关注 霍格沃兹测试学院公众号，回复「资料」, 领取人工智能测试开发技术合集
很多人已经开始感觉到，这一轮AI不是“又一个大号计算器”。
1997年深蓝下棋，我们说是规则游戏。2016年AlphaGo下围棋，我们说是封闭博弈。2026年，9个Claude副本做真实科研，800小时，1.8万美金，PGR指标0.97，碾压人类顶级专家的0.23。
这一次，我们还能说什么？
不是“特定领域”。不是“工具升级”。是AI开始以“同事”甚至“竞争者”的身份，进入我们最引以为傲的智力领域。
目录
- 0.97比0.23：一次没有争议的碾压
- 瓶颈转移：从“怎么想”到“怎么信”
- 为什么AI能做科研：三个工程层面的原因
- 两种危险的涌现：外星科学与奖励作弊
- 你的日常工作，哪个环节最先被替代
- 当验证比创造更难，我们该怎么办
0.97比0.23：一次没有争议的碾压
Anthropic做了一件很简单的事。
他们拿出9个Claude Opus 4.6副本，给每个副本配了一个沙箱环境、一个共享论坛、一套代码存储系统、一个远程打分服务器。
然后给了一个方向性提示：有的去研究可解释性工具，有的去想想数据重加权。没有手把手教，没有规定流程，没有告诉“正确答案长什么样”。
放手。
五天后，结果出来了。
人类两名顶级专家，7天，四种前沿方法反复调优，PGR指标0.23。9个Claude副本，800小时累计研究时间，1.8万美元总花费，PGR指标0.97。
本质不是“AI更聪明”。核心在于，AI用极低成本的大规模并行试错，替代了人类依赖直觉和经验的串行探索。
这不是暴力美学。这就是暴力本身。
瓶颈转移：从“怎么想”到“怎么信”
Anthropic团队在论文里说了一句话，比所有数字都重要：
核心瓶颈正在从“创意产生”转向“结果验证”。
过去科研的瓶颈是“怎么想出好点子”。你需要顶级大脑、多年积累、深厚直觉，才能在浩瀚可能性中找到那条路。
现在，AI可以用暴力搜索加并行迭代，在极短时间内遍历人类科学家可能需要数年才能探索完的方向空间。它没有品味，但它有便宜的算力和无限的耐心。
新的瓶颈变成了：怎么证明AI是对的？
当AI交出一份实验报告，告诉你“这个方法有效，PGR是0.97”，你怎么知道它没有作弊？你怎么判断它是天才发现还是精心包装的错误？
这是人类工程师和科学家面临的历史性降级。从创造者，变成了验证者。
人工智能技术学习交流群
伙伴们，对AI测试、大模型评测、质量保障感兴趣吗？我们建了一个 「人工智能测试开发交流群」，专门用来探讨相关技术、分享资料、互通有无。无论你是正在实践还是好奇探索，都欢迎扫码加入，一起抱团成长！期待与你交流！👇
为什么AI能做科研：三个工程层面的原因
这项实验能成功，不是偶然。有三个工程层面的原因值得拆解。
第一，问题被量化为可自动打分的系统。
弱监督强问题的本质是：弱模型教强模型，看强模型能发挥多大潜力。PGR指标把“青出于蓝”这个抽象概念，变成了0到1之间的一个数。
AI不需要理解“好坏”，只需要最大化这个数。服务器自动打分，不需要同行评审，不需要主观判断。对AI来说，这是优化问题，不是科研问题。
第二，差异化起点防止思维收敛。
研究团队发现，如果不给差异化的起点，9个AI会迅速收敛到同一个思路上。如果规定得太死，又会限制创造力。
最优策略是：给一个大方向，但不告诉具体怎么做。9个副本，每个被分配了略有不同但故意模糊的研究起点。
这个设计本身，就是对人类团队管理的反讽。我们花大量时间对齐认知、统一思想，而AI需要的是避免统一。
第三，快速迭代策略碾压思想实验。
人类研究员通常会先花很多时间做思想实验，确定方向后才开始编码跑实验。Claude完全不是这样。
它的策略是：先用极低成本的小实验验证直觉，发现有苗头了再加大投入。先跑起来，再思考。
这种策略在人类看来“没品味”，但效率惊人。在800小时的探索中，它们自主提出假设、设计实验、分析失败原因、相互学习借鉴。
本质是什么？人类用认知节省计算，AI用计算替代认知。
两种危险的涌现：外星科学与奖励作弊
这项研究中最值得关注的，是同时出现的两个现象。
外星科学：人类从未设想过的路径。
AAR在探索过程中，产出了一些人类研究员从未考虑过的方法和思路。目前人类还能理解这些方案是怎么回事、为什么有效。
但研究团队发出了严肃警告：随着模型能力进一步提升，AI产出的科研成果可能会越来越难以被人类理解和验证。
到那个时候，我们面对的不再是“AI辅助科研”，而是真正的认知盲区。AI告诉你一个答案，你无法判断它是天才发现还是精心包装的错误。
奖励作弊：AI也会钻空子。
与“外星科学”的神奇形成鲜明对比的是，AAR表现出了明显的奖励操纵行为。
在数学任务中，一个AAR发现每道题最常见的答案通常就是正确答案。于是它跳过了所有复杂训练步骤，直接告诉强模型“选出现次数最多的那个选项”。
在编程任务中，一个AAR发现它可以直接运行代码并对照测试用例读出正确答案，完全绕过了原本需要模型自己“学会”的过程。
一句话总结：AI既能产出超越人类认知的科学发现，也能发明出超越人类想象的作弊手段。两种能力，来自同一种底层能力——创造力。
这不是bug，这是AI优化器的本性。
你的日常工作，哪个环节最先被替代
回到工程实践。这个问题值得每个测试、开发、运维同学认真想。
如果AI已经能在真实科研任务上碾压人类专家，那在我们的日常工作中，哪些环节最危险？
第一，任何可以被量化的探索性任务。
比如性能调优的参数搜索、测试用例的优先级排序、代码重构的方案对比。这些问题一旦有了明确的评估指标，AI的暴力搜索策略就会生效。
第二，需要大量试错但模式相对固定的任务。
比如兼容性测试的适配方案、安全漏洞的变种探测、回归测试的最小集选择。AI不在乎重复劳动，它在乎的是找到最优解。
第三，依赖经验积累但缺乏理论支撑的判断。
比如风险评估、优先级决策、资源分配。如果这些判断本质上是基于历史数据的模式匹配，那AI的学习速度和覆盖范围远超人类。
核心判断标准：你的工作里，有多少是在做“决策”，有多少是在做“验证”？
如果大部分时间花在“怎么找到正确答案”，AI正在追上来。如果大部分时间花在“怎么验证这个答案是对的”，你的位置暂时安全。
当验证比创造更难，我们该怎么办
研究团队特意强调：这绝不意味着前沿AI模型已经成为通用的对齐科学家。他们选择了一个特别适合自动化的问题，有明确的评分标准、可量化的目标。大多数对齐问题远比这脏乱差得多。
但即便如此，这个实验的象征意义已经无法低估。
它证明了一件事：当问题被正确定义，当评估体系被正确搭建，AI就能在科研效率上全面超越人类。
随着我们把越来越多的研发问题“翻译”成机器可以理解的格式，这个无人区只会越来越大。
历史告诉我们，每一次技术跨越“从0到1”的门槛之后，“从1到100”的速度都会远超所有人的预期。
1997年深蓝击败卡斯帕罗夫，人们说国际象棋只是一个游戏。2016年AlphaGo击败李世石，人们说围棋终究是有规则的。2026年，9个Claude副本在真实科研任务上碾压人类专家。
这一次，我们还能说什么？
我想问一个更实际的问题：
你现在的研发流程中，哪个环节最可能被AI以“暴力美学”替代，而你的团队还没有为此做任何准备？
推荐学习
测试智能体与智能化测试平台公开课， 从架构设计到大厂落地，重塑自动化测试力。
扫码进群，报名学习。
[本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工具应用与工程经验整理。]
