OpenAI表示，公司已经达到去年设定的一项里程碑：一种能够在人类指导下充当研究实习生的人工智能系统。公司对这项里程碑的定义相当克制，但也因此很实用。系统可以执行定义明确的研究任务，而这些任务如果交给熟练研究人员，可能需要数天才能完成；与此同时，人类仍然负责设定问题、判断结果，并决定下一步怎么做。

概念化研究工作站，展示相互连接的假设、证据卡片和经过验证的结果

与其关注这个称呼，不如关注其中的区别。真正重要的变化，并不是聊天机器人能够写出一份看起来合理的研究备忘录，而是前沿模型已经可以参与研究流程中反复、琐碎却占据大量时间的中段工作：阅读技术材料，编写和调试代码，运行实验，检查输出，比较不同方案，并把结果整理成适合人类复核的形式。OpenAI自己的内部测量显示，这种能力已经开始改变研究工作的经济结构。

同一组测量结果也指出了代价所在。当智能体让提出假设和运行实验变得便宜，稀缺资源就变成了可信证据。团队可以生成的候选想法，可能远远超过能够验证的数量。因此，更快的研究循环既可能带来更快的发现，也可能制造一大堆吸引人却薄弱的结论。实际运营问题已经不再只是团队是否应该使用人工智能研究智能体，而是如何构建一套工作流，使智能体的速度不会超过团队核查其工作的能力。

OpenAI究竟报告了什么

OpenAI在9月6日发布的文章《研究加速：OpenAI内部视角》描述的是一次内部工作方式的转变，而不是面向公众的产品基准测试。公司表示，研究人员越来越多地在一天之中持续使用编程智能体，而且经常同时运行多个会话；智能体处理的任务也变得更加复杂，成功率随之提高。

几个数字能够帮助读者理解这种规模。OpenAI称，截至8月中旬，其研究组织中的研究人员日均推理使用量中位数，按API价格计算已经超过600美元；处于第90百分位的用户则超过每天7000美元。按总量计算，该组织每一个人类工作日使用的智能体工作量，相当于3.1个智能体工作日。这并不意味着某个智能体连续工作了一个通常意义上的八小时班次，也不意味着产出等同于三名人类研究人员。这个数字衡量的是许多并发会话累积产生的运行时间和令牌用量。

OpenAI还报告称，与从2025年1月开始的跟踪期相比，活跃实验人员人均实验次数在8月达到高点。公司对这一数字的解释保持谨慎：增长与编程智能体采用率提高有关，同时可用计算资源也有所增加，而实验次数本身只是研究进展的代理指标。更多实验可能意味着更快学习，也可能意味着更多重复工作、更嘈杂的比较，以及更多为了迎合某个方便指标而进行优化的机会。

这篇文章还对智能体在哪些地方发挥作用作出了有用描述。研究和基础设施代码仍然是最大的类别，但技术支持和监控运行也在增加。高层规划在智能体输出中仍只占很小比例。这是一条重要边界：当人类能够描述一个有范围的任务，并提供检验结果的方法时，系统最为擅长。这个事实并不能证明模型能够独立选择有价值的研究议程。

OpenAI把当前里程碑称为自动化研究实习生，并表示正在朝着到2028年3月实现自动化人工智能研究员的方向推进。这些是公司自定义的里程碑，并非行业通用认证。它们仍然有参考价值，因为它们描绘了一条实际的能力演进路径：先自动化研究中定义清楚的部分，再衡量系统是否能够处理更广泛的判断与协调工作。团队在评估自己的部署时，也应当采用同样的纪律。

工作单元正在改变

传统研究管理通常把项目理解为一连串由人完成的活动：有人阅读文献，提出想法，实现方法，运行测试，分析结果，最后写成报告。智能体可以把其中几步压缩到一次会话里，也可以同时运行许多会话。项目依然拥有相同的逻辑依赖关系，但各个环节之间的等待时间会明显缩短。

这会改变管理者看到的团队状态。一个过去一周只能形成五个想法的团队，现在可能在周五之前得到五十个变体。一个曾经需要等待工程师准备实验的团队，如今可以同时要求多个智能体准备互相竞争的实现方案。研究人员可以少花时间修复配置文件，多花时间判断哪个问题值得再进行一轮研究。

危险在于，吞吐量会变成一个误导性的成功指标。代码提交次数、完成的运行次数、生成的报告数量和令牌数量都很容易测量；有用知识则困难得多。研究运营可能在更快地产出各种工件，却没有更快地减少不确定性。

因此，一套良好的人工智能辅助研究系统必须明确区分生产和学习。生产关心的是智能体是否创建了代码、表格、报告或候选假设。学习关心的是结果是否改变了团队应该相信什么，或者应该采取什么行动。后一类目标需要一些在智能体被奖励完成任务时很容易被省略的控制措施。

对于每一次重要运行，实用的研究记录都应当清楚呈现以下内容：

  • 被测试的问题，以及它可能影响的决策；
  • 假设，包括什么结果会对它构成反证；
  • 所使用的数据、软件版本、模型版本和随机种子；
  • 智能体做出的确切修改；
  • 评估集，以及已知的数据泄漏或选择风险；
  • 不成功的运行，而不只是表现最好的运行；
  • 批准、否决或暂缓该结论的人类决定。

这些并不是自动化完成之后额外加上的官僚负担，而是把一连串快速动作转化为累积知识的机制。如果没有这些记录，并发智能体可能悄悄制造一种新的技术债务：一段无人能够复现或解释的实验历史。

为什么证据会成为瓶颈

验证问题并非OpenAI独有。Google DeepMind在文章《猜想机器：人工智能智能体与科学中的新验证瓶颈》中也描述了类似处境。其论点很直接：如果智能体能够大规模生成假设、设计实验、编写代码并起草论文，那么科学界就需要更多方式独立检验这些输出。想法的数量可能增长得比实验室、审稿人、数据集以及能够核查它们的领域专家更快。

这种不平衡会改变研究智能体的价值排序。最有价值的用法，不一定是看起来最有创意的用法。一个能够发现错误前提、复现结果，或执行设计严谨的消融实验的智能体，可能比一个提出十个全新方向的智能体更有价值。后者显眼而令人兴奋，前者却能提高整个流程的可靠性。

研究智能体也会继承自动化搜索的弱点。系统可能因为某个解空间区域更容易评分，就集中探索那个狭窄区域。它可能重复训练数据中的模式，却把这些模式包装成新的组合。它可能发现只适用于某个基准测试的技巧，而一旦数据或硬件发生变化，技巧就无法维持。它还可能在实验结束之后写出一套有说服力的解释，即使实验本身并没有支持这套解释。

一项关于机器学习人工智能研究智能体的2025年研究——MLE-bench研究——说明了评估设计为什么重要。作者把研究智能体视为在候选解空间中移动的搜索策略，然后在机器学习基准上比较不同策略和操作集合。结果显示，搜索策略、智能体可以使用的操作以及评估方法彼此交互。更高的分数并不只是模型本身的属性，也是整个搜索与测量设置的属性。

这一教训同样适用于内部工作。如果智能体可以选择数据划分、停止时点、指标，以及最终展示给审阅者的示例，那么这套工作流就没有在干净地测试假设。它允许同一个系统设计测试、执行测试，并为结果提出论证。在涉及重要决策时，这些步骤应当尽可能分开。

一套更好的人工智能辅助研究工作流

最有用的模式，是一个在不同阶段赋予不同权限的分段循环。模型可以快速行动，但不应在每个环节都拥有相同的权力。

1. 在打开智能体之前先界定问题

从一个决策开始，而不是从一句含糊的洞察请求开始。寻找更好的模型不是一个研究问题。在这项工作负载上把推理延迟降低20%，同时让召回率保持在当前基线以上，就更接近一个可以执行的问题。团队应说明已经知道什么、仍然不确定什么、什么结果会改变决策，以及哪些内容不在范围内。

这样的界定可以防止智能体把含糊目标转化成任意的优化问题。它也给审阅者提供了一个标准，用来区分有价值的负面结果和没有带来进展的失败。

2. 给智能体一个有边界的工作区

研究智能体应当能够访问完成任务所需的代码仓库、数据集、文档和工具，但不应自动获得组织内所有凭证或生产系统的访问权。条件允许时，使用一次性的环境。把只读参考材料和智能体可以写入的位置分开。

对于具备计算机使用能力的模型，这条边界尤其重要。OpenAI的《GPT-6 Astra安全概览》表示，该模型在编程、浏览、科学和计算机使用方面的能力显著增强，同时也介绍了针对潜在破坏性行为的更强监控与控制。《Astra模型发布公告》称，该模型可以在专业软件中检查科学数据并探索结果。之所以有用，正是因为模型的触达范围更大；而触达范围越大，权限设计就越应成为研究方法的一部分。

对于普通实验，智能体很少需要发送外部消息、修改生产数据、批准支出、改变访问控制或发布结果的能力。这些动作应当拆成单独的、需要人类批准的步骤。

3. 要求提供相互竞争的方法

单条智能体轨迹很容易演变成一次无意的押注。要求它提出两到三个合理方案，其中包括一个简单的基线，以及一个说明了失败原因、很可能失败的方案。要求智能体指出假设，并提出能够区分这些方案的测试。

这不能保证真正的多样性。模型倾向于重复常见模式，多个并行会话也可能共享同样的盲点。但把备选方案明确写出来，会改善复核，也能降低第一种可用实现仅仅因为最先出现就成为默认方案的概率。

4. 把实现和评估分开

智能体可以编写实验框架，但验收测试和受保护的评估数据应由团队控制。如果智能体能够反复查看留出集，并持续修改实现直到分数提高，那么这个留出集就不再是衡量泛化能力的干净指标。

使用固定的评估命令记录结果，并拒绝覆盖以往运行记录。为最终复核保留一个小型、私有的测试集。对于高价值工作，在最终运行之前，让第二个人或独立系统检查实验定义。目的不是建立一套复杂仪式，而是让数据泄漏或静默变化难以伪装成进展。

5. 要求结果台账，而不只是最终报告

最终叙述是语言模型最容易生成、却最难审计的工件。应在叙述旁边保留机器可读的运行元数据，记录失败尝试、超时、依赖变化和无法解释的偏差。如果智能体声称某种方法改善了性能，审阅者应能够找到对应运行，复现环境，并检查比较过程。

台账也能为未来的智能体提供更好的上下文。一个能够看到某条研究路线为何被否决的系统，不太容易重复走上同一条路。没有这份记录，自动化只是在加速重新发现。

6. 明确写出人类决定

审阅者应回答三个不同问题：智能体是否完成了交派的任务？结果在技术上是否可信？这个结果是否足以支持提出的决策？一个实现正确的实验，仍然可能产生无关结果；一个统计上很强的结果，也可能因为成本过高或过于脆弱而不适合部署。

把决定和信心程度写下来。采用、否决和再做一次测试，是不同于智能体完成任务的结果。把完成任务视为批准，是形成无声自动化偏见的最容易方式之一。

成本：并发能力强大，也很容易被误读

OpenAI的内部成本数字对任何计划推出智能体的团队都是提醒。按API价格计算，日均支出中位数超过600美元，不能算作普通办公助手预算。这个数字反映了前沿研究、并发工作和一套特定的内部核算方式，并不是普遍适用的成本估计。不过，它仍然显示出：当智能体持续运行时，推理支出会多么迅速地变成一项重要运营成本。

第90百分位用户每天超过7000美元的数字更能说明问题。少数重度用户就可能占据大部分账单，尤其是在他们同时启动多个智能体、重复失败运行，或向智能体提供包含代码仓库和实验历史的长上下文时。只按照席位数量做预算的团队，很容易漏掉这种行为。

成本控制不能只测令牌。应按项目、实验、模型和结果追踪支出。为探索和验证设置不同预算。让低成本模型负责文件搜索、格式整理、测试脚手架和常规诊断，把能力最强的模型留给那些额外推理确实会改变结果的任务。为智能体设定明确的不活动时长，超过后停止或暂停；在大批量、计算密集型运行开始之前加入复核步骤。

还存在机会成本。如果研究人员可以启动二十个实验，却只能认真复核其中三个，那么边际运行可能会降低决策质量。正确的优化目标不是让智能体运行时间最大化，而是降低获取一个团队能够为之辩护的决策所需的成本。

隐私与知识产权

研究系统经常包含未发表的结果、客户数据、专有代码、凭证，或有关尚未公布产品的信息。即使用户界面让这一行为看起来像普通协助，把这些材料发送给外部模型提供商仍然是一项数据治理决策。

在启用智能体之前，应确认它能读取哪些数据，提示词和输出保留在哪里，谁能够访问日志，数据是否用于训练，以及删除请求如何处理。检查提供商的企业条款或API条款是否不同于消费者条款。还要核实分包商、云市场、支持人员和监控系统如何处理这些数据。

Anthropic发布的《与客户共同开发企业前沿防护措施》可以作为企业控制措施发展方向的一个例子。Anthropic表示，其EFS设计将零数据保留安排、客户控制的云基础设施和滥用监控结合起来，并在受支持的产品与云平台上分阶段推出。这并不意味着每一种部署都安全或适用，但它说明采购团队应当提出哪些问题：信息存储在哪里，谁控制存储，以及如何在不制造第二个数据暴露问题的前提下执行安全检查？

对于敏感研究，本地部署或私有部署可能降低传输风险，但不能消除风险。本地模型仍可能通过日志、共享机器、工具调用、插件、备份，或通过把秘密写入工件目录的智能体暴露数据。一个边界清晰的小模型，可能比一个拥有广泛访问权的大模型更安全。

什么时候适合使用人工智能研究智能体

最适合早期采用的用例通常具备三个特点：任务有清晰输入，输出可以测试，人类无需从头重建整个过程就能判断结果。例子包括：

  • 在受控环境中复现已发表的方法；
  • 把已有实验转换为参数化、可重复运行的框架；
  • 调试基础设施和依赖冲突；
  • 运行具有预先定义解释方式的消融实验；
  • 检查某项主张是否在有记录的数据集或配置之间成立；
  • 监控实验队列，并标记失败或异常运行；
  • 在有边界的文献集合中搜索，并把每条主张链接到来源；
  • 准备已知方法的比较，明确不确定性和缺失证据。

这些任务听起来可能不够光鲜。这恰恰是它们有价值的一部分。它们减少了专家熟悉却常常因为乏味而推迟的工作摩擦，也会产出可以按照已知标准复核的工件。

当错误结论的代价很高，而证据又无法低成本检查时，智能体就不那么适合。涉及临床决定、法律结论、金融承诺、安全关键控制、未发表个人数据，或开放式新颖性主张的工作，都应保持谨慎。智能体可以在这些领域协助准备和分析，但独立复核的门槛应高得多。

对于目标定义不清的任务，也应保持同样谨慎。如果团队在看到输出之前无法说明成功会是什么样子，那么它还没有准备好把搜索工作委托出去。智能体仍然可以用于头脑风暴，但其建议应继续被视为假设，而不是建议采取的行动。

前沿托管模型之外的选择

托管的前沿模型并不是唯一选项。选择应当服从工作负载和组织自身的限制。

对于代码仓库导航、生成测试、清理数据或格式化报告，小型托管模型可能已经足够。它能够降低成本，也可能减少发送给提供商的敏感上下文数量，但团队仍然需要审查提供商的条款和保留设置。

在私有云或本地硬件上运行开放权重模型，有助于控制机密性并获得更可预测的访问。代价在运营层面：团队需要自己负责部署、补丁、监控、评估和容量规划。模型权重不会消除治理要求，只会把更多责任转移给使用者。

如果步骤稳定，传统自动化流水线可能比智能体更合适。参数固定的脚本化实验，比由模型决定下一步做什么的系统更容易复现、审计和预算。需要判断或适应能力的地方可以使用智能体；流程已经确定的地方则应使用确定性软件。

在任务依赖默会知识、机构背景或责任归属时，人类研究助理或领域专家仍可能是最佳选择。目标不是最大化模型完成的工作比例，而是在不降低结论可信度的前提下，让整个研究系统更有能力。

负责人应该衡量什么

试点报告不应只讲速度。至少应衡量：

  • 从提出问题到得到可复核结果所需的时间；
  • 每个被接受结果的成本，而不是每次完成运行的成本；
  • 其他人重新运行这项工作时的复现率；
  • 无效、重复或无法修复的实验比例；
  • 智能体提出的主张中需要重大修正的比例；
  • 每个结果所需的人类复核时间；
  • 智能体找到有用负面结果的频率；
  • 人类改变评估设计或否决智能体解释的频率；
  • 隐私事件、政策违规和未经授权的工具操作。

复核时间这个指标尤其值得关注。如果智能体生成结果的速度超过专家检查结果的速度，队列就会变成瓶颈。应对方法不一定是增加更多智能体。也可能是缩小问题范围、改进结果台账、加强自动检查，或者减少进入人工复核阶段的实验数量。

负责人还应关注集中度风险。如果一个提供商、一个模型家族或一项专有工具嵌入每个实验，组织可能会失去复现历史结果的能力；一旦价格、访问权限、上下文限制或安全行为发生变化，这种风险就会显现。应保存可导出的工件、固定的评估命令，以及足够的文档，以便关键工作能够使用另一个模型或完全不依赖模型重新运行。

研究工作流中的治理边界

智能体的权限不应只在技术层面划分，也应按决策后果来划分。读取公开文档、整理已有文件、执行不会改变外部状态的测试，通常可以属于较低风险层级。修改共享数据、触发高额计算、接触机密材料或影响对外结论，则需要更严格的审核。

这意味着权限配置本身应当能够被记录和解释。谁授予了访问权，访问权何时生效，智能体调用了哪些工具，哪些动作被阻止，最终由谁确认结果，都应成为研究记录的一部分。这样的记录不仅服务于安全复盘，也能帮助团队解释为什么某次实验值得相信，为什么另一次实验只能作为线索。

把治理边界设计成研究流程的一部分，还有一个实际好处：当模型能力提升时，团队不必重新发明所有控制措施。可以在相同的阶段结构中调整权限、评估门槛和人工介入点。模型更强，并不代表每一步都应该放宽限制；它可能只意味着某些阶段能够处理更复杂的任务。

证据链应该如何留下来

研究结果的可信度不仅来自最终数字，也来自从问题到结论之间能否连成一条证据链。一个结果至少应当让复核者知道，最初的问题是什么，使用了什么输入，智能体做了哪些改变，比较基准是什么，哪些结果没有被展示，以及哪些解释仍然不确定。

这也是为什么只保存最终报告不够。报告可以把失败隐藏在流畅的叙述之后，也可以把多次尝试压缩成一个看似自然的发现过程。保存运行日志、版本信息、配置、随机种子和失败记录，才能让后来的研究人员判断结果是稳定模式，还是一次偶然的搜索命中。

当多个智能体并行工作时，证据链尤其容易断裂。不同会话可能读取不同版本的文件，使用不同的依赖，或者在没有明确说明的情况下采用不同的停止标准。统一的运行标识和不可覆盖的结果记录，能够让这些差异变得可见。

证据链的目的也不是让每一项探索都拥有论文级别的完整性。低风险、短周期的探索可以使用较轻量的记录；但当结果将影响部署、预算、对外主张或后续研究方向时，记录的详细程度应随决策后果上升。

如何判断自动化是否真的带来学习

智能体完成了更多任务，并不等于团队学到了更多东西。判断学习是否发生，可以看结果是否改变了后续行动：某个方向是否被放弃，某项资源配置是否被调整，某个假设是否被收窄，某个方法是否因为负面结果而被排除。

如果每次运行都只产生一个分数，而没有说明这个分数如何影响决策，那么团队得到的可能只是活动量。相反，一次没有超过基线的实验，如果清楚说明了某种方法在什么条件下失效，也可能显著减少未来的搜索空间。

因此，评估智能体时不应只问它提出了多少新想法。还应问它是否能可靠地排除错误想法，是否能指出结果对数据划分和硬件变化的敏感性，是否能发现实现与实验定义之间的矛盾，以及它是否会在证据不足时明确表达不确定性。

这些能力不一定会在最醒目的演示中出现，却直接关系到研究工作的质量。对于承担长期研究任务的团队，能够留下清晰的否定性证据，往往比短期制造更多候选方向更加重要。

实际结论

自动化研究实习生是一个有意义的里程碑，因为它让一种熟悉的工作变得更便宜：把一个定义清楚的问题转化为代码、运行、比较和初稿结果。OpenAI的内部数据表明，前沿研究团队已经在使用大量并发智能体工作量。其他研究团体也在探索用于假设生成和科学实验的相关系统。

但这个里程碑并没有让研究人员失去作用，反而提高了研究人员那些最难自动化的职责的价值：选择值得研究的问题，设计公平的测试，发现数据泄漏，判断外部有效性，理解后果，并决定证据何时已经足够。

真正受益最大的团队，会把智能体当作实验基础设施，而不是神谕。他们会给系统一个有边界的任务、受控的工作区、明确的验收测试和失败记录；会为并发运行编制预算，保护敏感数据，并保留脱离原模型提供商后仍能复现的路径。更重要的是，他们衡量的是被接受的知识，而不是生成的活动。

当想法变得便宜，证据就会成为稀缺资源。这正是当前人工智能辅助研究浪潮背后的运营事实，也应当成为每一项部署决策的出发点。

来源