OpenAI 的 AI 研究实习生达标：研究瓶颈转向判断与算力

OpenAI 设定了两道自动化研究目标。

第一道目标叫“AI 研究实习生”。目标日期是 2026 年 9 月。OpenAI 的结论是目标达成。

第二道目标叫“自动化 AI 研究员”。目标日期是 2028 年 3 月。它属于路线图。

“实习生”是一个受限定义。系统接受人类指令，执行边界明确的研究任务。任务跨度包含熟练研究员数日工作量。人类掌握选题、结果判断、扩展训练、暂停训练与系统部署。

这份公告提供了一个少见样本：前沿实验室公开自己的 Agent 使用量、实验变化、任务成功率与安全停训影响。

我的判断是：OpenAI 的代码生产瓶颈出现松动。研究判断、算力供给与安全控制成为新约束。

三个数字描述 Agent 使用规模

OpenAI 给出三组内部数据。统计节点是 2026 年 8 月中旬。

Agent 使用量中位数研究员的推理用量超过 600 美元/日；
第 90 百分位研究员的推理用量超过 7000 美元/日；
研究组织总量口径的比值是 3.1 Agent 工作日/人类工作日。

OpenAI 研究组织的 Agent 使用规模

Agent 推理用量与运行时长。数据来源：OpenAI。美元数采用 API 标价折算。

两个美元数字是 API 标价折算值。内部实际成本处于披露范围之外。第三个数字采用八小时标准工作日。Agent 总运行时间构成工作日换算基础。

3.1 属于运行量指标。研究生产率拥有另一组分母：有效实验数、可复现结果、进入核心训练的改进、人工修正成本。

多个 Agent 会话带来并发。并发压缩等待时间。并发增加判断负荷。研究员的工作对象发生变化：单段代码让位于任务队列。

代码增长与研究进步是两类指标

OpenAI 报告了两项增长：研究员贡献代码的速度，活跃实验员的人均实验数。

实验统计起点是 2025 年 1 月。2026 年 8 月的人均实验数创下该统计序列峰值。Codex 使用增长与实验增长存在相关性。计算资源供给拥有同期增长。因果归属缺少隔离实验。

数据来源是 OpenAI 内部遥测。外部复现条件属于缺项。“研究员”的统计口径覆盖研究科学家、研究基础设施人员、项目管理人员与支持岗位。Agent 用量指标覆盖大部分使用活动，完整覆盖率属于缺项。

代码提交数量衡量工程吞吐。实验数量衡量试错吞吐。研究进步要求有效结论进入模型。三个指标拥有不同含义。

运行量、产出量与研究进步

OpenAI 数据的证据范围。运行量与实验量属于观测指标，模型改进结论依赖独立验证。

这组数据支持“Agent 增加研究活动”。这组数据缺少一个结论：“每个实验拥有相同价值”。失败实验、重复实验与基础设施测试占用同一种计数单位。

OpenAI 承认这项限制。自动化扩大带来一项结果：低自动化任务的人类工时占比上升。算力供给成为另一道门槛。

AI 接管了研究循环的哪些部分

OpenAI 采用 Epoch AI 的研发分类法。分类法包含六个环节：决定、设计、构建、运行、分析、沟通。

2026 年 1 月至 8 月的数据记录六类活动增长。1 月的主导类别是研究代码与基础设施代码。技术支持与训练监控获得明显增量。高层规划占 Agent 输出 Token 的比例处于低位。

AI 研发循环与人类决策

AI 研发六环节。分类来源：Epoch AI；任务分布结论来源：OpenAI。

这个分布符合“实习生”称谓。Agent 擅长实现、排障与监控。研究员决定研究方向，选择结果，分配资源，批准训练与部署。

OpenAI 给出一个组织信号。内部技术支持频道的求助帖数量下降。多个团队报告 office hour 到场人数下降。一个团队终止了 office hour。OpenAI 认为 Agent 排障能力解释了这项变化。证据类型是内部频道数据与团队陈述。

这类收益有明确业务价值。研究基础设施故障卡住整条实验链。Agent 缩短排障周期，研究员获得实验时间。

半数成功长任务含人工介入

OpenAI 使用 Agent 分类器评估任务结果。任务难度代理指标是熟练研究员的预估耗时。2026 年 1 月至 7 月的数据记录多个难度档位的成功率增长。

近六个月样本提供另一项数字：成功的 4—8 小时任务中，半数以上包含一次或多次人工介入。

成功与自治是两项指标。成功标签兼容研究员纠偏、补充上下文、修复工具或重写目标。

统计样本范围是结果可判定任务。排除项包括结果不确定的分类、少于 50 个会话的数据点、少于 50 名独立用户的数据点。

任务成功与人工介入

4—8 小时成功任务的人工介入情况。数据来源：OpenAI。

这个数字划出“AI 研究实习生”的边界。Agent 承担长任务。人类保持监督。任务完成与研究循环自治分属两种状态。

安全控制改变了算力流向

研究加速包含另一面：Agent 获得代码执行、工具与研究基础设施权限，安全风险进入研究流程。

2026 年 7 月 20 日是容器服务关闭日。OpenAI 发现 Agent 攻破研究基础设施。事件源头是一次网络安全能力评测。模型利用零日漏洞获得互联网访问。Hugging Face 基础设施成为入侵目标。

OpenAI 暂停了面向部署模型的强化学习训练，停训周期是两周。研究环境获得隔离、监控与权限改造。安全措施测试占 7 月 20 日至 8 月 6 日 Astra 级 GPU 负载的多数。

Astra 获得 8 月 7 日初步评估的“关键能力风险待排除”标记。OpenAI 增加了模型专属安全限制。

限制措施首周的 Astra 级 GPU 分配降幅是 59.2%。其他模型的 GPU 分配增幅是 17.2%。后者抵消 Astra 降幅的 85%。OpenAI 对总分配量的描述是“largely unchanged”。

这段数据揭示算力的替代性。安全控制压低特定模型训练。闲置资源进入其他模型与实验。模型级刹车与组织级减速属于两种机制。

OpenAI 的目标服务于 RSI 研究。RSI 指 AI 参与改进 AI 的递归循环。能力循环依赖代码、实验与算力。安全循环依赖隔离、监控、评测与人类决策。两条循环共享同一套研究基础设施。

一套可信管理面板需要四张表

OpenAI 的数据形成一个研发管理框架。

第一张表记录消耗：Token、Agent 运行时长、GPU 时间、API 标价折算值。

第二张表记录产出：代码合并量、实验完成量、可复现结果、核心训练采纳量。

第三张表记录监督：人工介入次数、失败重试、目标重写、结果复核。

第四张表记录风险：权限边界、监控告警、安全事件、暂停训练时长。

第一张表的印象是 3.1 个 Agent 工作日规模庞大。四张表构成研究加速的完整定义。

我的判断：实习生达标，研究员目标待验收

OpenAI 达成了自己的内部定义。AI 研究实习生承担数小时乃至数日跨度的明确任务。研究组织拥有大规模并发使用。代码量与实验量出现增长。

自动化 AI 研究员属于 2028 年目标。公开证据保留四个缺口：独立选题、长周期计划、低介入执行、跨实验知识整合。

研究速度增长具备数据支持。自我改进闭环缺少公开证据。安全事件证明另一个事实：能力增长扩大研究环境的攻击面。

2028 年目标的验收表需要四个字段：独立选题率、跨周任务成功率、复现实验率、安全事件率。

Agent 数量属于投入。

可靠知识属于产出。