2025 年 1 月，AI 写的代码被人批准、合进正式项目里的比例，还是个位数。到 2026 年 5 月，这条线越过了 80%。中间隔了一年零四个月。
署名作者一共 22 位。Geoffrey Hinton 在，Yoshua Bengio 在，强化学习的先驱 Andrew Barto 在，OpenAI 首席科学家 Jakub Pachocki 也在。论文标题直接写成一个问句：《What if automating AI R&D triggers an intelligence explosion?》
那行曲线是怎么拐过来的
在后端做工程的小周，审代码是他每天都在做的事。2025 年那阵子，他点开一条 AI 提交的合并请求，得花二十分钟：变量名起得别扭，注释客气得过分，边界条件漏一半。他说那时候不用看提交人，扫两眼就知道是机器写的。
现在他扫一眼描述就点了通过。代码不逐行读，只读一句话，它为什么这么改。
审核的动作，从「改」退到了「看」。小周说，他现在值钱的地方不在写，在判断哪一行可以放过。
1%，然后是 26%
论文里有一组数，我看了两遍。在人类高层监督下，Claude 能自主完成的研发工作，2026 年 3 月大约是 1%，到 8 月是 26%。
五个月。
1% 是什么样子。它只能接零活，改个小 bug，跑个测试，把一堆日志整理成表格，做一步得有人点一下头。
26% 又是什么样子。它自己能提方案、排优先级，实验写完自己跑，跑完自己读结果。链条没断，只是人的位置往上挪了一层。
有个做算法的朋友说，他以前是干活的那个，现在更像签字的那个。活是谁干的，他讲不太清。
他说这话的时候语气很平，我倒听出了一点别的味道。一支队伍里最容易被替换的，往往是说不清自己在整个流程里占哪一环的那个人。
不用读五年博士
论文提出了一个词，effective R&D workforce，有效研发人力。这个词的分量在于，它绕开了一件事。
过去想多一个研究员，路径是固定的：读五年博士，毕业，投简历，面试，熟悉项目，顺利的话两年后才独立出活。这套流程现在可以整段省掉，把模型权重复制一份，就多出一个研究员，而复制这件事的开销几乎只跟算力有关，跟资历深浅、跟谁熟、在哪个城市，都没有关系。
它还能 24 小时工作，成千上万个实例同时跑任务。底层模型一升级，整支团队跟着升级，不需要重新培训几百万人，也不需要等一批人慢慢变老。
一年，五周
论文里有个变量叫 r，研究回报系数，估出来的区间是 1.2 到 1.9。这个数看着枯燥，意思很直白：投进去一份算力，收回来的研发产出可能不止一份，多出来的那部分从它自己身上来。
按论文的推演，如果 AI 研发实现全面自动化，技术进步的速度可能在一 1.5 年内提高 10 倍。换算过来，今天要一年才发生的进步，到那个阶段只需要大约五周。
话说回来，论文自己也没把话说死。它给了一串前提：研究回报得保持住，算力、数据、监管这些环节不能突然卡住。而眼下最紧的那一样，恰好就是能干研究的人手。
跟你有什么关系
这条线能追到 1965 年。数学家 I.J. Good 那年设想过一台超级智能的机器：它比人更会设计机器，于是能设计出一个更聪明的版本，新一轮接着继续。六十年过去，这个设想第一次有了数字托底，5%、80%、1%、26%。
我的判断是，别急着押哪个岗位会消失。这种事谁都猜不准，猜准了也来不及准备。可以押的是另一件事，你能不能跟它一起把活干完。
小周现在每天做的，是给 AI 写的代码补上「为什么」。他说这活以前是实习生干的。
我说那说明你现在是签字的那个人。他笑了一下，没接话。
你所在的行业，眼下有几成活已经能交出去了？