OpenAI《Research acceleration: The view inside OpenAI》解析

• 原文链接：Research acceleration: The view inside OpenAI
• 标题：研究加速：OpenAI 内部视角。
• 作者：OpenAI。
• 原文发布日期：2026-09-06。
• 阅读与资料核对日期：2026-09-09。
• 文档形式：中文摘要、方法解读与独立分析；不是全文翻译。

本文阅读范围包含正文、附录以及“智能体工时”“任务成功率”的图表方法弹窗；同时参考 Epoch AI、METR 和相关原始资料。没有获得 OpenAI 内部原始日志，也没有独立复现其统计结果。

我的核心判断：评价 AI 研究加速，应追踪从问题提出到可靠结论被采用的完整过程。使用量可以显示采用程度，活动量可以显示工作变化，但真正值得衡量的是更快形成了多少经得起检验的知识。

1. 原文摘要与关键证据

OpenAI 报告内部智能体使用、代码活动和实验增加，称已达到在人类指导下完成明确任务的“研究实习生”阶段，并以 2028 年 3 月为自动研究员目标。其将这些观察与研究加速联系起来，同时讨论安全约束。来源：原文

精读时最应保留的两组信息：

信息	原文及方法说明中的口径
约 3.1 个智能体工作日／人类工作日	前者由累计运行时长折算；后者按研究组织人数及每天 8 小时构造，并非实测人工工时
任务成功率	Sol 分类器追溯结果与干预；人工校验集为 25 个任务；主图统计零干预成功，排除不确定结果，并另做悲观敏感性检查

来源：原文第 1、3 节对应的 View methods 弹窗

以下章节主要提供独立分析。文中的虚构数据和数学算例均用于解释方法，不是 OpenAI 的内部实测值。

2. 先分清“加速”究竟指什么

2.1 使用量、产出与知识增量

可以把一项研发活动分成四层：

层次	示例指标	能回答的问题
投入	人工时间、推理费用、GPU 时间	投入了多少资源？
活动	代码修改、实验启动、分析报告数量	做了多少事？
有效成果	通过复核的实验、可复用工具、可靠的失败结论	哪些工作真正有用？
研究进展	已验证的新方法、固定资源下的改进、被采用的新认识	对目标问题推进了多少？

这是本文的分析框架。四层之间需要逐层建立证据，不能只因第一层或第二层增长，就假定第四层按同样比例增长。

设想某团队以前一天运行 10 个实验，现在运行 50 个。其中大部分只是重复相近配置，且没有可靠对照。另一个团队只运行 12 个实验，却排除了一个关键错误假设。单看实验数量会高估前者、低估后者。

2.2 研究价值不只来自正结果

一个可信的负结果可能告诉团队不要再投入昂贵训练。发现评测污染、排除数据泄漏、证明某种收益无法跨数据集复现，也可能是重要进展。

因此，我会把“有效成果”定义得比“分数上升”更宽：它应帮助研究者更准确地决定下一步，而不是只增加可展示的成功案例。

2.3 自动化程度与研究收益也应分开

一个任务完全自动完成，但对研究方向没有影响，其战略价值可能有限。另一个任务只由 AI 完成部分分析，却帮助人类发现关键问题，价值可能很高。

这意味着至少需要两条评价轴：人类介入减少了多少，以及研究决策改善了多少。追求无人干预并非所有研发工作的最优目标。

3. 研究流程应怎样拆解

补充资料：Epoch AI 提出面向 AI 研发的任务分类，覆盖六类活动、六十余项任务，并使用 0—5 档初步评价自动化程度。作者明确将其视为可修订的初始框架。来源：Epoch AI 的 AI 研发任务分类

受到这种“按任务研究自动化”的思路启发，下面用一个虚构项目说明怎样组织评估。表中项目与验收标准由本文设计。

假设目标：降低一个分类模型的推理延迟，同时保持质量。

工作环节	可以交给 AI 的具体工作	需要验收的证据
确定问题	汇总延迟分布、识别主要耗时	测量条件一致，目标明确
设计实验	提出候选方案和对照	每个实验能区分不同解释
实现方案	修改程序、补充运行脚本	改动可追踪，行为符合约定
执行实验	运行配置、整理日志	版本、种子、环境和异常齐全
解释结果	比较质量、成本与延迟	区分随机波动与可复现改进
决定采用	整理取舍与剩余问题	结论与证据对应，决策可审查

这个例子解释了“会写代码”和“会做研究”的差别：代码可能运行正确，实验却无法回答研究问题；统计计算可能正确，比较对象却不公平。

我更关心的能力是：系统能否识别当前缺的是实现、数据、证据还是问题定义，并据此选择下一步工作。

4. 怎样理解智能体工时

4.1 累计时间与日历时间

假设四个智能体同时各运行两小时：累计智能体时间是八小时，但墙钟时间只有两小时。如果用户在此期间只花半小时检查结果，那么人工投入又是第三个数字。

这三个数字分别适合衡量资源使用、交付等待和人力占用。把它们混在一起，会出现“节省了很多人工”“系统工作了很久”和“任务很快完成”之间的错误推导。

**工时比应先作为投入结构指标理解。**要把它变成人力替代比例，还需要任务质量、有效工作比例及人工复核成本等证据。

4.2 运行时长不天然代表有效工作

两个智能体都运行一小时，一个完成可靠的数据清洗，另一个重复尝试错误命令。即使日志准确记录了时间，两者产出价值也可能相差很大。

研究运行日志时，我会进一步区分：推进任务、等待外部资源、重复失败和验证结果。它们都可能占用时间，但对优化系统的启示不同。

4.3 并发为什么可能放大监督压力

假设一个人每小时最多认真复核两个结果，智能体每小时提交六个待审结果，那么审查队列每小时净增四个。

新增智能体可以扩大前端产出，却未必缩短最后交付时间。此时值得改进的可能是任务拆分、证据格式、自动验证和审查容量，而不是继续增加并发。

一个可测试的设计是：让每份结果同时提交最小复现命令、差异说明和失败记录，测量这种证据包是否减少人工复核时间。

5. 为什么局部提速不等于整体同比提速

5.1 用 Amdahl 思路做一个简化计算

Amdahl 的经典分析说明，不可并行或不可加速的部分会限制整体收益。这里借用这一思路分析研发流程，而不是把研发活动直接视为计算机程序。来源：Amdahl 1967 年论文

假设一项固定工作原来有 p 的时间可以加速，该部分加速 k 倍，其余不变、没有额外开销，则：

整体加速倍数 S = 1 / [(1 - p) + p / k]

若 60% 的时间可加速，40% 仍用于不可缩短的等待与判断：

可加速部分的倍数 k	整体加速 S
2	1.43
5	1.92
10	2.17
趋于无限大	趋近 2.50

这些是假设数据。它们说明，即使代码编写快了很多，整体进度也可能仍受实验运行或结果审查限制。

5.2 这个模型也有边界

真实研发可以重组流程，产生新工具，或者选择过去做不起的任务。因此 p 未必固定；研究产出也未必与耗时简单成反比。

这条公式适合提醒我们查找瓶颈，不适合用来断言 AI 研发提速存在固定上限，更不能据此预测 AGI 日期。

5.3 区分单个项目延迟与整个团队吞吐

某个实验必须运行两天，即使准备时间降到十分钟，项目也不能十分钟完成。但如果准备更快让团队同时探索更多合理方向，团队每月形成的有效结论仍可能增加。

因此，报告“加速”时，应说明指的是同一任务更快、同一团队做得更多，还是同样预算下获得更好的结果。这三种改善都值得衡量。

6. 代码与实验指标需要怎样解释

6.1 代码活动是一种代理指标

在任何研发团队中，代码修改量都可能受到批量格式调整、文件生成、重构和任务结构变化的影响。一次删除大量冗余代码的改动，也可能比新增更多代码更有价值。

所以，我会同时记录改动是否被采用、缺陷和回滚、维护负担，以及研究问题是否得到回答。代理指标有用，但应服务于目标指标。

6.2 更多实验也可能意味着更多噪声

假设同时进行 20 个独立检验，每个检验在零假设为真时都有 5% 的误报概率，而且不作多重比较校正。那么至少出现一次误报的概率是：

1 - 0.95^20 ≈ 64.2%

这个算例不是对任何公司的实验质量指控。它提示一种方法风险：当试验更便宜、更多时，只挑最亮眼的结果会更容易产生错误信心。

应根据具体统计设计处理多重比较，并保留未被选中的实验、独立复现和预先约定的评估条件。多做实验与提高证据质量，需要同时推进。

6.3 把实验视为信息获取

两个配置得分分别为 80.1 和 80.2，不一定已经说明哪个更好。还需要知道随机波动、数据重复、评估误差和差异的实际意义。

我认为更有用的实验记录应包含“原先不确定什么”和“这个结果改变了什么判断”。这样才能区分探索带来的知识与重复运行带来的活动量。

7. 成功率：先确定分母与判定方法

7.1 条件成功率与总体成功率

假设一共 100 个任务，其中 60 个能判定结果，45 个成功；另有 40 个结果未知。

• 在可判定样本中，成功率是 45 / 60 = 75%。
• 若未知任务全失败，总体成功率是 45%。
• 若未知任务全成功，总体成功率是 85%。

因此，75% 回答的是一个有条件的问题。它既不能直接当作全部任务成功率，也不因存在未知结果就自动失去参考价值。

判断趋势时，还要看不同月份的未知比例及构成是否变化。敏感性分析可以检查结论是否依赖某些假设，但不能替代对缺失原因的了解。

7.2 用模型做评审也要验证评审器

让 AI 分类历史任务，可以扩大分析规模；但它可能误读用户反馈、遗漏后续返工，或把流畅的陈述当成正确结果。

对这类评审系统，我会要求报告人工抽样方式、不同结果类别的表现、分歧处理，以及分类器版本。如果任务分布发生变化，也应重新抽样检查。

**小规模人工校验适合发现明显问题，却难以说明每个任务类别都同样可靠。**尤其需要关注稀少但重要的失败，而不只是总体一致率。

7.3 人类干预应按成本与性质理解

一次干预可能是补充一句缺失要求，也可能是重写整个实现。只记“有／无”或次数，会忽略差异。

我建议至少区分：需求补充、方向修正、错误修复和全面接管，并记录耗时。一次两分钟的方向修正，与三小时的返工，代表完全不同的人机协作收益。

评价目标也要明确：测自主能力时，可以严格要求零干预；测组织生产率时，应直接计算包括干预在内的完整成本与质量。

8. 相关性与因果性：更强的证据长什么样

8.1 采用 AI 与进度改善可能共同变化

设想团队同时引入新模型、扩容集群、改善数据管道并招募资深工程师。之后实验产出上升，不能只根据时间先后把收益全部归给 AI。

反方向也可能存在：更熟练或资源更多的团队更早使用 AI。比较使用者与非使用者时，需要考虑他们起点就不同。

我会把结论分成三档：观察到指标一起变化；有可信设计支持 AI 产生部分收益；进一步估计收益大小及适用范围。三档的证据要求逐步提高。

8.2 一个独立研究的历史参照

**补充证据：**METR 的早期 2025 年随机对照研究发现，在所研究的资深开源开发者任务中，允许使用当时的 AI 工具使完成耗时增加约 19%。作者将结果限定为特定时期与场景的快照。来源：METR 2025 年研究

这项研究说明，主观感受与因果测量值得分开。它不能直接否定 2026 年前沿实验室中的收益，也不能证明更晚模型仍然具有同样效果。

8.3 新工具也会让测量本身更困难

**后续资料：**METR 在 2026 年 2 月说明，后续实验受到参与者和任务选择、并发计时等问题影响，数据不足以可靠确定当时生产率收益的大小，并因此调整研究设计。来源：METR 的实验设计更新

我的理解是，工具改变的不仅是做任务的速度，也可能改变人们愿意做什么任务，以及如何同时组织多项工作。

例如，一个此前因成本过高而从未尝试的项目，被 AI 变得可行。只比较已有任务耗时，会漏掉这种价值；但新项目变多，也不自动证明每个项目更高效。

8.4 怎样设计更可信的比较

可行时，随机分配相似任务的 AI 使用条件，统一验收并记录完整耗时。如果无法随机化，可采用分阶段引入或匹配任务比较，但应明确额外假设。

还应把固定任务提速与新增可行任务分开记录，并检查项目结束后的返工。评估范围太窄，可能只把成本从一个阶段转移到另一个阶段。

9. 从研究助手到递归自我改进

9.1 先给概念一个清楚边界

本文用“递归自我改进”（RSI）表示：AI 参与改进后续 AI，而后续 AI 又更有效地参与再下一轮改进，形成反馈过程。

这不要求某个运行中的模型直接修改自己的权重，也不意味着一定没有人类参与。它与“系统能独立决定所有研究方向”是不同命题。

可以用以下概念链条表达：

AI 辅助研究 → 得到可验证改进 → 改进进入下一代系统 → 新系统更有效地辅助研究

每个箭头都需要证据。例如，某项新训练方法提高了聊天质量，却未必提高 AI 研发能力；小实验有效，也未必能在更大训练中保留收益。

9.2 正反馈不等于必然快速失控增长

设想每轮研究都能带来一定收益，但数据整理、芯片供给、验证、集成或许可限制让每轮耗时不变。那么有反馈，不代表周期会越来越短。

反过来，即使研究方法改善不大，增加资源也可能让进展短期变快。观察加速时，要区分算法收益、资源增长和流程重组的贡献。

9.3 目标日期与预测证据应分开

组织设定一个研发目标可以影响资源分配，但它本身不提供实现概率。若要判断某一日期前能否达到某种自动化水平，还需明确能力标准、验证任务和失败条件。

我会优先观察：系统能否提出有价值的问题、独立复现实验、正确解释失败，以及将结果稳定整合进后续研究。这比只关注一个日期更有诊断价值。

10. 安全约束如何进入研究过程

10.1 补充的官方背景

OpenAI 在 2026 年 8 月 18 日的说明中披露，曾暂停最新拟部署模型的强化学习训练两周，并强化隔离与监测；文中区分监测、对齐和安全措施，强调内部研发也需要防护。该文同时指出部分工作恢复、部分仍受限制。来源：OpenAI 关于模型研发节奏的说明

这是当时的披露，不能直接当作所有相关工作在本文核对日期的实时状态。

10.2 三种控制解决不同问题

从工程分析角度，行为训练试图减少错误意图或不当行动；监测试图发现异常；权限与隔离限制异常能影响的范围。任何一种措施有效，都不能自动证明另外两种可以省略。

假设实验代码只应读取测试数据，那么即便模型推理很强，也不需要默认获得全部研究资料的写权限。权限设计应与任务需要对应，效果再通过实际测试验证。

10.3 监督存在自己的资源预算

生成更多候选结果会增加审查负担；同时运行更多实验也会增加日志与异常数量。因此，应把验证和监督作为研发流程的一部分计费，而不是只核算生成候选方案的成本。

一个有用的优化目标是：在满足既定质量和授权条件下，最大化单位完整成本的有效研究产出。这个目标允许系统为了更可靠的验证而增加某些调用，也要求减少没有实际作用的重复检查。

10.4 资源总量无法单独说明活动性质

假设某类训练停止，但释放的资源转去做防护验证或另一类实验，总计算量可以保持不变。相同总量可能对应不同用途和风险结构。

因此，评价一项限制的效果，应该事先说明它要改变的是哪些活动、权限或能力，而不能只看整个组织的 GPU 使用曲线。这是分析资源配置的通用原则，不是对某个具体限制有效性的结论。

11. 怎样把这些思路用于自己的团队

11.1 先挑可以验收的研究任务

建议从有明确输入、输出和判断标准的工作开始，例如复现实验、诊断运行错误、整理消融结果，或实现已讨论清楚的候选方法。

“研究一个新方向”可以是项目目标，但通常需要进一步拆成可观察的阶段：界定问题、整理证据、提出可检验假设、运行最小实验，再决定是否继续。

11.2 建立包含失败的研究记录

下面是本文设计的实验记录模板，可直接复制：

研究问题：
当前假设及依据：
什么结果会支持它，什么结果会削弱它：

对照与候选方案：
数据、代码和环境版本：
资源预算及授权范围：
实验停止条件：

AI 完成的工作：
人工介入及耗时：
运行结果与证据位置：
失败、异常和未执行的实验：

是否完成独立复核：
可复现的结论：
仍然未知的事项：
下一步决策及理由：

停止条件尤其有用。它既可以表示资源已耗尽，也可以表示关键假设已被排除。合理停止一个无效方向，也是一种成功的研究决策。

11.3 一组更有用的评估指标

指标	建议记录方式
完整周期	从明确问题到经复核结论的墙钟时间
人工投入	设计、干预、审查和返工分别记录
资源成本	模型、工具、训练、验证和存储
结果质量	复现情况、遗漏、错误与被采用的比例
研究价值	改变了什么决策，避免了什么浪费
自主程度	无干预、轻度纠正、大幅返工分别统计

指标不必一开始就非常复杂，但要保留分母、版本和失败记录。后续模型升级时，才有条件做可信比较。

11.4 给 AI 的任务说明范例

请研究：[一个具体问题]。
先提出最小可验证方案，再在以下预算内执行：[预算]。
可以使用或修改的对象：[数据、目录、环境]。

请给出对照、评价标准和停止条件。
保留所有尝试，包括失败和不支持当前假设的结果。
遇到结果矛盾时，先检查实现、数据和评估口径。

交付内容：可复现材料、结果表、证据支持的结论、
仍未解决的问题，以及下一步建议。
重大方向变更或扩大授权范围时，请先说明理由。

这个范例的核心是要求可检验的研究过程。它不能保证模型正确，也不能代替适用于具体项目的实验设计。

12. 常见误读与综合判断

容易产生的判断	更稳妥的理解
智能体累计工时更多，等于科研人力同比增加	时长是投入指标，还需有效产出与审查成本
代码、实验更多，等于研究推进更多	需要核对质量、信息增量及实际采用
任务成功，等于完全自主完成	应区分干预、返工和系统支持
自动分类器给出成功率，就等于客观真值	评审器本身也需要抽检与误差分析
出现正反馈，必然很快实现全自动研究	还要检验反馈强度、周期与瓶颈
某个历史研究发现减速，所有新工具都无效	结果受到时间、人员、任务与配置限制
内部观察不能证明因果，因此没有价值	观察数据可以提供线索，但结论力度应匹配设计

我的判断是，这类内部披露最有价值之处，在于让外界开始检查研发过程，而不只是模型考试成绩。接下来更有说服力的证据，应包括相似任务的可重复比较、完整人工成本，以及经过独立复核的研究成果。

对个人和团队而言，最值得追求的是：AI 帮助你更快排除错误、验证假设并形成可靠决策。把这些结果持续记录下来，才能判断工具带来的收益是否真实、可持续，并适合自己的工作。

参考资料

1. Research acceleration: The view inside OpenAI：本文阅读对象；包括已检查的工时与成功率方法弹窗。
2. Toward an O*NET for AI R&D — Epoch AI：按研发任务研究自动化的框架。
3. Amdahl 1967 年原始论文：局部加速受其他环节限制的理论背景。
4. METR 2025 年开发者生产率研究：特定场景下的随机对照证据。
5. METR 2026 年实验设计更新：选择偏差与并发计时的测量挑战。
6. Pacing model development in an era of cyber-critical capabilities：OpenAI 对研发控制措施的历史披露。