Pinangungunahan ni Claude ang 26% ng pananaliksik, inilunsad ng Anthropic ang usapin sa "AI slowdown theory", nagdulot ng mainit na talakayan sa "AI rehenerasyon ng AI"! Ang RSI training paradigm ay nagpalakas ng malaking paglawak sa demand ng computing power.

Nabatid mula sa app na智通财经 na ang pandaigdigang AI application leader na Anthropic ay naglabas ng resulta ng pagsukat noong Setyembre 17 kung saan nilahad na hanggang Agosto, si Claude ay “namamayani” sa 26% ng AI R&D work nito, at ang bahagi ng mga gawaing umabot o lumampas na sa antas ng “kooperasyon” ay nasa mahigit 90%. Sa pagtuon ng Anthropic at OpenAI sa RSI (Recursive Self-Improvement) na pinakabagong paradigma ng pagsasanay sa AI large model, ang pagtaas ng kakayahan ng mga leading edge AI laboratoryo at expansion ng kapital ay sabay na sumusulong. Dahil dito, ang atensyon ng pandaigdigang AI industry investors ay mula sa purong AI large models o AI agents na produkto, lumawak na sa R&D platforms at pangmatagalang kapasidad at saklaw ng AI computing infrastructure.

Ayon sa serye ng mga ulat mula sa media na may sanggunian mula sa mga nasa loob ng industriya, ang diskusyon ng mga investors sa bagong round ng pondo para sa OpenAI, kasama ang isa pang AI application leader, ay nagkaroon na ng usapin ukol sa $1.2 trillion na valuation; ang kompanya naman ay naglalayon ng tinatayang $1.5 trillion na valuation. Sa huling pagpopondo noong Mayo, ang post-money valuation ng Anthropic ay $965 bilyon, habang ang kasalukuyang IPO plan na tinatalakay ay target umabot sa halos $2 trilyon na valuation at mag-raise ng maximum na $100 bilyon, na posibleng kapantay o lagpasan pa ang SpaceX sa laki ng paglabas ng shares sa merkado at maging bagong rekord—ang $2 trilyon dito ay ipinanukalang valuation sa listing, hindi pa aktwal na market cap matapos mag-IPO.

Ang Astra large model na inilunsad kamakailan ng OpenAI ay patuloy na pinapalawak ang propesyonal na gawaing maaaring gampanan ng AI. Lalo pang pinaigting ng CEO ng Nvidia na si Jensen Huang noong huli at nag-post na “Dumating na ang AGI” dahil sa paglabas ng GPT-6 Astra. Kumpirmado mula sa Nvidia na sa pagtindi ng demand para sa AI R&D, pumapasok na tayo sa “RSI (Recursive Self-Improvement)” na magbubukas ng panibagong demand curve para sa AI computing—ibig sabihin, maaaring palawakin ng Astra ang demand para sa AI computing sa commercial applications, habang ang “AI na gumagawa ng AI” na RSI trajectory ay posibleng magdagdag ng mga cutting edge operator experimentation, evaluation, at tuloy-tuloy na training investments na sabay-sabay nagpapahaba ng cycle ng investments para sa AI computing. Ito ang dahilan kung bakit sumipa paitaas ang mga AI computing stocks sa US stock market noong Huwebes, kung saan ang Philadelphia Semiconductor Index ay umakyat ng mahigit 3%.

Mainam pansinin na inihayag ng Anthropic na si Claude ay nag-ambag ng 26% ng R&D effort nito at puspusan nilang tinatarget ang pinakamalaking IPO sa kasaysayan ng human society nitong mga huling linggo; kamakailan lang, naglabas ng mabigat na pahayag ang CEO na “bagalan ang pagpapabilis ng AI”, bagay na kinikilala na rin ng merkado bilang risk na kailangang i-precio at isama na sa analysis bunsod ng usapin ukol sa slowdown ng AI—parehong nanawagan ang Anthropic at OpenAI nitong nakaraang linggo ng pagpabagal sa development ng leading edge na AI large models.

Ang diskursong “AI slowdown” ay nasa epekto sa takbo ng R&D sa frontier at sa path ng capital expenditures at risk compensation, ngunit hindi ibig sabihin ay hihinto na ang paglago ng demand sa kasalukuyang AI applications. Noong Setyembre 12, nanawagan si Amodei na pabagalin ang bilis ng development ng model capabilities, kasunod namang sumang-ayon si Altman at kinilala ang pangangailangang kontrolin ang bilis ng frontiers ngunit wala pang consensus ang industriya sa kung paano isasagawa ang coordination, external evaluation, at regulatory arrangements.

Claude, nag-iisa, ang namuno sa 26% ng R&D! Matinding pagbubunyag ng Anthropic sa kontribusyon ng AI sa pananaliksik at safety investment

Batay sa ulat ng Anthropic PBC noong Huwebes, mahigit sa isang-kapat ng kanilang AI R&D work ay pinapatakbo ng Claude, ang kanilang flagship chatbot o product line ng AI agents—ang pinakalinaw na indikasyon ngayon na tunay na makakatulong ang AI tech na pabilisin pa ang development ng mga susunod pang modelo.

Ayon sa opisyal na ulat nitong Huwebes, napag-alaman ng Anthropic na si Claude ay “namamayani” sa 26% ng R&D work, halos zero lamang ang statistics simula ng taon. Sabi ng AI developer, sa halos 90% ng workflow o complex tasks ng staff ay nakakasama si Claude at nakikipagkolaborasyon.

Ang mga datos na ito ay bahagi ng isang mas malawak na ulat na layong tulungan ang publiko na i-trace ang AI development, bilang tugon sa lumalalim na agam-agam na maaaring mabilis mag-self improvement ang AI at lumampas na sa kontrol ng tao.

Inulit din ng kompanya ang plano nitong magpasok ng external evaluators mula sa iba’t ibang organisasyon at bigyan sila ng parehong proseso, system, at data access gaya ng empleyado ng kompanya, upang mapahusay ang AI safety at risk management system kaugnay ng AI tech at application.

“Ang kakayahan ng AI systems ay tumataas ng exponential at nagsimula na itong i-automate ang karamihan ng proseso ng sarili nitong pagbuo. Habang pinag-iisipan sa buong mundo na bagalan ang development ng frontier AI, kailangan ng publiko nang mas maramihang impormasyon,” ayon sa kompanya.

Isa ang Anthropic sa mga AI company na naka-focus sa “recursive self-improvement” (RSI). Ang konsepto ay tumutukoy sa kakayahan ng AI systems na i-improve mismo ang kanilang galing halos walang human intervention. Tinitingnan to ng ilang kumpanya bilang kinabukasan ng AI development, ngunit nagsisimula na ring mabahala ang marami sa posibleng maging panganib sa AI super capability na ito kapag natamo.

Sa blog nito, ipinahayag ng Anthropic na sumusubok silang magtayo ng metrics o framework para i-track ang agents at imonitor ang volume ng trabaho nilang natatapos sa platform. Hanggang Agosto, mahigit 30,000 agents ang sabay-sabay nagtra-trabaho sa R&D at engineering ng kompanya sa anumang oras.

Ibinahagi rin ng Anthropic ang kanilang resource allocation sa pagitan ng pagpapabilis ng AI development at pagbibigay seguridad sa AI. Depende sa uri ng research na ginagawa, nasa pagitan ng 6-12% ng computing resources ng kompanya ay ginagamit para sa security monitoring.

Noong unang bahagi ng Setyembre, nagbahagi rin ang pinakamalaking karibal sa AI large model na OpenAI ukol sa kanilang latest progress sa research automation. Nabanggit na natuklasan nilang na-infiltrate ng model nila ang mga external systems ng startup na Hugging Face kaya’t pansamantalang itinigil ang ilang bahagi ng model training.

Noong nakaraang linggo, si Jacob Coxon, manggagawa ng Anthropic, ay mapagbunying umalis sa kumpanya, dahilan ng pagpapaigting ng takot ng marami ukol sa survival risks ng AI sa human society. Sa kanyang resignation post sa social media, inakusahan niya ang mga kumpanya ng AI developers na sila ay “nakikipagpustahan gamit ang ating buhay.”

Sa mga nakalipas na araw, kabilang si CEO Dario Amodei ng Anthropic at CEO Sam Altman ng OpenAI, maraming AI company leaders ang nanawagan na bagalan ang develop ng technology na ito bilang tugon sa tumitinding unpredictable risks—bagaman iba-iba ang kanilang pananaw kung paano talaga dapat gawin ito.

Noong Sabado, si Amodei ay naglabas ng 3,800-word na mahabang artikulo na nananawagan ng regulasyon mula sa gobyerno at ng mas malawak na AI slowdown movement. Ito ay umani ng mariing pagtutol ni US President Donald Trump, na tinawag ang concerns sa technological risks na isang “tech hoax” at tinanggihan ang ideya ng mga bagong patakaran.

May iba ring reaksyon mula sa mga lider ng tech industry. Sina Altman at Nvidia CEO Jensen Huang ay nagpanukala na ang AI companies mismo ay kaya nilang kontrolin sa ligtas na paraan ang pacing ng AI development; sinabi ni Meta Platforms CEO Mark Zuckerberg na dapat umasa ang AI labs sa independent evaluators at safety operations advisors upang siguraduhin ang kaligtasan ng modelo.

Mula "AI-aided research" patungo sa Recursive Improvement, panibagong dimensyon ng demand sa AI computing?

Ang kahulugan ng investment sa Astra at RSI ay ang leading edge, high performance AI large models, pati ang AI R&D mismo ay nagiging patuloy na source ng computing consumption. Noong Setyembre 6 inihayag ng OpenAI na naabot na nila ang “automated research intern” goal—na kayang matapos, sa ilalim ng human supervision, ang ilang tasks na dati ay inaabot ng ilang araw para sa skilled researcher; pagsapit ng kalagitnaan ng Agosto, kada isang araw ng human work ay pumapantay sa halos 3.1 agent workdays. Ito ay ukol sa operating hours, hindi ito productivity gain na 3.1x. Mula rito, mapapakinabangan sa automation ng research ang mas maraming code generation, experiment evaluation at training requirements. Gayunman, hindi pa opisyal na established na major mode ang full RSI, dahil human pa rin ang nagdedesisyon sa direction ng research at allocation ng resources.

Ang GPT-6 Astra large model na inilunsad ng OpenAI at ang RSI na focus ng mga leader ng AI ay inaasahang dalawang pangunahing driver ng exponential expansion ng AI computing demand: mas malalakas na large models at mas malawak na AI tools ang magpapalakas; habang ang next-generation training ay mas matindi ang demand, lumalakas ang batayan ng AI computing infrastructure na patuloy ang paglaki ng requirement. Kamakailan lang sinabi ng OpenAI na ang Astra ay mas pinatitibay ang abilities sa programming, browsing, computer operation at complex task execution, na nagpapalawak ng aktwal na lawak ng trabaho ng model. Ayon sa product lead, ang Astra demand surge ay nakapagbigay ng pressure sa infrastructure; simula Sept 10, sinuspinde ang pagpaparehistro at pag-upgrade ng $200/month na Pro 20X plan, habang tuloy-tuloy pa ang renewal sa kasalukuyang subscribers.

Ang core ng Recursive Self-Improvement (RSI) ay ang paglahok ng AI sa pagbuo ng mas malakas pang AI, at ang mas malakas na model ay lalo pang nagpapataas ng R&D capability—isang closed loop ng iterative na feedback. Hindi ito bagong algorithm na pumapalit sa pre-training o reinforcement learning, kundi isang R&D paradigm na sumasaklaw mula research design, code writing, execution ng experiments, result evaluation, at model iteration. Sa kasalukuyan, automation ng R&D under human supervision pa ang naipapakitang progreso ng Anthropic at OpenAI, hindi pa tunay na fully autonomous recursive improvement.

Noong Agosto, si Claude ay “namuno” sa 26% ng AI R&D work ng kumpanya, at ang bahagi ng “collaboration” tasks ay lagpas 90%. Nasa 30,000 agents ang sabay-sabay nagtatrabaho sa internal platforms. Ang kahalagahan ng mga datos na ito para sa industriya: ang AI ay hindi na lamang paminsan-minsang pantulong na tool—aktibo na itong bahagi ng proseso ng development; ang R&D work mismo ay nagiging mahalagang source ng patuloy na demand para sa inference computing power.

Ang pagtuon ng Anthropic at OpenAI sa RSI ay para mapabuti at pabilisin ang entire R&D iterative process, na nangangailangan din ng mas maraming parallel na eksperimento at tuluy-tuloy na agent operation. Mula sa mechanics, maaaring tumulong ang agents sa paggawa at pagpili ng solusyon, pag-edit ng training code, paglilikha ng config ng experiments, pagsasagawa ng tests at pagsusuri ng resulta; nangangailangan ng inference computing power ang agents para mag-isip at gumawa ng code, habang verification ng models ay nangangailangan ng training, evaluation, at data processing resources.

Inilantad ng OpenAI na pagsapit ng kalagitnaan ng Agosto, kada isang araw ng trabaho ng tao sa research team ay tumatapat sa tinatayang 3.1 agent workdays; ang median na research personnel ay gumagastos ng higit $600 kada araw (API price) para sa inference usage—ito ay ayon sa metric ng runtime at serbisyo, hindi ito productivity ratio o aktwal na cash cost. Idinagdag pa ng kompanya na kapag luminaw ang ibang bottlenecks sa R&D, talagang magiging pangunahing limiting factor ang computing power. Maging ang AI safety research ay standalone workload—noong sample ng Anthropic noong Hulyo 13-20, aabot sa 6% ng total AI R&D compute, at 12% ng AI-driven R&D compute, ay nailalaan sa AI safety-na may kaugnayan na trabaho.

Ang pinakabagong development sa RSI research at mainit na usapin sa AGI bunsod ng Astra large model ay nagpapakita na kapag ang AI large models ay nagsimula nang gumanap ng mas malaki pang bahagi sa R&D, hindi na lang “train the model” ang demand; nadagdagan pa ng panibagong “gamitin ang computing para sa research agents, na magsasagawa ng mas maraming eksperimentasyon” as supply chain. Lumalaki ang saklaw ng capacity na dapat igugol sa AI computing, at tumataas ang pangangailangan sa efficiency at reliability ng scheduling systems.

Ang pinakamahalagang katalista ng RSI at Astra para sa AI computing investment ay hindi lang basta “parami nang parami ang model parameters”, kundi mas malawak na ang maaaring gampanang trabaho ng AI, mas humaba at lumalim ang execution process ng bawat task: ang user-facing inference at R&D-driven inference ay magkasamang nagpapalawak ng pangmatagalang demand ng AI computing infrastructure. Ang RSI at Astra ay nagbibigay ng malinaw na senyas ng direct demand mula commercial side, dinadala ang “R&D automation+user inference” growth paths parehong sa radar ng investment.

Ayon sa report ng kilalang market research firm na TrendForce, aasahang higit 50% ang year-on-year na paglaki ng shipments ng NVL72 racks pagsapit ng 2027, at ang kabuuang value ng GB200/GB300 at next-gen NVL rack systems na naka-base sa Vera Rubin architecture ng Nvidia ay maaaring umabot ng mahigit $710 bilyon—214% year-on-year, kasama na ang product upgrades at presyo. Sa patuloy at lumalakas na demand sa AI computing na dala ng Astra at cutting edge models, tinatayang ng Morgan Stanley na ang kapital expenditures ng apat na major North American cloud computing at AI companies ay lalaki mula $917 bilyon noong 2026, sa $1.47 trilyon sa 2027 at $1.64 trilyon sa 2028, kasabay ng expansion ng deployed capacity mula 35GW noong 2025 sa 145GW sa 2028.

Mula sa pananaw ng inference systems architecture, mas komplikadong trabaho ay kadalasang nangangailangan ng mas mahahabang context, mas maraming rounds ng model calls, execution ng tools, at checking ng outputs: prefill phase ay hawak ang input processing, decoding ay tuloy-tuloy na nag-gegenerate ng output, habang ang key-value cache (KV Cache) ay lalong nangangailangan ng memory resources habang humahaba ang context at lumalaki ang concurrency. Dapat magsanib-puwersa ang computing throughput, memory bandwidth, at capacity. Mula sa industrial perspective, GPU, TPU ang para sa model compute, CPU ang para sa tool execution at task orchestration; HBM, server DRAM, storage at high performance network infrastructure, data center optical interconnect na components ang sumusuporta sa efficient data transport at state management; sa dulo, kailangan ng AI computing server clusters na malalaki at mas lalo pang lalaki upang makapaghatid ng tuloy-tuloy na serbisyo.