适合关注 AI Agent、科研自动化和研发管理的读者。核心结论是：OpenAI 公布的数据表明，编码 Agent 已经深入其研究流程；但“Agent 运行时间超过人类工时”不等于“研究已被自动化”。真正值得关注的，是研究团队如何定义任务、介入过程、检查结果和设置停止条件。
发生了什么
2026 年 9 月 6 日，OpenAI 发布《Research acceleration: The view inside OpenAI》，称按照其内部测量，已达成“2026 年 9 月前实现自动化研究实习生”的目标。这里的“研究实习生”有明确边界：它指能在人类指导下完成定义清楚的研究任务，其中一些任务原本需要熟练研究者花费数天。[1]
公告同时给出了一组内部指标：截至 8 月中旬，以标准 8 小时工作日换算，OpenAI 研究组织每 1 个人类工作日对应 3.1 个 Agent 工作日；使用 Agent 的研究者更多地采用并发会话，提交代码和实验数量也在上升。这些数据描述的是 OpenAI 内部工作方式，不是独立第三方基准，也不能直接推导其他团队能获得同样增益。
本文更新于 2026 年 9 月 8 日，将 9 月 6 日的披露作为近期资讯解读，不把它包装成当日新闻。
3.1 倍不是 3.1 倍产出
“Agent 工作日”首先是运行时间的换算，而不是等价的人类劳动或可交付成果。Agent 可以并发运行，可能重复尝试，也可能在错误方向上消耗计算。所以，它更像“可调度的机器工时”，而不是劳动生产率的直接倍数。
OpenAI 自己也提醒，代码和实验数容易测量，但它们与真实研究进展的关系并不简单。当编码、环境排错和执行实验变快后，问题选择、研究品味、结果判断、算力和安全审查可能变成新瓶颈。实验数量上升可以是好信号，但只有在问题有价值、对照有效、结果可重现时，才会转化为研究进展。
“完成任务”仍然需要人类介入
公开数据中有一个比“工时”更值得关注的指标：对于估计需要人类 4–8 小时的任务，过去六个月里，超过一半的成功案例仍经历了至少一次人类介入。[1] 这说明较长任务已可委托，但“委托”还没有变成“无人值守”。
对企业而言，更实用的衡量方式是记录任务成功率、人工介入次数、无效实验比例、从结果到验证的时间，以及错误结果进入下游的概率。如果只展示 token、会话数和 Agent 运行时长，很容易把“忙碌”误当成“有效”。
为什么要把 AI 研发拆成任务链
OpenAI 在分析内部使用时，引用了 Epoch AI 提出的 AI 研发分类：决策、设计、构建、运行、分析和沟通六个阶段。Epoch AI 进一步把它们拆成 60 多项任务，并明确说明这仍是一份主观的初步分类，不能仅靠一张任务表判断科研自动化程度。[3]
这种拆分有助于看清能力边界。一个 Agent 也许能写评估脚本、修复训练环境并汇总结果，却未必能决定哪个问题值得投入、哪个异常应该追踪，或者某项能力是否应该扩大。如果只优化最容易自动化的“构建”和“运行”，就可能在更难测量的“决策”和“分析”上产生偏差。
安全约束不是附加项
OpenAI 首席科学家 Jakub Pachocki 在同日发布的文章中，将自动化 AI 研究与对齐、监控、网络安全和人类控制放在同一个讨论框架中，并明确反对把“继续快速扩展”当成理所当然的集体选择。[2] 这不是一个已被独立验证的安全结论，而是 OpenAI 管理层公开表达的风险判断和行动方向。
对实际团队来说，至少应落地四条护栏：研究 Agent 默认使用最小权限；训练、部署和外部写入分开授权；重要结论要求可重现证据和人工复核；异常行为、监控缺口或高危能力一旦触发阈值，必须先停止而不是自动重试。
对今天的研发团队有什么启示
第一，从定义清楚、结果可验证的子任务开始，例如生成对照实验、排查基础设施问题、整理失败模式。第二，把人工介入当成流程设计，而不是 Agent 失败后的补救。第三，同时计算质量、成本、安全和可重现性，不要用单一的运行时长作为成功指标。
“自动化研究实习生”是一个值得追踪的里程碑，但它依然是公司在自定义和自有环境中宣布的结果。下一阶段的关键不是 Agent 还能多跑多久，而是行业能否形成可比较的任务分类、成功标准、介入记录和安全停止条件。