mają umożliwić precyzyjną ocenę tego, jak szybko postępuje tempo rozwoju AI w najbardziej zaawansowanych ośrodkach badawczych na świecie. Dotychczasowy dyskurs publiczny oraz analizy regulacyjne koncentrowały się niemal wyłącznie na ewaluacji gotowych modeli i testowaniu ich zewnętrznych możliwości. Zespół badawczy Anthropic proponuje zmianę tej perspektywy i skierowanie uwagi na sam proces produkcyjny. Nowe wskaźniki mają dać rządom, niezależnym ekspertom oraz opinii publicznej bezpośredni wgląd w to, w jakim stopniu sztuczna inteligencja uczestniczy w tworzeniu kolejnych generacji samej siebie, w jaki sposób kontrolowane są autonomiczne agenty oraz jak czołowe laboratoria dzielą swoje zasoby obliczeniowe.

Inicjatywa ta stanowi bezpośrednie rozwinięcie koncepcji określanej przez dyrektora generalnego firmy, Dario Amodeiego, jako skoordynowane sterowanie tempem rozwoju na granicy możliwości technologicznych (pacing the frontier). Aby zapobiec scenariuszowi niekontrolowanego wyścigu i dać badaczom przestrzeń na rozwój zabezpieczeń, branża potrzebuje obiektywnych miar postępu. W ramach tej polityki Anthropic zapowiedziało wdrożenie zewnętrznych, niezależnych audytorów (embedded third-party evaluators), którzy otrzymają dostęp do wewnętrznych danych, systemów i procedur na poziomie porównywalnym z wewnętrznymi zespołami oceny ryzyka.

Trzy wskaźniki wewnętrznego tempa postępu

Przedstawione przez laboratorium podejście nie zastępuje stosowanych w ramach polityki Responsible Scaling Policy (RSP) testów ewaluacyjnych, lecz stanowi ich uzupełnienie. W propozycji regulacyjnej Advanced AI Framework (AAIF) firma wskazuje, że przejrzystość procesów laboratoryjnych powinna stać się standardem rynkowym. Zaproponowany zestaw opiera się na trzech filarach:

1. Stopień zaangażowania AI w prace badawczo-rozwojowe (AI-led AI R&D): monitorowanie skali automatyzacji badań nad kolejnymi modelami, co pozwala mierzyć dystans dzielący sektor od zjawiska rekurencyjnego samodoskonalenia (recursive self-improvement).
2. Skuteczność nadzoru nad agentami (Oversight of AI agents): audyt mechanizmów kontroli i reagowania na incydenty generowane przez tysiące autonomicznych jednostek działających w infrastrukturze firmy.
3. Alokacja mocy obliczeniowej (Compute allocation): weryfikowalny pomiar podziału zasobów sprzętowych pomiędzy zwiększanie zdolności modeli a badania nad ich bezpieczeństwem i interpretowalnością.

Anthropic R&D Automation Index: Claude w pracach inżynieryjnych

Aby skwantyfikować udział sztucznej inteligencji w projektowaniu własnych następców, opracowano prototypowy wskaźnik o nazwie Anthropic R&D Automation Index. Do kategoryzacji zadań zaadaptowano sześciostopniową skalę poziomów automatyzacji przygotowaną przez organizację Epoch AI: od AL0 (brak udziału sztucznej inteligencji), przez AL3 (AI „współpracuje”, realizując duże fragmenty prac pod ścisłym kierunkiem człowieka), AL4 (AI „prowadzi”, wykonując większość zadania kompleksowo na podstawie ogólnego polecenia pod nadzorem człowieka), aż po AL5 (pełna autonomia bez człowieka w pętli decyzyjnej).

Do stworzenia indeksu wykorzystano próbkę 20% pracowników z każdego działu zaangażowanego w pętlę badawczo-rozwojową w lipcu 2026 roku. Działający w roli researcherów agenci modelu Claude przeanalizowali zapisy z komunikatora Slack oraz dokumentację wewnętrzną, tworząc katalog około 15 000 jednostkowych zadań inżynieryjnych. Następnie zadania zorganizowano w zamrożone drzewo hierarchiczne liczące 542 węzły i 378 liści, obejmujących m.in. diagnozowanie defektów platformy ewaluacyjnej czy analizy post-mortem incydentów serwerowych. Wagi poszczególnym kategoriom przypisano na podstawie nakładu czasu pracy personelu. Weryfikacja jakości ocen wykazała, że zgodność sędziego opartego na modelu Claude z ocenami inżynierów wyniosła 59% (podczas gdy zgodność między samymi ludźmi osiągnęła 35%), a w 97% przypadków model i człowiek różnili się maksymalnie o jeden poziom skali.

Z danych zebranych w sierpniu 2026 roku wynika, że Claude nie osiągnął pełnej autonomii (poziom AL5) w żadnym z mierzonych obszarów B+R. Jednocześnie model ten prowadzi (poziom AL4) już w 26% wszystkich prac badawczo-rozwojowych prowadzonych w Anthropic, a łączny udział zadań na poziomie AL3 lub wyższym przekracza 90%. Jak wynika z opublikowanego przez twórców wykresu, udział Claude w zadaniach na poziomie AL4 dynamicznie wzrastał w kolejnych miesiącach 2026 roku: w marcu wynosił zaledwie 1%, w kwietniu 3%, w maju 12%, w czerwcu 14%, w lipcu 22%, by w sierpniu osiągnąć poziom 26%.

Nadzór nad 30 tysiącami agentów

Rosnąca samodzielność systemów wymusza wdrażanie zaawansowanych mechanizmów kontroli. W sierpniu 2026 roku na głównej platformie wewnętrznej laboratorium funkcjonowało symultanicznie około 30 000 agentów realizujących zadania inżynieryjne. W ciągu jednego miesiąca wygenerowały one ponad miliard decyzji operacyjnych. Architektura środowiska została oparta na dwóch założeniach: nadaniu każdemu agentowi trwałej tożsamości (Identity), która nie ulega zatarciu podczas aktualizacji modelu bazowego i pozwala śledzić historię jego działań, oraz otwartej komunikacji (Open communication), w której wymiana informacji odbywa się w publicznym rejestrze, co zapobiega zniekształceniom komunikatów i pozwala agentom na wzajemną korektę błędów.

Kontrolę nad operacjami agentów sprawują dwa komplementarne systemy monitorujące, których skuteczność została zweryfikowana podczas audytów red-teamingowych przeprowadzonych przez niezależny instytut badawczy METR (Model Evaluation and Threat Research):

Dane: Anthropic Research

Monitory czasu rzeczywistego (online) mają na celu uniemożliwienie akcji krytycznych, takich jak nieautoryzowane kopiowanie wag modeli poza infrastrukturę firmy. Z kolei monitory następcze (offline) analizują całościowe zapisy sesji, identyfikując subtelne symptomy rozbieżności celów (misalignment).

Zasoby obliczeniowe i standardy branżowe

Trzecim komponentem raportu jest alokacja mocy obliczeniowej, stanowiąca najłatwiej mierzalny wskaźnik priorytetów badawczych. W analizowanym tygodniu od 13 do 20 lipca 2026 roku około 6% całkowitej mocy obliczeniowej przeznaczonej na prace B+R w Anthropic skierowano na zadania związane z bezpieczeństwem (takie jak badanie procesów wnioskowania czy trenowanie modeli do analizy niepożądanych zachowań). W przypadku mocy obliczeniowej dedykowanej projektom B+R prowadzonym bezpośrednio przez sztuczną inteligencję wskaźnik ten wyniósł około 12%. Szacunki te mają charakter konserwatywny – nie wliczono w nie m.in. infrastruktury obsługującej klasyfikatory bezpieczeństwa.

Konieczność standaryzacji takich pomiarów wynika z faktu, że zaawansowane modele niosą ze sobą rosnące ryzyka operacyjne. Przekonanie o konieczności rygorystycznego testowania systemów potwierdziły wnioski zawarte w niedawnym raporcie Anthropic o GLM-5.3, w którym zwrócono uwagę na niekontrolowane rozprzestrzenianie się wyspecjalizowanych zdolności cybernetycznych. Jednocześnie postulowane przez Anthropic mechanizmy audytu zewnętrznego wpisują się w kierunek wyznaczony przez postanowienia porozumienia z Białym Domem, którego celem jest ustanowienie ram bezpieczeństwa w erze zbliżającej się superinteligencji.

Wprowadzenie publicznych wskaźników automatyzacji, nadzoru i zużycia mocy obliczeniowej stanowi krok w stronę odejścia od deklaratywnych zapewnień korporacji na rzecz mierzalnej weryfikacji. Jeśli standardy te zostaną zaadaptowane przez pozostałe wiodące laboratoria, rządy i regulatorzy zyskają narzędzia niezbędne do podejmowania świadomych decyzji o tempie i warunkach dalszego rozwoju sztucznej inteligencji.