OpenAI 研发加速报告：AI 开始参与制造下一代 AI，这是更值得看多的变化

OpenAI 在 2026 年 9 月 6 日发布的内部研发报告，披露了一个重要进展：按其内部评估，公司已经实现“自动化研究实习生”的目标——AI 能在人类指导下，承担熟练研究人员需要数天才能完成的、定义清晰的研究任务。

在我看来，这份报告最值得重视的，不是 AI 又学会了多少技能，而是它正在改变自身的生产方式：AI 不再只是研发的产物，也开始成为生产下一代 AI 的投入。

这是我看多 AI 的一个更深层理由。我们需要评估的，不只是今天的模型能创造多少价值，还有它能以多快的速度，帮助人类创造更强的模型。

研发劳动力，开始可以通过推理预算扩张

截至 8 月中旬，OpenAI 研究组织中，使用量中位研究人员每天的推理消耗，按 API 标价折算超过 600 美元，第 90 百分位超过 7,000 美元。Agent 累计运行时间，则相当于每个人类工作日对应 3.1 个 Agent 工作日。这里的标价不是实际内部成本，运行时长也不是生产率倍数。

但这些数据揭示的方向很明确：研究人员能够调动的执行能力，正在突破个人工作时间的限制。

一个想法从提出到验证，中间有大量搭环境、改代码、排查故障、运行实验和分析结果的工作。当这些环节只能靠人完成时，研究员必须不断取舍：哪些值得亲自做，哪些只能暂时搁置。

Agent 的价值，不只是把已经决定要做的实验提前完成，更是让原本因为执行成本太高而被放弃的想法，也有机会进入验证。

原文甚至提到，一些负责帮助研究人员排查技术问题的团队，答疑需求明显下降，其中一个团队已经停止固定答疑，把精力转向其他系统改进。

这类变化没有模型跑分那么醒目，却更接近研发生产率的真实来源：研究人员少被基础设施问题打断，就能把更多注意力放在值得研究的问题上。

不必等到“完全自主”，价值就已经成立

讨论研究 Agent，容易陷入一个误区：只要还需要人类介入，就不算真正突破。

OpenAI 的数据显示，过去六个月，成功完成的、预计需要人类 4—8 小时的任务中，超过一半涉及至少一次人工干预。

但“是否干预”并不是最重要的经济指标。真正该看的是，每产生一项可信研究成果，需要消耗多少人类时间。

假设一个任务原本要研究员亲自工作一天，现在只需要设定方向、中途纠偏和最终验收，即使没有实现全自动，它依然可能释放大量生产力。人类继续掌握关键判断，与 AI 大幅扩张执行能力，并不矛盾。

因此，我不认为 AI 研发的产业价值，需要等到一个完全独立的“机器科学家”出现才开始计算。更现实、也更值得看好的路径，是人类负责方向与取舍，Agent 承担越来越多的并行探索，验证系统负责筛选和保留成果。

研发组织由此有机会从“每个人亲自推进少量实验”，转向“每个人组织更多研究活动”。

更大的机会，是让研发成果反过来改善研发能力

普通工具提升的是某个环节的效率。研究 Agent 更特殊的地方在于：它参与改进的对象，可能正是未来承担研究工作的 AI。

更强的模型，帮助研究人员实现和检验更多想法；其中有效的成果，被整合进后续模型和研究系统；下一轮研发因此获得更好的工具。

这才是 AI 长期增长逻辑中最值得重视的反馈：智能不仅创造产品，也可能提高创造智能的效率。

现有报告还没有量化完整的跨代递归加速，但它已经让这一机制有了可观察的工作基础，而不再只是抽象设想。

我的判断是，未来衡量一家 AI 公司的竞争力，不能只看它某一代模型的成绩，还要看它能否把模型能力持续转化为研究成果，再把这些成果写回下一轮研发。

领先优势可能不只是“今天模型更强”，而是“拥有一套能更快产生下一代进步的研究系统”。模型、工具、实验环境、评测体系和组织经验，将共同决定这种优势能否积累。

对算力的利好，不只是用户调用更多

这份报告还指出，随着其他研发瓶颈被削弱，算力可能成为更重要的限制因素。

这条逻辑值得认真对待。当提出方案、编写实现和排查故障变得更容易，更多研究活动就可能进入真正消耗计算资源的阶段。Agent 提案需要推理，候选方案需要实验，实验结果需要评测，整个过程还需要监控与复核。

由此看，推理不只是训练结束后的产品交付方式，也正在成为下一轮研发的投入。AI 算力的用途，不仅是服务已有能力，还包括探索尚未获得的能力。

当然，内部消耗不能直接等同于外部收入，新增实验也必须产生值得其成本的成果。但我看好的正是这条需求扩张路径：只要额外计算能够持续换来有价值的技术进步，研发本身就有动力吸收更多算力。

安全和验证也不能被省略。一个系统只有能稳定区分真实改进与虚假提升，才值得扩大投入。它们不是增长逻辑之外的附加项，而是让更多研究活动可以可靠运行的基础设施。

看多 AI，不需要假设它已经无所不能

我对这篇报告的核心判断是：AI 正在从一种需要人类不断改进的工具，变成能够帮助人类加快改进过程的工具。

这比某一次能力突破更值得关注。一次突破改变的是当前能力边界；研发方式的改变，则可能影响此后每一次突破的产生速度与成本。

因此，AI 的长期价值，不能只按照今天的能力静态外推。更应该关注的是：当越来越多研发工作可以由 AI 承担，整个行业创造下一代能力的速度，会发生怎样的变化。

我看多的，不是“AI 已经解决了一切”，而是 AI 开始参与加速解决自身的问题。这个变化，可能比眼前任何一项应用增长都更深远。