AI Agent科研加速怎么测？OpenAI公开用量任务结果三层法

OpenAI公开了一份内部数据，回答一个此前只存在于猜测中的问题：AI Agent到底在多大程度上加速了 AI 自己的科研。

博客里最值钱的不是那些亮眼的数字，而是它第一次公开了「怎么测」——尤其是其中最核心的一章：研究员交给 agent 的活正在怎么变。

更有说服力的佐证是，OpenAI 刚刚宣布用 10000 个 Agent、88 小时解决了一道千禧年数学问题：纳维-斯托克斯（Navier-Stokes）方程，业内热议的 165 页论文也已公开（文末附链接）。

目标先行，测量跟上

先交代背景：「AI 研究实习生」已于 2026 年 9 月如期到岗——定义为能在人类指导下完成明确研究任务的系统，包括需要熟练研究员花几天才能做完的任务；下一步是 2028 年 3 月造出「自动化 AI 研究员」。

有了目标，就要回答「离目标还有多远」。OpenAI 的做法是分三层测量：先看用量（agent 用得有多凶），再看任务（agent 干的是什么活——这是全文的核心），最后看结果（办成多少事）。

用量层：agent 用得有多凶

这一层最好测，数字也最抓眼：中位数研究员每天消耗超过 $600 的 token（按 API 价格折算），前 10% 的用户每天超过 $7,000；每投入 1 个人类工作日，研究组织总量上就有 3.1 个 agent 工作日在跑——而今年 6 月之前，这个比值还小于 1。

但 OpenAI 自己也承认，用量数字「易测难解」：token 烧得多，不代表研究真的变快。真正有解释力的是下一层。

任务层：研究员交给 agent 的活，正在变

这是整篇博客方法含量最高的一章，也是理解「科研加速」的关键：加速不是均匀发生的，它有明确的结构和方向。

OpenAI 没有数 token 了事，而是借用了 Epoch AI 为前沿 AI 研发专门改造的分类法（灵感来自职业分类系统 O*NET），把 agent 消耗的 token 按研发流程的六个阶段归类：

• Decide：决定做什么、放弃什么、算力给谁
• Design：研究想法和工程方案
• Build：代码和数据集
• Run：训练与评测、硬件、部署
• Analyze：分析实验、模型、部署结果
• Communicate：汇报结论、反馈、状态与决策

分类之后，变化的方向一目了然。1 月到 8 月，六个类别的用量全部上涨——agent 已经渗进研发流程的每一段，不再只是「写代码工具」。但涨幅并不平均：1 月时的大头是研究基础设施代码，8 月时这类继续扩张，技术支持类和运行监控类明显上涨。而站在金字塔尖的高层规划，占比依然极小——agent 接的活越长越难，但「决定研究方向」这件事还牢牢在人手里。

结构性变化最有说服力的旁证，藏在两个日常细节里。其一，agent 最强的拿手活是排查内部研究基础设施的故障——这本来就是科研的一个实打实的瓶颈；

多家团队为研究员答疑的 office hours 在 2026 年出勤率持续下滑，其中一家干脆停办，腾人手去改系统。其二，主要内部技术支持频道的每日发帖量下降，而且据 OpenAI 所知，这些提问并没有转向其他人工支持的渠道——需求不是被搬走了，是被 agent 消化掉了。

结果层：办成多少事

任务结构变了，还得验证结果。OpenAI 用自家的 agentic 分类器，给能找到真实结果的任务打分（难度按「一个人类大概要花多久」分桶）：1 月到 7 月，各难度档位的成功率普遍上升——包括那些人要干几个小时的活。

另一面同样重要：过去 6 个月里，成功的 4–8 小时长任务中，超过一半需要至少 1 次人工干预。agent 能接长活了，但复杂任务仍然离不开人在旁边扶一把。

层次	指标	读数
用量	中位数研究员日耗 token	超过 $600
用量	agent 工作日 ÷ 人类工作日	3.1
任务	六类研发活动的 agent 用量	全部上涨
任务	高层规划占 agent 输出	极小
结果	成功的 4–8 小时任务需人工干预	超过一半

公开本身，就是方法论

通读全篇，这份公开的完整逻辑是：先立带日期的目标（实习生已达成，研究员定档 2028 年 3 月），再公开三层测法——用量、任务、结果，数字和事故一起报，连方法的局限一并承认。OpenAI 还承诺，发现无法保障的安全风险时会减速甚至停止，并呼吁全行业把 RSI 进展的公开追踪变成标配。

Research acceleration: The view inside OpenAI
https://openai.com/index/research-acceleration-view-inside-openai/

https://openai.com/index/navier-stokes-solution/
https://cdn.openai.com/pdf/32d9f210-8b73-45e0-91bc-82a30aef8a9a/navier-stokes.pdf

如果你也在持续跟进 AI 科研自动化的进展，欢迎来云栈社区一起交流。