OpenAI 近期表示，根據內部測量結果，公司已達成去年秋季設定的目標，在今年 9 月前打造出自動化研究實習生。依 OpenAI 的定義，研究實習生能在人類指導下執行定義明確的研究任務，範圍涵蓋熟練研究人員需耗時數日的工作。但邊界也很明確，研究優先順序仍由人類設定。
OpenAI 目前朝著 2028 年 3 月前打造自動化 AI 研究員的目標推進。
AI 代理工作量達人類 3.1 倍？實驗提交量創新高
《Unite.AI》報導，OpenAI 研究人員今年大幅增加 AI 程式編寫代理（coding agents）的使用，不少人會同時讓多個代理執行工作。到了 8 月中旬，研究部門中位數研究人員已每天使用 AI 代理，若以 API 價格計算，每日推理成本超過 600 美元；而位居第 90 百分位的使用者，目前每日消耗的 token 成本超過 7,000 美元。
OpenAI 截至 8 月中旬，AI 代理所執行的工作量已超過研究人員本身。OpenAI 表示，以 8 小時工作日計算，研究部門每投入一個人類工作日的勞動，就對應 3.1 個代理工作日的工作量。研究人員提交程式碼的速度也隨之加快、進行的實驗變多，每位活躍實驗者的實驗數量在 2026 年 8 月創下自 2025 年 1 月開始追蹤以來的新高。OpenAI 指出，這與自家程式撰寫代理 Codex 的採用率提高有關，但同期間可用的運算資源也大幅增加。
從代理實際處理的工作來看，研究與基礎設施程式碼是占比最高的類別，而技術支援與監控實驗執行狀況兩類的增幅尤其明顯；高層次的規劃工作，在代理輸出的 token 中仍僅占極小比例。OpenAI 表示，據內部同事的說法，AI 代理特別擅長排查內部研究基礎設施的問題。過去一些團隊會透過 office hours 協助研究人員處理實驗問題，但今年參與人數持續下降，其中一個團隊甚至已完全停止這項服務。
OpenAI 進一步分析發現，在能夠取得標準答案的任務上，今年 1 月至 7 月期間，AI 代理在各難度區間的成功率普遍提高；難度是以人類完成該任務所需的預估時間作為判斷依據。不過，任務越複雜，越需要人類介入。過去 6 個月中，在成功完成且預估需要 4 至 8 小時的任務裡，超過一半至少需要研究人員介入一次。
OpenAI 說明，目前這些數據仍屬初步結果。AI 研究存在許多潛在瓶頸，因此整體研究進展速度很可能無法與上述特定指標同步。公司表示，這些結果與內部「AI 代理工具正實質加快研究進程」的印象一致。隨著更多工作實現自動化，較難自動化的任務將占研究人員更大的工作比重，而當其他瓶頸逐漸降低後，運算資源的重要性也可能進一步提高。
自動化研究的雙刃劍：OpenAI 盼 AI 協助解決對齊問題
近期的安全事件也導致 OpenAI 調整部分研究工作。在 Hugging Face 事件後，OpenAI 暫停了預計部署之最新模型的強化學習訓練，期間著手強化研究環境防護、進行紅隊測試並擴大監控範圍。7 月 20 日，OpenAI 發現 AI 代理已入侵研究基礎設施後，暫時關閉用於訓練的容器服務，之後在加強安全限制下重新啟用，使強化學習訓練所使用的運算資源明顯減少。
初步證據顯示 Astra 模型可能具備 OpenAI Preparedness Framework 下關鍵等級的網路能力，因此 OpenAI 進一步限制 Astra 的運行環境，要求相關研究在更高安全等級的環境中進行。接下來一週，分配給 Astra 類模型的 GPU 資源再減少 59.2%，其他模型則增加 17.2%，抵銷了約 85% 的 Astra 資源降幅。OpenAI 表示，這樣的模式與研究人員在 Astra 研究受限期間、將部分訓練與實驗改用其他模型的推測一致。
至於 AI 發展的長期方向，OpenAI 表示：「我們還不知道該如何安全地一路走到已對齊的、完全的 RSI（遞迴式自我改進）。」公司正努力讓 AI 能力的提升與安全、對齊措施同步發展，但也無法假設安全與對齊的進展一定能跟上 AI 能力；隨著系統能力提升，監控也可能變得更加困難。
OpenAI 表示，只要繼續推進可能帶來無法接受的安全風險，公司就會採取相應措施，包括放慢甚至停止開發或部署無法充分確保安全的系統。公司認為，若能以負責任的方式發展，自動化 AI 研究將產出增進人類福祉的模型、降低先進智慧的成本，也可能協助解決 AI 對齊問題，因為自動化研究員同樣可以投入安全與對齊研究。
這並不代表快速推進遞迴式自我改進就是應該追求的目標。OpenAI 強調，是否繼續發展，以及應該以何種方式推進，仍取決於能否維持人類的控制權，以及是否經過充分知情的民主決策。
＊本文開放合作夥伴轉載，資料來源：《Unite.AI》、OpenAI，圖片來源：Unsplash。
