OpenAI公开内部数据：AI Agent工作量达人类3.1倍，研究效率拐点已现

昨天，OpenAI 正式发布了一组内部数据，展示了 AI 模型如何加速其内部研究工作。

简单说：现在一个 OpenAI 研究员背后，平均活跃着超过 3 个 AI Agent。这不再是概念设想，而是正在发生的现实。

下面用通俗的方式把这组数据背后的意义讲清楚。

1 个人类工作日 = 3.1 个 AI 工作日

OpenAI 以标准 8 小时工作日为基准计算。截至 2026 年 8 月中旬，其研究组织里每 1 个工作日的人类劳动，对应着 3.1 个 Agentic 工作日的 AI 努力。

过去，AI 主要是工具，帮人写几行代码、查查资料。但如今 AI 已经大规模参与到研究流程的各个环节，总工作量反超了人类研究员本身。

更直观的使用数据是：

• 2026 年初，中位研究员对 Coding Agent 的使用还比较有限。
• 到 8 月中旬，中位研究员每天都在用，按 API 价格折算，推理费用超过 600 美元/天。
• 使用量前 10% 的重度用户，每天推理费用超过 7000 美元。

研究部门使用 AI Agent 的增长速度明显快于公司其他团队。一个关键转折点出现在 2026 年 6 月：在此之前，整个研究组织里 AI Agent 的总运行时间还低于人类劳动时间，之后就被反超了。

OpenAI 宣布，他们已经实现了去年秋天提出的目标——在 2026 年 9 月前做出自动化研究实习生（Automated Research Intern）。

这个实习生有很具体的定义：能在人类指导下完成明确的研究任务，包括需要一名熟练研究员花几天才能搞定的工作。换句话说，它已经能扛起中等复杂度的研究任务，而不是只能做简单琐碎的事。

下一步目标更明确：争取在 2028 年 3 月前打造出真正的自动化 AI 研究员。

需要清醒的是，目前这些系统仍然需要人类大量干预。数据显示，在 4-8 小时这类中长任务中，超过一半的成功案例至少需要一次人工介入。AI 还远没有达到完全独立工作的程度。

AI 研发工作的六阶段拆解

OpenAI 将 AI 研发工作拆成了六个阶段（参考 Epoch AI 的分类）：

1. 决定——研究什么、继续还是停止、资源怎么分配
2. 设计——提出研究想法、写技术规格
3. 构建——写代码、准备数据集
4. 运行——启动训练、监控实验、调试
5. 分析——看实验结果、评估模型行为
6. 沟通——写文档、汇报进度、做决策

从 2026 年 1 月到 8 月，几乎所有阶段的 AI 使用量都在增长，尤其是在写代码、搭建基础设施、监控实验和结果分析上，增长最为明显。

有意思的是：以前一些团队专门开 Case 帮同事排查实验问题，现在来咨询的人越来越少——因为很多技术问题，AI Agent 自己就能解决了。

不过，高层次的规划（比如决定研究方向）目前仍然主要由人类主导，AI 在这部分的使用量还很小。

递归自我改进：正在启动的正循环

Kevin Liu 在发布时特别强调了一点：

递归自我改进（Recursive Self-Improvement，简称 RSI）可能是未来几年推动 AI 能力提升最重要的因素。

递归自我改进简单来说就是：AI 帮助人类研究出更强的 AI，更强的 AI 又进一步帮助研究出更强的 AI，形成正向循环。就像滚雪球一样，一旦转起来，速度会越来越快。

目前这种循环主要发生在少数前沿实验室内部，外面的人很难看到真实进度。所以 OpenAI 这次选择公开数据，是在呼吁：透明度很重要。

只有把数据摊开，社会才能真正讨论：

• 要不要继续加速？
• 如何控制开发节奏？
• 安全和能力提升能不能同步跟上？

OpenAI 自己也承认：他们目前还不知道如何安全地走到完全对齐的全递归自我改进。他们正在加强监控和安全措施，并表示如果发现风险不可接受，会放慢甚至暂停相关开发。

现实约束仍然存在

OpenAI 在文章中反复强调了几点现实：

• 人类仍然在设定研究方向、判断哪些想法值得追、决定是否扩大规模或暂停。
• 计算资源（算力）仍然是重要瓶颈。
• 研究流程里最难自动化的部分，会逐渐成为新的瓶颈。
• 目前的数据只是初步测量，方法和标准还在完善中。

也就是说，AI 正在显著加速某些环节，但整个研究体系仍然是人机协作，而不是 AI 完全自主。

这组数据第一次让我们看到 AI 真正大规模参与 AI 研究本身的具体程度。3.1 倍的 Agentic 工作量，已经从概念变成了可量化的现实。它既展示了效率提升的潜力，也提醒我们：未来 AI 能力的跃升，可能比想象中更内生、更不透明。

OpenAI 这次选择公开本身就是一次表态，他们明确希望其他公司效仿，共同建立更透明的测量标准。

对于普通人来说，理解这些进展有助于更好地参与关于 AI 未来的公共讨论——毕竟，最终决定要不要加速、如何加速的，应该是更广泛的社会共识，而不仅仅是实验室内部的选择。

这也是云栈社区持续关注 AI Agent 与自动化研究进展的原因：技术演进的速度，不该只由实验室单方面定义。

参考来源：https://openai.com/index/research-acceleration-view-inside-openai/