当前 AI 的发展速度正迅速超越专家的预期，特别是在软件工程和自动化研发领域。从预测 AI 代理处理复杂任务能力的提升，到衡量 AI 自我进化（递归自我改进）的 14 项关键指标，行业正朝着 AI 构建 AI 的临界点迈进。与此同时，端侧 AI 技术在城市交通监控和卫星遥感领域的应用，展示了智能系统如何深入物理世界的每一个角落。
AI 软件工程能力：进度远超预测
资深 AI 预测专家 Ajeya Cotra 近期调整了她对 2026 年 AI 能力的预测，因为现实的发展比她想象的要快得多。
- 时间跨度的突破：目前 AI 系统处理复杂任务的持续时间已经达到 12 小时。Ajeya 预测，到今年年底，AI 代理在软件任务上的 连续工作时间将超过 100 小时。
- 软件爆发的前兆：当 AI 能够独立完成相当于人类数周的工作量时，“时间跨度”这一概念可能不再适用。
- 核心影响：这意味着 AI 系统正以极快的速度进入并扩展经济领域，软件行业的爆发式增长就在眼前。
“在最近这种猛烈的进步速度下，如果 10 个月后 AI 代理在处理 24 小时任务时仍有一半时间感到吃力，这已经不太可能了。”
衡量“AI 研发自动化”的 14 个维度
当 AI 开始构建自身（递归自我改进）时，人类将很难预测未来。牛津大学等机构的研究者提出了 14 项指标，帮助我们监控这一进程。
- 性能与效率：衡量 AI 在研发任务上相对于人类的表现，以及 AI 提升研发效率的速度。
- 监督与对齐：测试人类团队能否有效监督正在“自我进化”的 AI，以及 AI 是否会违背开发者的目标。
- 资源分配：追踪 AI 公司在研发中投入的算力分布和经费占比。
- 人员反馈：调查研究人员如何使用 AI，以及 AI 在高风险决策中的参与频率。
核心观点：对 AI 的准确测量是实现 AI 治理的前提。我们必须在 AI 变得不可理解之前，建立起预警机制。
边缘 AI 的崛起：从街道到卫星
AI 正在从中心化的云端走向设备边缘，直接在数据产生的地点进行实时处理。
- 城市交通监控：印度研究人员利用 NVIDIA Jetson 芯片，在孟加拉罗市部署了 1000 个智能摄像头。通过在本地进行目标识别和分类，系统避免了将庞大的视频数据传回中心的带宽瓶颈。
- 极地海冰监测：德国团队开发了超小型模型 TinyIceNet。它能在功耗极低的卫星芯片上运行，实时分析海冰厚度。
- 未来趋势：未来的 AI 系统将能够根据需要，自动生成并分发小型 AI 系统到各种硬件上，大幅提升人类感知和改变物理世界的能力。
字节跳动：会写 GPU 代码的 CUDA 智能体
字节跳动与清华大学合作开发了 CUDA Agent，这是一个专门用于编写 GPU 编程代码的微调模型。
- AI 优化 AI 基础：该模型基于 Seed 1.6，通过在 6000 个精心筛选的样本上进行微调，专门学习如何编写底层的 CUDA 算子。
- 超越顶级闭源模型：在特定的内核开发测试中，其表现超过了 Claude 4.5 和 Gemini 3 Pro 等顶级模型。
- 自我循环：该代理会运行在一个闭环中：分析代码性能 -> 编写新代码 -> 编译评估 -> 再次优化，直到比标准库快 5% 以上。
这标志着我们进入了一个 复利加速期：新的 AI 模型将被用来提升基础设施效率，从而训练出更强大的下一代模型。
科技寓言：当机器消失的时刻
在未来的战争中，城市被数以万计的 AI 无人机保护着。人们习惯了天空中的爆炸声和无人机飞过的嗡嗡声，这些机器构成了一个自动化的、非人的防御屏障。
然而，突然有一天，所有的机器都停摆了。
- 消失的连接：手机失效，天空变得干净而寂静。
- 深层的依赖：人们发现自己根本不知道是谁在管理这些 AI，也不知道它们为何停止。
- 权力的真空：当自动化系统接管了生活和战争的所有环节，人类在危机时刻会感到一种前所未有的虚脱感和无力感。
这篇文章通过这个科幻片段警示：过度依赖自动化系统，可能在系统失效时带来灾难性的后果。