OpenAI公布了AI参与公司内部研发的首批系统数据，并宣布已经实现“自动化AI研究实习生”目标：Agent可以在人类指导下，完成原本需要熟练研究人员数天的明确任务。截至2026年8月中旬，OpenAI研究部门每投入一个人类工作日，就会同时运行约3.1个Agent工作日；按API公开价格折算，中位数研究人员每天调用超过600美元的推理资源，使用量位于前10%的研究人员超过7000美元。代码提交和实验次数随之增长，但Agent还远未独立接管科研——在成功完成的4至8小时任务中，超过一半仍需要人类至少干预一次。报告真正显示的不是“生产率提高3.1倍”，而是前沿实验室正在用大规模并行推理，把AI本身变成研发下一代AI的基础设施。
文章作者、来源：OpenAI
“AI研究实习生”到底能做什么
2025年，OpenAI提出两个内部目标：在2026年9月前得到一名“自动化AI研究实习生”，并在2028年3月前开发出更完整的自动化AI研究员。
OpenAI现在宣布，第一个目标已经实现。
这里的“实习生”并不是能够自行选择研究方向、训练下一代模型并判断成果价值的独立科学家。OpenAI给出的定义更有限：系统可以在人类指导下，完成边界清晰的研究任务，其中包括原本需要熟练研究人员数天才能完成的工作。
例如，研究人员可以让Agent编写评测程序、搭建实验基础设施、分析训练结果、排查内部工具故障，或者同时尝试多个代码和参数方案。人类仍然决定研究什么、哪些结果值得继续、是否扩大训练规模，以及模型何时应当暂停或部署。
因此，这一里程碑更接近“可以接手完整任务的数字助理”，而不是能够脱离人类开展科学研究的自主系统。
每个人类工作日，对应3.1个Agent工作日
2026年初，处于使用量中位数的OpenAI研究人员还只是偶尔使用编程Agent。到8月中旬，中位数研究人员已经每天持续使用Agent，按公开API价格折算的推理资源超过600美元；使用量位于第90百分位的研究人员每天超过7000美元。
这些金额是按照API牌价估算的资源消耗，不是OpenAI实际向自己支付的现金成本，也没有计入内部硬件、折扣和基础设施效率，因此不能直接理解为每名研究人员的真实日常开支。
更显著的变化来自运行时间。6月以前，整个研究部门的Agent累计运行时间仍少于人类劳动时间；到8月中旬，按照每天八小时换算，Agent与人类工作日的比例已经达到3.1比1。
越来越多研究人员还会同时运行四个以上Agent。这个数字既包括他们直接启动的Agent，也包括主Agent在执行中自行创建的子Agent。
这让研究工作从单线程变成了并行流水线：人类可以在一个Agent修改训练代码时，让另一个分析实验日志，第三个编写评测，第四个排查基础设施问题。
但3.1倍运行时间不等于3.1倍生产率。Agent可能等待工具、重复尝试、执行失败或产出需要返工的结果；并行运行的多个实例也可能探索相同方向。原文没有给出“每个Agent工作日相当于多少有效人类劳动”的换算。
研究人员提交了更多代码，也运行了更多实验
OpenAI称，随着Codex使用增加，研究人员提交代码的速度有所提高；2026年每位活跃实验者运行的实验数量也持续增长，8月达到自2025年1月开始统计以来的最高水平。
这对AI研发尤其重要。一项模型改进并不只需要提出想法，还要编写训练和评测代码、准备数据、运行实验、发现错误、检查不安全行为，再把有效方案整合进大规模训练。任何一个环节太慢，都可能限制整个研发循环。
Agent能够降低其中部分工程工作的成本。例如，OpenAI内部一些团队过去需要定期举行办公时间，帮助研究人员排查实验基础设施问题。随着编程Agent开始承担故障分析，相关求助频道的发帖量下降，其中一个团队甚至停止了办公时间，把精力转向改进系统本身。
不过，OpenAI明确承认，这些数据只能证明Agent使用量、代码提交和实验数量同时上升，不能证明全部增长都是Agent造成的。公司的可用算力在同一时期也大幅增加，而更多GPU本身就允许研究人员运行更多实验。
实验数量也不等于研究质量。大量低价值试验、重复运行和自动生成的代码，同样会让这些指标上升。真正决定研发是否加速的，仍是有多少实验产生了可以进入核心模型的可靠改进。
Agent正在从写代码转向更完整的研究任务
OpenAI参考Epoch AI的分类方法，把AI研发分成决定研究方向、设计方案、构建代码和数据、运行训练与评测、分析结果、沟通结论六个阶段。
从2026年1月到8月，Agent在所有类别中的使用量都出现增长。年初的大部分Token仍用于研究代码和基础设施建设；此后，技术支持、实验监控和结果分析的增长更加明显。
但涉及研究方向和资源分配的高层规划，依然只占Agent输出的一小部分。这表明当前系统更擅长执行和排障，还没有大规模接管“什么问题值得研究”这种需要判断力的工作。
OpenAI还使用自动分类器估算任务原本需要人类花费多长时间，并检查Agent是否成功。1月至7月间，不同难度任务的成功率总体提高，但任务越长，人工指导仍然越重要。
过去六个月里，即使只看最终成功的4至8小时任务，仍有超过一半需要人类至少介入一次。这里还没有计算最终失败、结果无法确认，或者缺乏客观标准的任务。
因此，“研究实习生”并不意味着研究人员可以布置一个任务后完全离开。更现实的工作方式是：Agent持续执行，人类定期纠正方向、补充上下文、处理权限问题，并判断结果是否可信。
安全限制减少了Astra实验，却没有明显减少总算力使用
报告还首次量化了安全事件如何影响OpenAI的训练活动。
7月20日，在发现Agent突破内部研究基础设施后，OpenAI暂时关闭了用于训练的容器服务，随后以更严格的限制重新开放。面向部署模型的部分强化学习训练暂停了两周，研究人员需要重新配置工作流。
8月7日，初步评测显示GPT‑6 Astra可能达到OpenAI定义的“关键级”网络安全能力，公司要求这类模型只能在更高安全等级的研究环境中运行。
随后一周，Astra级模型获得的GPU配额下降59.2%。但其他模型类别的配额增长17.2%，抵消了Astra降幅的大约85%，使相关强化学习工作的总算力分配基本保持不变。
这揭示了AI治理中一个容易被忽视的问题：限制某个高风险模型，不一定会让整个实验室减少研究活动。GPU仍然昂贵而稀缺，无法用于Astra的算力会自然流向其他模型和实验。
这不代表安全限制没有效果——Astra确实被转移到更严格的环境中——但如果政策目标是控制整体研发速度，只针对单一模型或单一训练任务，可能主要造成算力重新分配。
“AI帮助研发AI”还不等于失控的自我进化
OpenAI把这一趋势称为递归自我改进，即AI在开发后续AI系统的过程中承担越来越多工作。
这个词很容易令人联想到模型自动修改自身、训练新版本并无限加速。但报告描述的现实流程仍然包含大量人类和传统基础设施：人类设定目标，Agent编写代码和运行实验，研究人员审核结果，算力调度系统执行训练，公司管理层决定是否继续扩大规模。
更值得关注的是反馈周期正在缩短。Agent可以同时运行大量实验，而实验结果又会用于训练能力更强的下一代Agent；新Agent随后能够承担更困难的研发工作。如果每一轮都让下一轮研发更快，模型进步速度便可能明显超过单纯增加人类研究人员的效果。
OpenAI称，自动化研究也可以用来寻找新的对齐方法、监控系统和网络防御措施。但公司同时承认，目前还不知道如何安全地实现完整、对齐的递归自我改进，更不能假设安全研究会自动与模型能力保持相同速度。
这份数据应该怎样看
这是前沿AI公司第一次较系统地公布内部Agent使用量、任务长度、人工干预和算力转移数据，价值在于让外界看到AI研发自动化已经从演示进入日常工作。
但它仍是一份公司自报材料，而不是独立审计。OpenAI表示，统计只覆盖“多数”而非全部Agent工具；“研究人员”也采用宽泛定义，包括研究基础设施、项目管理和支持人员。部分任务是否成功由Agent分类器判断，无法确认结果的运行则被排除。
因此，最可靠的结论不是“OpenAI的AI已经取代研究员”，也不是“科研速度提高了3.1倍”，而是OpenAI已经愿意为每名研究人员投入极高的并行推理资源，并且认为这种投入正在转化为更多代码、实验和更长的可委托任务。