OpenAI内部AI实习生上岗，研究员日均烧算力超600美元人类开始只负责拍板_IT互联网

1. #微博视频号续航计划##用AI训练AI#OpenAI最新公开的内部资料，看得人有点被震撼到，传说里AI训练AI的飞轮，居然真的转起来了。简单说就是他们搞出了“自动化研究实习生”，AI智能体可以接手很多原本初级研究员要干的活。数据挺夸张，到8月份，AI产出的工作量，已经相当于人类研究员的3.1倍，相比去年年底，智能体的使用规模暴涨124倍。不少研究员一天光跑AI就要烧掉几千美元的算力成本。这已经不只是拿AI写代码做辅助工具了，相当于AI参与到模型自己的研发迭代里，跑实验、做方案，再用产出反过来优化自身，形成闭环。官方还放了时间表，计划2028年要做出完整的AI研究员。当然巨大的算力开销就是绕不开的门槛，而且AI只能处理定义清晰的任务，真正需要灵光一闪的创新，依旧离不开人。他们自己也提到，最难自动化的工作，反而会变成新的瓶颈。一边是研发速度会被成倍拉高，另一边也会让人忍不住思考，如果AI大量接管科研工作，以后人类研究员的定位又该是什么？这种技术加速，到底是红利，还是新的压力？不知道大家怎么看。 IT九熙的微博视频

2. OpenAI称：在公司内部已达成里程碑式目标已构建出一个能在人类监督下独立完成数天任务的“自动化研究实习生”OpenAI 首次对外公开了一组前所未有的实验室内部运作数据。在题为《Research acceleration: The view inside OpenAI》（科研加速：OpenAI 内部视角）的官方报告中：OpenAI 明确给出了一个里程碑定论：根据内部各项维度的严密测算，团队已如期达成了去年秋季由首席执行官 Sam Altman 宣布的关键目标——在 2026 年 9 月正式实现“自动化 AI 研究实习生”（Automated AI Research Intern）。在 OpenAI 的定义中，“研究实习生”并非一个噱头式的宣传概念，而是一个具备严格工程界限的技术实体：它指的是一个能够在人类科学家的目标设定与直接指导下，端到端独立执行定义明确的科研任务的系统。这些任务并非简单的几行代码修补，而是包含了通常需要一名经验丰富的人类研究员花费数天时间才能攻克的复杂课题。以此为跳板，OpenAI 进一步明确了通往通用人工智能（AGI）研发路线图上的下一个终极时间节点：在 2028 年 3 月前，打造出能够自主提出假设、设计实验并闭环迭代的“自动化 AI 独立研究员”（Automated AI Researcher）。在报告的结尾，OpenAI 将视角从具体的工程度量与安全熔断，拉回至关乎人类命运的宏观议题：递归自我改进（RSI）。当 AI 自动化科研从辅助脚本演变为支撑整个实验室 3.14 倍工时的运转底座，当模型已经能够自动化构建评估集、修补训练集群并反哺下一代模型训练时，RSI 已经不再是科幻小说中的理论假设，而是正在办公室中发生的物理现实。但在这份报告中，OpenAI 罕见地表达了反竞速的审慎立场：“这些成果是开发实用自动化研究能力的充分理由，但这并不意味着‘极速推进 RSI’是我们必然应该追求的结果。是否推进以及如何推进，必须取决于我们是否有能力保持人类的绝对控制，以及基于对风险与收益的充分知情而做出的民主抉择。”OpenAI 坦承，全行业目前根本不知道该如何安全地一路抵达“完全对齐且受控的终极 RSI”。能力的大规模扩展往往伴随着内部监控维度的退化；一旦系统越过某一智能阈值，人类对模型内部机谋与隐藏意图的洞察力将呈断崖式下跌。网页链接

3. 【OpenAI内部研究报告：自动化研究员的崛起与科研范式的重塑】OpenAI披露了内部研发的最新进展：截至2026年8月，其研究组织使用的智能体工作量已达人类劳动力的3.1倍，顶尖研究员每天消耗的Token价值超过7000美元。从代码编写到系统监控，智能体正在接管那些原本需要人类耗时数天的复杂任务。OpenAI计划在2028年实现完全自动化的AI研究员，这意味着模型将开始自主加速模型的进化，即所谓的递归自我改进。这种变化标志着AI开发正从“手工作坊”转向“自动化工厂”。过去研究员亲手写代码、调参数，现在他们的角色更像是在管理一支永不停歇的数字实习生队伍。虽然智能体处理复杂任务的成功率在提升，但超过一半的高难度任务仍需人类介入纠偏。值得注意的是，当Astra模型因展现出潜在危险网络能力被限制时，被释放的算力会瞬间被其他项目填满。这说明算力依然是核心瓶颈，而人类的稀缺价值正从“执行力”向“判断力”快速漂移——即决定什么问题值得研究，以及在系统失控前及时按下停止键。

4. 【Token阶级分化：Token充裕型研究与Token匮乏型研究】OpenAI最新报告披露了其内部研究范式的剧变：中位研究员每天消耗约600美元Token，顶尖者甚至高达7000美元。目前其内部AI智能体的总工时已达人类研究员的3.1倍，成功实现“AI科研实习生”常态化。李飞飞借此提醒，科研领域正分化为“Token富矿”与“Token贫矿”两条路径，缺乏基建支撑的高等教育面临被工业界彻底甩开的风险。这场争论揭示了创新效率的代差：算力不再仅是工具，而直接转化为“实验带宽”。当智能体接管了代码编写与系统排障，人类被迫从繁琐的执行层撤退，向“提出正确问题”与“判断结果价值”的更高维度迁移。然而，堆砌Token并不自动等同于科学发现，过度依赖暴力计算可能导致逻辑优化的退化。大学的生机不在于盲目跟进昂贵的算力竞赛，而应握紧AI难以触达的物理实验数据与底层理论框架。未来的核心竞争点不在于Token多寡，而在于谁能让AI的指数级产出在现实世界完成逻辑闭环。

5. 【#OpenAI造出自动化研究实习生#】#OpenAI造出了AI研究实习生# 9月6日，OpenAI官方博客发布文章《研究加速：OpenAI内部视角（Research acceleration: The view inside OpenAI）》首次以内部数据形式公开AI“递归自我改进”（RSI）的进展。OpenAI称其已经实现去年秋天定下的目标：在今年9月前造出一个“自动化研究实习生”。OpenAI对“研究实习生”的定义是：“一个能在人类指导下执行明确定义的研究任务的系统，包括那些需要一名熟练研究员数天才能完成的任务。”下一个目标是：2028年3月前实现完整的“自动化AI研究员”，使其能够参与深度学习和对齐研究，并通过迭代进一步改进系统。这意味着“AI训练AI”的飞轮正在加速：AI产出更多代码和实验结果，研究进展加快，更好的模型被训练出来，再反过来提升智能体能力。（华尔街见闻）

6. 【研究加速先变快的，未必是研究判断】OpenAI的这份研究加速报告里，有几组数字挺能说明问题：截至8月中旬，研究组织每1个人工作日对应约3.1个Agent工作日；中位研究员每天推理成本超过600美元，90分位用户超过7000美元。但它没有把人写成旁观者。过去6个月，成功完成4—8小时任务的案例里，超过一半仍发生过至少一次人工介入。所谓自动化研究实习生，可以在指导下处理几天级别的明确任务，研究方向、结果取舍和暂停时机，还是人来定。所以现在更像是研究员多了一组手，而不是多了一个可以放手的同事。Agent跑得更快以后，验收标准也得跟着变。来源：OpenAI《Research acceleration: The view inside OpenAI》（2026-09-06）

7. OpenAI首度公布“内部RSI进展”：已实现“自动化研究实习生”

8. AI 研究自动化：OpenAI 宣布研究实习生达标，前沿实验室第一次交出进程基线

9. 刚刚，OpenAI最新内部数据公开！2028年实现全自动AI研究

10. 【OpenAI内部研究报告：自动化研究员的崛起与科研范式的重塑】OpenAI披露了内部研发的最新进展：截至2026年8月，其研究组织使用的智能体工作量已达人类劳动力的3.1倍，顶尖研究员每天消耗的Token价值超过7000美元。从代码编写到系统监控，智能体正在接管那些原本需要人类耗时数天的复杂任务。OpenAI计划在2028年实现完全自动化的AI研究员，这意味着模型将开始自主加速模型的进化，即所谓的递归自我改进。这种变化标志着AI开发正从“手工作坊”转向“自动化工厂”。过去研究员亲手写代码、调参数，现在他们的角色更像是在管理一支永不停歇的数字实习生队伍。虽然智能体处理复杂任务的成功率在提升，但超过一半的高难度任务仍需人类介入纠偏。值得注意的是，当Astra模型因展现出潜在危险网络能力被限制时，被释放的算力会瞬间被其他项目填满。这说明算力依然是核心瓶颈，而人类的稀缺价值正从“执行力”向“判断力”快速漂移——即决定什么问题值得研究，以及在系统失控前及时按下停止键。

11. #用AI训练AI# OpenAI 这次给的东西比以往都实在。9月6日那篇《研究加速》博客，第一次把递归自我改进的内部数据摊出来，不再是概念，而是数字。先把术语说清楚。所谓自动化研究实习生，OpenAI 给的定义是一个能在人类指导下完成明确定义研究任务的系统，包括那种熟练研究员要花好几天才能做完的活。这是去年秋天定下的里程碑，目标是今年9月前做到。文章证实它做到了。做到了之后看比例。截至8月中旬，OpenAI 研究部门智能体的工作量达到人类研究员的3.1倍。更早的转折出现在6月，那月起智能体总运行时长第一次超过人类互动时长。也就是说，研究流程里机器跑的时间已经比人盯着它的时间还长。以中位员工输出Token算，研究部门智能体使用规模较2025年12月增长124倍，中位研究员每天智能体推理花费超600美元，前10%研究员超7000美元，越来越多人同时开4个以上智能体会话。这些数字合在一起，能看出一件比单点数据更关键的事。智能体不再只是写代码的助手，它已经进到模型自己的研发迭代里，跑实验、出方案，再把产出喂回去优化自身。产出反哺系统，系统再产出，这就是所谓飞轮转起来的那一下。OpenAI 自己把它叫递归自我改进。飞轮转起来不等于没有阻力。文章点出两个新瓶颈。一是算力开销，前10%研究员日均烧掉7000美元的推理量，这条路能不能持续扩大，取决于算力供给和成本曲线。二是创新工作。智能体擅长定义清晰的任务，真正需要灵光一闪的选题和判断目前还卡在人这边，OpenAI 也承认最难自动化的部分会成为新的瓶颈。下一步路线图写在文末。2028年3月前，OpenAI 想做出完整的自动化AI研究员，让它能参与深度学习和对齐研究，再通过迭代改进系统自身。从实习生到独立研究员，中间要跨过的正是上面两个瓶颈。需要分清的是，里程碑达成、3.1倍工作量、124倍增长、6月运行时长反超、日均花费、2028年3月路线图，这些都是 OpenAI 自述并经其内部数据披露的事实。飞轮是否真按预期自转、算力瓶颈能否化解、创新工作何时被自动化，属于需要外部独立验证和后续观察的判断，文章不把它们当作已经成立的结论。

12. OpenAI初步实现自动化研究 “AI训练AI”图景加速形成算力仍是未来重要瓶颈？

13. AI研究实习生提前到岗：科研正在进入机器协作时代

14. OpenAI对外宣布，已经达成“自动化研究实习生”的研发目标，打造出可在人类指导下独立完成数天量级科研任务的AI智能体系统。数据显示，截至8月中旬，OpenAI研究部门内，这类智能体完成的工作量已经达到人类研究员的3.1倍。该智能体能够自主开展实验、撰写代码、整理实验数据，大幅压缩科研项目周期。这套系统标志着“AI训练AI”的正向飞轮进入加速运转阶段。AI智能体持续产出大量代码、仿真数据与实验结论，源源不断为模型训练供给高质量素材，加快基础模型迭代速度；迭代升级后的新模型，又进一步增强智能体自主研究、自主试错的能力，形成自我强化的循环。过去科研工作高度依赖科研人员投入大量时间做重复性实验、数据整理，而自动化研究智能体可以承接大量标准化科研任务，释放人力聚焦顶层思路设计。业内认为，这代表AI从内容生成，正式迈入自主科研的新阶段，有望重塑AI行业本身的研发范式，对通用人工智能的迭代节奏带来深远影响。 OpenAI推出自动化研究实习生，核心意义不在于单一工具升级，而是搭建起AI自主迭代的闭环体系，“AI训练AI”不再是概念，已经落地到内部研发流程，直接提升AI模型迭代效率。3.1倍于人类研究员的工作量，直观体现智能体在重复实验、代码编写、数据处理这类标准化科研任务上的巨大优势，能大幅降低大模型研发的人力成本，缩短新版本模型的研发周期。这一变革会重塑整个大模型行业的竞争逻辑。以往大模型比拼算力、资金、顶尖科研人才；而在AI自主科研的新模式下，拥有成熟AI智能体体系、高质量数据闭环的企业，迭代速度会持续拉开差距。行业研发门槛结构发生变化，单纯依靠堆人力的模式竞争力下降。同时也要客观看待当前能力边界。该智能体仍需要人类指导，无法独立完成前沿创新方向的构思、复杂科学猜想的提出，更多是承接执行层面工作，并非完全替代科研人员。“AI训练AI”飞轮加速，也会带来新的挑战，包括AI生成数据污染训练集、实验结果可靠性核验等问题。短期属于行业重大事件催化，利好AI智能体、算力、Agent相关产业链。但技术落地仍处于早期，大规模商业化应用尚远，相关业绩兑现周期较长。投资者需要区分技术突破和业绩兑现，警惕题材炒作带来的股价大幅波动。

16. OpenAI官宣造出“自动化研究实习生”

17. OpenAI发文更新RSI进展：预计2028年3月前实现“自动化AI研究员”

OpenAI内部AI实习生上岗，研究员日均烧算力超600美元人类开始只负责拍板

精选参考来源