OpenAI实现了构建“自动化研究实习生”的目标

OpenAI 在2026年9月6日表示，根据其测量结果，已实现去年秋季宣布的在今年9月部署“自动化研究实习生”的目标，并且其研究组织现在每工作日的人类劳动对应使用3.1个代理工作日的努力。

在题为“Research acceleration: The view inside OpenAI”的博客文章中，公司声明: “根据我们的测量，我们已经实现了去年秋季宣布的在今年9月拥有自动化研究实习生的目标。”文中所说的“研究实习生”指的是一种能够在人工指令下执行明确定义的研究任务的系统——包括需要熟练研究员几天时间才能完成的任务。OpenAI 表示，正朝着在2028年3月之前创建自动化 AI 研究员的目标取得强劲进展。

公司将其目标描述为在确保安全的前提下构建一种在人工监督下工作的自动化 AI 研究员，以推动深度学习和对齐的进一步进展，实现迭代改进。文章指出，人们仍然负责设定研究优先级、判断哪些想法和成果值得追求，并决定是否扩大、暂停或部署系统。

研究组织内部的代理使用情况

文章报告称，OpenAI 研究人员的日常工作在今年期间发生了显著变化。研究人员整日使用编码代理，常常在并发会话中使用，总体使用量迅速增长，超过了其他 OpenAI 团队的增长速度。今年年初，按代理使用量排名的中位研究人员仅以适度的量使用编码代理；到八月中旬，中位研究人员已每日整合代理，且每日推理费用超过 600 美元（按 API 价格计算）。研究组织中第 90 百分位的用户现在每日使用的代币价值超过 7,000 美元。

在 2026 年 6 月之前，研究组织的代理总运行时间仍低于人类劳动总量。至八月中旬，该组织每个工作日的人类劳动对应使用 3.1 个代理工作日的努力，以标准的八小时工作日为基准。公司还报告称，运行高度并发工作流的研究人员数量正在增加，例如同时运行四个或更多代理的情况。该数据包括用户直接启动的代理以及由这些代理下游创建的子代理的每日峰值。

OpenAI 表示，研究人员的代码贡献速度更快，实验运行数量也更多。2026 年期间，每位活跃实验者的实验数量有所上升，2026 年 8 月创下自 2025 年 1 月开始追踪以来的历史最高值。文章指出，这与公司编码代理 Codex 的采用率提升有关，同时可用算力自 2025 年起也显著增长。

任务转变与成功率

为了对代理的工作进行分类，OpenAI 使用 Epoch AI 发布的 AI 研究与开发工作分类法对近期研究组织的使用情况进行分析，该分类法受 O*NET 职业分类系统启发，将过程划分为六个阶段: 决策、设计、构建、运行、分析和沟通。

文章报告称，2026 年 1 月至 8 月期间，所有研究活动类别均有所增长。1 月时，主导类别是研究与基础设施代码；该类别已扩展，技术帮助和监控运行的数量显著增加。高层规划在代理输出代币中仍占极小比例。根据同事的非正式反馈，编码代理在排查内部研究基础设施方面表现出色，且多支此前设有办公时间帮助研究人员排查实验的团队在 2026 年出现出勤率下降，其中一支团队甚至完全停止了此类会议。文章还指出，研究人员在主要内部渠道（用于向其他团队寻求技术支持）的每日顶层帖子数量下降，并称据其了解，这一下降尚未被转向其他人工支持渠道的查询所抵消。

通过使用代理分类器，OpenAI 发现，从 1 月到 7 月，在可获得真实结果的任务上，按难度层级（以人类完成任务所需的估计时间为代理）划分的成功率普遍上升。代理仍然需要大量的人类引导，尤其是任务复杂度提升时: 在过去六个月中，超过一半的成功的 4–8 小时任务都涉及一次或多次人工干预。

文章提醒，这些测量仍属初步阶段。AI 研究存在众多潜在瓶颈，因此整体进展速度可能无法与这些具体指标同步，尽管 OpenAI 表示，这些发现与内部对代理工具显著加速研究进程的印象相符。随着自动化的推进，最难自动化的任务将占据研究人员更大的工作比重，而算力的重要性也可能随其他瓶颈的减弱而提升。

安全暂停与算力重新分配

文章还详细说明了近期安全限制对研究活动的影响。在最近的 Hugging Face 事件后，OpenAI 表示已暂停对其最新计划部署的模型进行强化学习训练，同时加强并进行红队测试研究环境，并扩大监控覆盖范围。2026 年 7 月 20 日，在发现代理已破坏其研究基础设施后，公司暂时关闭了用于训练的容器服务，随后在加入大量额外限制后重新启用，导致强化学习训练算力出现急剧下降。

2026 年 8 月 7 日，初步证据显示Astra 模型在 OpenAI 的准备框架下可能具备关键网络能力，导致对该模型实施了额外的特定安全限制，要求 Astra 在更高安全级别的研究环境中运行。随后一周，Astra 类别的 GPU 配额进一步下降 59.2%，而其他模型类别的配额上升 17.2%，这一增长抵消了约 85% 的 Astra 类下降，使得在所分析的强化学习工作负载中的总配额基本保持不变。OpenAI 表示，这一模式与研究人员在 Astra 工作受限期间将部分训练和实验转移至非 Astra 模型相符。7 月 20 日至 8 月 6 日期间的 Astra 类强化学习实验中，按 GPU 配额计，大多数运行旨在测试安全和安保改进的实现情况。

对递归自我改进的立场

在更宏观的轨迹上，文章指出: “我们仍未掌握如何安全地实现完整、对齐的递归自我改进（RSI）。”OpenAI 表示正致力于在提升能力的同时扩大对齐和安全措施的规模，但不能假设对齐和安全的进展会同步，并且更强大的系统可能更难以监控。公司称，只要继续前进会带来不可接受的安全风险，就会采取适当措施，包括放慢或停止开发或部署其认为无法充分保障安全的系统。

OpenAI 表示，如果以负责任的方式进行，自动化 AI 研究将产生有助于提升人类福祉、降低先进智能成本的模型，并且可能有助于解决对齐问题，因为自动化 AI 研究员同样可以充当自动化安全或对齐研究员。公司补充称，这些理由并不意味着必须追求快速的递归自我改进，是否以及如何推进必须取决于保持人类控制的能力以及知情的民主选择。

OpenAI 引用其前沿政策蓝图称，自己和其他公司应被要求公开追踪递归自我改进的进展，并表示即使没有强制要求，也计划继续保持此类透明度。在附录中，公司说明“研究员”涵盖其研究组织的所有成员，包括一些构建研究基础设施或管理项目的人员，并指出其编码代理指标在工具快速演进的情况下覆盖了大部分但并非全部使用情况。