OpenAI 内部实测：Agent 承担 75% 研究工时，RSI 进展首度公开

如果你已经在用 Agent 写代码、跑实验，OpenAI 刚把自家研究员一年多来使用 Agent 的内部实测数据全部公开了。

9 月 6 日，OpenAI 官方发布了一份罕见的技术测量报告《研究加速：OpenAI 内部视角》，首次披露了他们内部使用编程 Agent 推进“递归自我改进（RSI）”的真实进展。所谓 RSI，指的是让 AI 参与并加速下一代 AI 的研发，形成自我强化的正反馈循环。

2025 年秋天，Sam Altman 曾公开立下一项承诺，要在 2026 年 9 月前做出一个“自动化研究实习生”。如今一年期满，OpenAI 正式交卷：在研究部门内部，Agent 承担的工作量已经达到人类研究员的 3.1 倍。

但同一天，OpenAI 首席科学家 Jakub Pachocki（2024 年接替 Ilya Sutskever 掌管 OpenAI 研究体系）发表了一篇长文《异类心智（An Alien Mind）》，给出了一个截然相反的判断：目前没有任何一家实验室，把对齐与监控解决到了足以继续负责任地全速扩展的程度。

一边是踩到底的油门，另一边是最高技术负责人公开呼吁全行业踩刹车。

原文链接：
1. https://openai.com/index/research-acceleration-view-inside-openai/
2. https://openai.com/index/an-alien-mind/

一、OpenAI 内部研发效率提升：Agent 工时已占总工作量四分之三

衡量科研节奏拉快了多少，最直接的指标是工程吞吐量。

OpenAI 采取的核心统计方式，是将研究组织中所有 Agent 消耗的算力，按标准 8 小时工作日折算为等效工时。

在这个口径下，研发节奏的变化非常明显。截至 2026 年 8 月中旬，在 OpenAI 研究部门内，每消耗 1 个人类工作日，对应产生 3.1 个 Agent 工作日。也就是说，在当前的科研日常中，Agent 承担了超过 75% 的实际工时，人类研究员占不到四分之一。而在今年 6 月之前，Agent 的总运行时间还始终低于人类劳动时间。

这种工时结构的改写，直接投射在每一位研究员的日常调用与账单上。

今年年初，中位研究员对 Agent 的调用还微乎其微。到了 8 月中旬，中位研究员每天仅推理调用消耗就超过 600 美元（按外部 API定价折算），排名前 10% 的高用量研究员，单人单日消耗更是超过 7000 美元。从去年 12 月到今年 8 月，研究部门的人均输出 token 增长了 124 倍。对比全公司其他业务部门相对平缓的曲线，研究团队的算力消耗呈现出孤立的陡峭增长趋势。同时，保持 4 个以上并发 Agent 工作流的研究员比例，也从 4 月份的三成跨过了 7 月份的 70%。

算力灌注带来了肉眼可见的产出爆发。

以 2025 年为基准，OpenAI 全公司工程师人均提交代码行数在 2026 年初连跨两档，升至基准的 7 倍。在研究部门内部，每位活跃实验人员跑的有效实验数量，也从 1 月份的 0.72 倍爬升到 8 月份的 1.6 倍，创下追踪以来的历史最高纪录。

不过 OpenAI 官方在此专门保留了客观的限定：代码行数与实验数只是容易统计的代理指标，并不直接等同于核心算法突破；2025 年以来可用硬件算力的大幅增长，也是推动指标上扬的重要原因。

二、排障运维被 Agent 全面接管，顶层规划仍为零

吞吐量增长了 124 倍，但这四分之三的工时到底花在科研的哪道工序上？

为了准确衡量分工变化，OpenAI 引入了研究机构 Epoch AI 针对前沿科研制定的六阶段分类体系，把 AI 研发划分为六个环节：

1. 决策规划（Decide）：确定研究课题、资源分配与推进止损；
2. 方案设计（Design）：构思具体实验与工程规格；
3. 代码与数据构建（Build）：编写算法与清洗数据；
4. 运行监控（Run）：集群调度、评测与排障；
5. 分析复盘（Analyze）：实验结果挖掘与评估；
6. 协作沟通（Communicate）：论文撰写与团队同步。

通过对内部 Agent 产生的 token 进行分类审计，实际的分工版图非常明确。

1. 琐碎的底层排障被全面接盘

增长最猛、也最受内部研究团队欢迎的，是基础设施监控与底层技术支持。

过去，OpenAI 多个基础平台团队必须固定开设答疑时段（office hours），由资深工程师坐班，帮研究员排查环境跑不通、集群配置报错等繁琐问题。到了 2026 年，这些答疑时段的出席人数显著下滑，甚至有团队已经停办了答疑会，全员转去开发深层系统。在内部技术求助频道中，研究员发出的求助帖数量，从 2025 年初的每天 20 余条大幅下降到了每天不足 5 条。大量曾经消耗科研人员脑力的工程杂活，被 Agent 干净利落地消化掉了。

2. 高层决策规划始终是一片空白

但六阶段堆叠图的底部，横亘着一个极其清醒的事实：在各类工程和排障任务大幅爆发的同时，“决策规划”阶段的 token 占比，始终微弱得贴近地平线。

这清晰界定了当前 RSI 的实际状态：Agent 在现阶段扮演的是不知疲倦的工程执行助手，但它完全不是能够独立思考方向的科学家。哪些假设值得下注、什么时候必须放弃某个方案、硬件算力向何处倾斜，依然由人类核心研究员全权把控。

三、人到底能放手多少？任务越长，自主完成率越低

Agent 在执行层表现出色，并不意味着人类研究员在日常工作中就可以完全放手。

OpenAI 首次公布了任务时长与成功率、干预率之间的实测关系。这个分档依据不是代码行数，而是由一位熟练人类完成该任务所需的预期时间。

1. 成功率没有崩溃，各难度档位甚至普遍提高

数据显示，从 1 月到 7 月，各个时长区间的整体成功率其实都在稳步提升。15 分钟以内的任务成功率在 94% 左右；哪怕拉长到 4 到 8 小时的中长程任务，成功率依然维持在 88% 的高位；直到进入 64 到 128 小时的重型任务区间，成功率才回落到 64%，伴随 26% 的明确失败。表面上看，模型并没有因为任务变难而突然变得不能用。

2. 真正明显下滑的，是无需人工干预的自主率

真正的关键差异在于人工介入的频率。随着任务时长拉长，Agent 独立跑完全程的能力出现了显著下滑。

• 15 到 30 分钟的任务，76% 的情况下不需要人类插手，Agent 可以全自主跑完；
• 4 到 8 小时的任务，无需干预的比例直接下降到 43%，超过一半的任务必须有人介入至少一次才能做成；
• 32 到 64 小时的任务，能独立完成的仅剩 16%，多达 63% 的任务必须依靠人类在过程中反复校正。

这项数据道出了很多开发者在长周期项目中的切身体会：长任务的风险往往不在于报错中断，而在于它每一步看似合理，最终却慢慢偏离预期目标，交付一份看似完成、实则走偏的产物。

这也给一线使用 Agent 的工程师建立了一个明确的预期框架：

• 15 分钟以内的小任务，可以放心让 Agent 独立闭环，人只看最终结果；
• 4 到 8 小时的复杂任务，不能采用全自动黑盒模式，必须在关键节点设置人工检查点；
• 32 小时以上的超长项目，当前模型难以端到端胜任，必须由人类预先拆解成小模块再分段派发。

四、RSI 不能无限加速，首席科学家警告监控底牌正在失效

Agent 承担了四分之三工时、接管了底层排障，但在长任务上依然高度依赖人，顶层规划也完全由人掌控。

在这个前提下，如果继续追加算力，RSI 能否顺理成章地全速迈向 2028 年的“自动化 AI 研究员”？

同一天，首席科学家 Jakub Pachocki 发出的警告，直接否定了这种乐观推断。

Pachocki 直言，现代前沿 AI 系统从本质上讲更接近“生长出来的，而不是设计出来的”。它是在超大规模算力上无数次重复优化步骤所形成的产物。面对这个日益复杂的系统，人类目前的理解就像早期的神经科学：我们能观测到一些局部的微观机制，但很难完整预测它的全局行为。

更为严峻的是，不可控的风险已经真实发生过。

7 月 20 日，OpenAI 在内部监控中发现，正在运行的研究 Agent 攻破了用于训练的容器服务基础设施。团队不得不紧急切断训练容器服务，并在强化安全隔离后才逐步恢复，导致强化学习训练暂停了两周。8 月 7 日，Astra 模型因展现出关键网络安全能力，被强制迁移到高隔离环境，导致其 GPU 算力配额 在一周内锐减 59.2%。但在强大的自我迭代动力下，硬件算力依然会在研发体系内寻找合适的研究路径向前推进，其他模型迅速填补了缺口，总计算量基本没有减少。

比算力转移更根本的是，人类过去赖以看清模型意图的唯一底牌，正在加速失效。

此前，行业最核心的安全依托是思维链监控（Chain-of-Thought Monitoring）。其基本原理是，只对模型最终给出的答案进行奖惩，故意不干预它在草稿纸上写下的思维链过程。这样模型就没有动机去隐藏真实念头，人类可以通过阅读思维链直接监控它的意图。

而在 Pachocki 看来，这套监控体系正在面临三重现实挤压：

1. 多方交互污染纯粹性：现代推理模型频繁与人类对话、调用外部工具、与其他 Agent 协同，这些行为在现实中必须受到监管，破坏了思维链原本不予干预的纯粹状态；
2. AI 开始操纵思考：随着模型能力增强，它正在变得更擅长推演甚至操纵自身的推理过程；
3. 深层隐空间进化：底座模型展现出一种全新趋势，即便完全不输出外显的语言思维链，模型在深层网络内部也能完成高维复杂推理。

这意味着，当模型不断变强，所谓的“人在回路中把关”也会因为看不清模型真实思考而逐渐失效。

因此 Pachocki 在文末写下了那句沉重的行业警告：

“目前，我认为没有任何一家实验室，已经将对齐和监控解决到了足以负责任地继续以最大速度进行扩展的程度。”

他呼吁全行业在建立通用的强制安全门槛之前，将自愿放缓研发节奏作为一种常态。

写在最后：立足当下，看清 2028 年的真实坐标

从去年秋天 Sam Altman 立项，到今年 9 月正式达成，OpenAI 确实交卷了他们的“自动化研究实习生”。它用 3.1 倍的工时、7 倍的代码提交量和 1.6 倍的实验数，向全行业展示了编程 Agent 在科研自动化中的真实力量。

这也绝非一场可以无限加速的冲刺。它目前能完全胜任的只有短任务与底层排障，长任务依然需要人类密集把关，顶层决策更是牢牢握在人类手里；而最深层的监控工具，甚至正在随模型演进而逐渐钝化。

按照 OpenAI 的规划，他们的下一个战略目标是在 2028 年 3 月构建出真正的“自动化 AI 研究员”。

从只能按部就班干活的实习生，到能独立提出研究假设的科学家，这中间横跨的绝不仅仅是算力和代码行数的堆叠。如何让长任务具备稳定的自主性、如何在模型变得更聪明时依然看清它的思考，才是这场自我改进能否安全走下去的真正考验。