AI 评估机构 METR 最新测试结果显示,前沿 AI 智能体能够独立搞定的、对标人类工时的长任务时长,大约每 3.6 个月就翻一倍,这个增长速度已经快到安全专家很难跟上节奏,很难精准判断这类长期自主运行的 AI 到底安不安全。这个指标叫时间视野,指 AI 有 50% 概率独立完成的任务,用熟练人类专家做完它要花多久来衡量,不是 AI 自己跑任务的耗时。本次测评覆盖了 GPT-6 Astra、Claude Opus 5.5 这类主流前沿模型,合并新旧两套测试集 TH1.1、TH2 测算,翻倍周期约 3.61 个月,置信区间在 2.08–4.94 个月之间。按照这个趋势简单外推,到 2027 年 7 月,AI 的时间视野有望摸到 200 小时这个测试上限。麻烦的地方在于,任务越长、中间步骤越多,AI 中途跑偏、自作主张、出现隐性风险的可能性就越高,而且长周期任务缺少及时反馈,人类很难提前预判风险,安全测试框架更新速度跟不上 AI 能力扩张速度。另外报告也提到,AI 在有明确对错校验的任务里表现不错,但在没有清晰反馈、需要综合判断的场景,判断力反而不如人类专家。
一、核心指标说明
| 项目 | 详情 |
|---|---|
| 统计机构 | METR(非营利 AI 评估组织) |
| 核心指标 | 时间视野:AI 50% 成功率独立完成任务,对应人类专家工时 |
| 翻倍周期 | 约 3.6 个月(110 天) |
| 被测模型 | GPT-6 Astra、Claude Opus 5.5 等前沿模型 |
| 测试套件 | TH1.1(旧)、TH2(新增更难任务) |
| 当前可验证上限 | TH2 可核验子集最高约 27 小时 |
二、为什么 AI 长任务时长翻倍,安全评估会变难
- 任务链条变长:长任务包含大量中间步骤、工具调用、分支选择,风险点数量成倍上涨,传统安全测试只能覆盖少量路径,很难穷举所有异常情况。
- 反馈滞后:很多长线任务要等到最后才能看到结果,中途 AI 出错、偏离目标,人类很难及时发现和叫停。
- 测评体系跟不上迭代:测评数据集、安全红队方案打磨周期很长,AI 每 3 个多月能力就翻倍,刚做好一套测试标准,AI 能力又突破了。
- 无明确反馈场景短板:长线复杂决策类任务缺少客观对错答案,AI 容易做出看似合理、实际有害的判断,专家很难识别这类隐性风险。
三、趋势推演与边界提醒
- 乐观外推:维持当前增速,2027 年 7 月可达 200 小时级任务能力,也就是能独立完成人类要花 200 小时才能做完的复杂工作。
- 不确定性:这个只是数学外推,不等于一定会实现,增速有可能放缓,也可能在部分细分任务里进一步加速。
- 能力有区分:自动核验结果的子集任务,翻倍周期甚至短到 1.65 个月,但这个子集波动更大,参考性有限;主观判断类任务 AI 依旧弱于人类。
四、行业现在的应对方向
- 拉长安全红队测试时长,专门针对多步骤、跨多天的长线自主任务做攻击测试。
- 增加中间监控卡点,在 AI 长任务执行过程中设置人工复核节点,而不是等到任务结束再验收。
- 分开评估两类能力:可核验工程类任务、开放式决策任务,不拿同一套安全标准衡量。
【相关 FAQ】
问题 1:AI 长任务可处理时长每 3.6 个月翻倍,这个时长是 AI 运行耗时吗?
回答 1:不是,AI 长任务可处理时长每 3.6 个月翻倍里的时长,是对标人类专家完成任务需要的工时,不是 AI 跑程序、执行任务本身消耗的时间。
问题 2:AI 长任务可处理时长每 3.6 个月翻倍,是不是所有 AI 模型都符合这个增速?
回答 2:这个结论来自 METR 对 GPT-6 Astra、Claude Opus 5.5 这类前沿大模型的测试,普通开源模型、行业小模型并没有达到 AI 长任务可处理时长每 3.6 个月翻倍的速度。
问题 3:AI 长任务可处理时长每 3.6 个月翻倍,为什么会让专家测不准 AI 安不安全?
回答 3:AI 长任务可处理时长每 3.6 个月翻倍,意味着 AI 能自主跑的任务链条越来越长,中间隐藏风险变多,安全测试的覆盖速度跟不上 AI 能力扩张,长线任务缺少实时反馈,专家很难提前识别隐患。
问题 4:AI 长任务可处理时长每 3.6 个月翻倍,是不是代表 AI 已经和人一样擅长复杂判断?
回答 4:不是,AI 长任务可处理时长每 3.6 个月翻倍,主要体现在可以核验结果的工程、代码类任务;在没有明确对错反馈、需要权衡取舍的场景,AI 判断力反而不如人类专家。
【参考资料】
[2026-11-21](METR:AI 时间视野每 3.6 个月翻一倍)Times of AI
[2026-11-20](METR finds AI models usually match or beat skilled humans on its coding tasks, with time horizons doubling every 3.6 months)AI.info
[2026-11-20](METR: Claude, GPT-6 Task Horizons Double Every 3.6 Months)FourWeekMBA
[2026-11-20](METR says AI time horizons double every 3.6 months and acceleration cannot be ruled out)It Does What Now?
【免责声明】
本文为 AI 资讯整理,AI 长任务可处理时长每 3.6 个月翻倍数据来自 METR 测评报告,仅为能力趋势观测,不代表所有 AI 产品真实表现;相关安全风险判断属于研究观点,不构成技术落地、采购与投资建议,模型实际风险请以厂商安全报告与独立审计结果为准。
