这项研究由普林斯顿大学的 Peter Kirgis 与 Sayash Kapoor 等多机构研究者共同完成。他们发现，AI 智能体（agent）已经能够解决从事 AI 研究所必需的工程问题，却缺乏进行判断与创造的开放性思维能力——而这恰恰可能是构建自我改进型 AI 的关键。

此前关于智能体自动化 AI 研究的能力评估，大多聚焦于有明确答案的窄任务，例如解决工程问题，或对照基准对小型语言模型进行后期训练。但推进 AI 研究还需要开放性思考：选定一组假设、判断什么证据足以回答一个问题，以及在必要时从头开始。

为测试智能体在这类能力上的表现，研究者提出了一种名为“影子评估”（shadow evaluation）的方法：让 AI 回答两篇尚未公开的高质量论文中的研究问题。他们使用 Anthropic 的 Claude Opus 4.8，在名为 OpenClaw 的开源软件上运行，要求智能体在六天时间、3000 美元 Anthropic API 额度、一定 GPU 预算、独立虚拟机与开放网络的条件下，产出一篇达到顶级 AI 会议发表水平的论文。这两篇论文均投稿至知名机器学习会议 NeurIPS 2026，其原作者按会议评审标准对智能体的成果进行了评判。

结果显示，智能体具备完成研究所需的所有工程能力：它们查阅文献、运行数百次实验并汇总结果。但两位原作者均拒稿。Kapoor 表示，智能体在真正“做研究”这一环节表现明确地糟糕——它们进行了奇怪的实验（有时用极小的合成数据集检验假设），难以清晰地阐述工作，也没有对所在领域做出新颖贡献。

造成这一落差的原因，可能与模型的训练方式有关。Kapoor 指出，模型在强化学习这种可以自动打分的训练机制下，会擅长任何能够被反复量化的任务；而当任务本身是开放性的，就很难构造对应的训练环境。这也解释了为何智能体在工程执行上表现出色，在需要判断的开放研究上进展缓慢。

这一发现对行业内关于递归式自我改进的乐观时间表提出了质疑。今年 6 月，Anthropic 发布题为《当 AI 构建自身》的博客，描绘其迈向加速自身研发的进展；7 月，OpenAI 宣传其新模型 GPT-5.6 Sol 参与了更小模型的后期训练，为研究者节省数周工作。Anthropic 联合创始人 Jack Clark 在其 Import AI 通讯中也写道，当前 AI 系统缺乏“有价值的、直觉式的创造力”，更像是按固定套路思考，这对短期内实现递归式自我改进是一个偏空的信号。

研究也存在局限：仅覆盖两篇论文，且原作者知道所评审的是 AI 生成的成果，可能影响评判。但结论仍提示，代码量的快速增长并不能直接等同于研究的自动化，更不意味着智能的爆发式跃迁近在咫尺。