2026 年点亮持续学习，2030 年实现全自动编程，2050 年垄断诺奖级研究…… 人类向 AI 让渡科学主导权的倒计时，似乎已经开始。
一早，谷歌 DeepMind 研究员重磅预测刷屏全网！
2026 年，将会成为「持续学习」之年。
或许它已经在谷歌内部实现了。
此前，Jeff Dean 曾在 NeurIPS 2025 炉边谈话上，指出了目前 LLM 痛点在于「缺乏持续学习」。
去年底，谷歌团队提出的「嵌套化方法」增强了 LLM 上下文处理能力，实现了持续学习。
拓展阅读：终结 Transformer 统治！清华姚班校友出手，剑指 AI「灾难性遗忘」
持续学习，对于任何一个模型和智能体来说，至关重要。它是 AI 能否自我改进，不断涌现的一个核心要素。
Anthropic CEO Dario Amodei 也表示，持续学习将在 2026 年就搞定了，并能实用起来。
实际上，AI 这种持续学习的苗头，早已显现。
Anthropic 工程师自曝，过去一个月，自己对 Claude Code 的贡献，全部由 AI 100% 直出代码。
另一位非技术型程序员 Ben Tossell 四个月，烧掉 30 亿 Token，用 Claude Code 连造 50 个项目。
Tossell 全程所做的，只是看着 AI 完成编码。
这一刻，模型不再通过训练获得改进，而是在自编码过程中不断进化。
人类不用插手，几乎 0 干预，全自动化编程和研究的时代更近了。
OpenAI 研究员 Hieu Pham 预测，2026 将见证 AI 破解一个千禧年难题
2030 告别手搓代码？前 OpenAI 研究员揭秘 ASI 倒计时
全自动化编程（Automated Coder, AC），会不会成为 AGI 乃至 ASI 加速到来的关键拐点？
前 OpenAI 研究员 Daniel Kokotajlo 和他的团队给出了肯定答案。
他们利用自主开发的 AI Futures Model 做出了惊人预测：
2030 年不仅可能实现完全自动化编程，更有约 25% 的概率在一年内实现向 ASI 的飞跃！
团队认为，AC 就像是 AGI 研发进入自动化加速阶段的「开关」。
一旦这个开关被按下，ASI 就极有可能快速起飞（25% 概率在 1 年内实现）。
扩展阅读（前作）：末日时间表来了！前 OpenAI 研究员 76 页硬核推演：2027 年 ASI 接管世界，人类成 NPC
https://blog.ai-futures.org/p/ai-futures-model-dec-2025-update
核心锚点：用 METR-HRS 外推「编码时间跨度」
针对 AGI 时间线预测这一争议话题，团队认为 METR-HRS 是目前最适合用于线性外推至超强 AI 的基准。
具体来说，就是以「能力基准趋势外推」作为核心方法，利用 METR 的编码时间跨度套件（METR-HRS）来设定达到 AGI 所需的有效算力，并沿着这条趋势线进行推演。
AI Futures Model 将 AI 软件研发的自动化与加速轨迹，直观地划分为三个阶段：
- 自动化编程
- 自动化研究品味
- 智能爆炸
阶段 1：自动化编程
首先预测「写代码」何时会被完全自动化。
模型对自动化编程器（Automated Coder，AC）的定义非常硬核：
AC 可以将某个 AGI 项目的代码编写工作完全自动化，直接替代该项目的整个程序员团队。
模型的推演起点的依据是 METR 图表的趋势外推，并预估「智能体式编码时间跨度」达到何种水平才算作 AC。
同时，模型不仅仅盯着曲线，还综合考量了多重变量：
- 供给约束是否会导致增长放缓；
- AI 研发自动化是否会带来加速效应；
- 时间跨度趋势是否呈现超指数级增长；
- ……
阶段 2：自动化研究品味
除了代码之外，模型还追踪了另一项关键能力 —— 研究品味（Research Taste）。
它指的是确定研究方向、挑选实验、解读结果以及从实验中提取知识的能力。
这更像是一种「团队协作」：写代码是执行力，研究品味是方向感。执行力再强，如果方向感跟不上，也只是在跑无效里程。
阶段 2 的目标是预测从 AC 进化到超人类 AI 研究员（Superhuman AI Researcher，SAR）需要多长时间。
SAR 的定义同样强悍：
SAR 可以将 AI 研发完全自动化，完全替代所有人类研究员。
这一阶段的速度取决于三个因素：
- 写代码自动化能为 AI 研发带来多大的加速；
- 当 AC 出现时，AI 的研究品味已经达到了什么水平；
- AI 研究品味的提升速度（即在同样的进展输入下，每做一次实验能带来多少额外价值）。
阶段 3：智能爆炸
当 AI 研发实现完全自动化，模型便进入了最让人心跳加速的阶段：
AI 会以多快的速度自我提升，逼近智能上限。
这一阶段追踪的里程碑包括：
超智能 AI 研究员（Superintelligent AI Researcher，SIAR）：
在顶尖 AGI 项目中，AI 研究员与人类研究员的差距，达到了顶尖人类研究员与中位研究员差距的 2 倍。
顶尖专家级 AI（Top-human-Expert-Dominating AI，TED-AI）：
在几乎所有认知任务上，至少达到顶尖人类专家的水平。
超级人工智能（Artificial Superintelligence，ASI）：
在几乎所有认知任务上，ASI 与最强人类的差距，是最强人类与中位专业人士差距的 2 倍。
在模拟推演中，研究人员发现，存在一些轨迹显示 AI 可以在数月内从 SIAR 跃升至 ASI；但也存在在智能爆炸阶段「哑火」的可能，即需要继续通过堆算力才能达到 ASI。
要想实现最快的起飞，通常需要一个反馈循环：让 AI 能力每一次翻倍所需的时间，都比上一次更短。
在此，模型提出了一个关键概念 ——「仅靠研究品味的奇点（taste-only singularity）」：
速度的翻倍完全来自于研究品味的提升，而非算力增加或代码能力的提升。
这一奇点是否会出现，将取决于「创新想法变得越来越难挖掘的速度」与「AI 研究品味提升速度」之间的博弈。
Nature：2050 年，AI 扛下诺奖级研究
如果说 AI Futures Model 描绘的是 AI 自身进化的「速度」，那么 Nature 最新的展望则向我们展示了这种进化将如何重塑科学探索的「广度」。
尽管时间线难以精确锁定，但科学界对终局的共识逐渐清晰：
到 2050 年，AI 系统或将成为「诺奖级」科学研究的主力军。
常驻牛津、《超级智能：路径、危险与策略》的作者 Nick Bostrom 预计，AGI 将 2050 年前后出现，并具备回答「我们当前关心、且原则上可以由科学回答的大多数问题」的能力。
即便没有所谓的超级智能全面主导，到了 2050 年，AI 也可能让科学研究的方式发生根本变化。
对此，伦敦研究与前瞻公司 Outsmart Insight 联创 Alex Ayad 描述了一种名为「黑灯实验室」（lights out labs）的场景：
由 AI 算法驱动的自主系统，结合机器人实验员，能够 24 小时不间断地攻克生物技术难题。
在此期间，完全不需要人类在场，故名「黑灯」。
而这，也将催生一个完美的「共生循环」：
新技术催生新的科研方式，新知识反过来推动更新、更强的技术，从而不断解锁新的科学领域。
在此基础上，墨西哥国立自治大学物理学家 Juan Carlos Hidalgo 给出了一个乐观的预测：
在 AI 的辅助攻坚下，到 2050 年，核聚变能源成熟的前景「相当可期」。
参考资料：HYB