研究加速:参差不齐的前沿

OpenAI 发布了一份关于研究加速的内部测量报告,这是对九月报告的更新。报告的核心目的不是炫耀进展,而是呼吁 AI 实验室公开跟踪“递归自我改进”(RSI)指标。它用大量内部数据展示了编码代理如何改变 AI 研发的输入、过程和输出。

先看输入侧。代理使用量正在指数级增长。按 API 挂牌价计算,中位研究员每天在代理工具上花费约 2400 美元,90 分位研究员约 23000 美元,相比九月分别增长 62% 和 105%。另一个更直观的指标是“代理工作日”:每位研究员的日均代理工作时长从 0.5 天 涨到 5.7 天,相当于 11 倍 增长。预训练和后训练团队尤其夸张,平均每天跑约 8 个代理工作日;基础设施团队约 4 个。并发使用也在普及:超过三分之二的研究员平均每天同时跑至少 4 个代理,另有超过 10% 的人同时跑至少 16 个。

代理劳动的价值已经超过部分人力成本。截至 2026 年 9 月,OpenAI 研究部门在代理上的 API 等价支出,约为非股权人力薪酬的 2 倍。但值得注意的是,内部部署(Codex、ChatGPT、API)只占研究总计算量的 2%。研究者的时间分配也在变化:用内部文档和代码贡献做分类统计后发现,安全与对齐方向的工作量增幅最大,几乎翻倍。这个拐点与 7 月 Hugging Face 事件之后的应对工作吻合。

再看过程。代理在不同类型任务上的零干预成功率差异很大。按 O*NET AI R&D 分类,2026 年 8 月 1 日至 10 月 18 日期间,Communicate 类任务成功率 69%,Analyze 类 58%,而 Build 类只有 43%。具体任务里,监控训练运行成功率最高(79%),回答技术问题 72%,但编写推理和服务栈代码只有 25%,构建评估、RL 和 Agent 环境只有 29%。这种参差意味着某些类别会成为整体 AI 提升的瓶颈。

研究员自己的评估也很激进。一份 101 人参与的调查显示,为了继续使用优于 GPT-5.2 的编码代理,中位研究员愿意牺牲 40% 的团队人数 或 30% 的团队算力;如果问的是对 2027 年 1 月的预期,则愿意牺牲 50% 的算力。如果不让用代理、只允许用 Copilot 加 ChatGPT,他们估计需要 3 个月 才能完成上个月同等价值的工作。另一项 28 人调查中,27 人认为最新内部模型比“人类中级研究工程师加 2024 年模型”的组合更有生产力。

关于研究想法来源,结果很谨慎。GPT-6 Astra 和 GPT-6.2 Astra 的关键想法,后训练和安全监控团队都认为是人想出来的,模型负责实现。预训练团队在 GPT-6 Astra 上也归功于人,但在 GPT-6.2 Astra 上开始出现与 Codex 对话产生洞见的案例:有人认为是 Codex 指出了关键见解,有人说自己的思路在 Codex 建议修改后才跑通。

对十位研究者的访谈提炼出五个主题:代理擅长写代码、调试和盯实验;但代理在研究品味、代码质量、数据质量和写作上仍然很差;工作流必须人工密切参与,否则会产生“AI 垃圾” PR、无效数据或错误假设;研究者普遍预期当前瓶颈会在未来显著改善,但也有人坦言对“人类品味优势”能持续多久没有信心;代理在海量扫描和数据整理上的提效被反复强调。

输出侧有三个指标。人均代码变更量在 2026 年持续攀升;截至 10 月 18 日的四周内,人均实验数量达到 2025 年基线的 1.68 倍;OpenAI 还推出了内部版能力指数 OECI,20 个公开模型加上 28 个其他模型的对标显示,OpenAI 前沿指数每年上升 16.4 点,高于 Epoch 观察到的全球趋势每年 14 点。

报告最后强调,这些历史趋势不能直接外推为未来进展,而且代理能力分布不均匀、缺陷明显。OpenAI 明确表示,发布这些指标不是要追求完全自动化的 RSI,而是为了推动行业建立共享的测量规范,并提醒需要新的治理手段确保人类保持在回路中。后续计划包括继续细化方法,并披露能力研究相对于安全研究的差异化加速情况。

Research acceleration: The jagged frontier

查看原文