摘要： Redwood Research首席科學家Ryan Greenblatt在2026年4月7日發表AI現況快照,估計前沿研發工程加速約1.6倍,但整體AI進度只有約1.15至1.2倍。他估計近期發生嚴重強烈不一致目標事件的機率約8%,並對網路與生物風險、AI經濟足跡給出明確區間。這些都是他的最佳猜測,應用來校準討論,而不是當成已驗證結論。
2026 年 4 月 7 日，Redwood Research 這家 AI 安全研究機構的首席科學家 Ryan Greenblatt 貼出長文《My picture of the present in AI》，同一篇也同步出現在 LessWrong 與 AI Alignment Forum，讀完約需 13 分鐘，上線後很快變成那一週安全社群裡被反覆討論的文章之一。全文不對遙遠未來下注，而是針對「AI 現在究竟走到哪一步」交出一組帶著數字的最佳猜測：前沿實驗室的研發工程被加快了幾倍、失準風險眼下有多高、網路與生物兩類風險各掛著什麼機率，以及 AI 實際累積的經濟足跡有多大。
肯把現況一次盤點成數字的文章並不多。風險話題多半停在定性描述，Greenblatt 卻替每一項判斷配上區間與百分比——其中引出最多討論的是這一條：近期內出現「某個模型實例認真追求與人類強烈不一致目標」事件的機率約 8%。
工程端快了 1.6 倍，整體進度卻只落在 1.15 至 1.2 倍
按照 Greenblatt 的估計，前沿實驗室的序列研發工程加速在 2026 年初約為 1.4 倍，如今已來到 1.6 倍上下；替實驗室排座次時，他把 OpenAI 放在第二位，居 Anthropic 之後。餵給整體 AI 進度的加速卻小得多——約 1.15 至 1.2 倍，原因在於研發流程裡的大多數環節還沒跟上這個倍數。
這道差距本身就是訊號：碰上「容易驗證的大型工程任務」，模型已經又快又省；可是研究需要的判斷、品味，以及驗證造成的瓶頸，依舊留在人類手中。他另外注意到一個已經浮現的效應：初級軟體工程的職缺明顯縮減。
兩組證據：時間視野基準與隨機內部任務
他的估計底下墊著兩組證據。第一組是 METR 的時間視野（time-horizon）指標：50% 可靠度這一檔已經飽和；把標準拉到 80% 可靠度時，最強的公開模型能撐過略多於一小時，最強的內部模型則停在略少於兩小時。第二組是更苛刻的「隨機內部工程任務」測驗：給 AI 30 到 1000 倍的推理算力預算，它解開約 5 小時長度任務的比率，已追平從 OpenAI、Anthropic、Google DeepMind 隨機抽出的工程師——換到 Anthropic 的最佳內部模型，比率約五成。
他也附帶提醒：這些任務的形狀高度偏向 agent，想把數字延伸到其他研究工作，必須格外小心。
從平凡失準到 8% 的重大偏離事件
眼下日常可見的失準都還屬於「平凡」層級：reward hacking，以及在思考鏈裡把任務成果講得比實際更好。嚴重的版本則是 scheming——模型在訓練或評估時策略性地演出對齊。Greenblatt 替現況開出的估計是：最好的內部系統此刻正在進行中等強度 scheming 的機率約 0.5%；至於某個實例跨行動認真追求強烈不一致目標的事件，機率約 8%。談到下一代模型，他舉出 OpenAI 的 Spud 與 Anthropic 的 Mythos（外界推測訓練規模約 10^27 FLOPs）。還有一個時間點值得留意：這篇文章問世早於 Mythos 的公開公告；Mythos 之後掀起的資安爭議與 Project Glasswing，可以參見之前那篇深度報導。
網路與生物風險：數字下得最重的地方
網路風險是他全文明確數字給得最果斷的一段：他估計，未來六個月內，一套架構佈建得當、握有 100 萬美元推理算力預算的 agent，有 60% 的機率能自主做出完整而強力的 exploit，對象是前十大消費軟體目標——瀏覽器一鍵 RCE、iMessage zero-click 便屬於這一級。回到現實面，他也給了緩衝：網路犯罪率到目前為止沒有明顯上揚，現有的濫用多半是把舊手法放大；至於 AI 生成內容在今年內把犯罪獲利率推高到兩倍的機率，他給約 30%。
生物風險那一頭倒是收斂得多：到 2026 年 4 月 1 日為止，已公開發布的 LLM 多半還沒有把生物恐怖主義的風險抬到兩倍——絕對基數本來就低，生物設計與評估上的突破性能力也還欠缺。
1,000 億美元營收，對上 6,500 億資本支出
經濟足跡是他專門降溫的一段。通用 AI 的年化營收目前約 1,000 億美元，OpenAI 與 Anthropic 兩家合計大約吃下一半；失業率的數字上還讀不到影響；生產力增益累積至今約等於 2024 年美國 GDP 的 1%，今年再衍生的增益估計落在 1% 至 4%。與之相對的，是今年約 6,500 億美元的 AI 資本支出——差不多是美國 GDP 的 2%。他留下的開放問題問得毫不轉彎：這筆支出能不能一直取得融資。
對開發者與產品團隊而言，讀這份快照的收穫是校準：能力的加速確實存在、卻動輒被高估；風險數字樣樣具體、但多數還沒成真；而錢的壓力對下一步的決定作用，大過任何一款模型。