
最近发布了一份很特别的研究,不是介绍新模型,也不是展示某个产品,而是把自己的研究组织当成了一个实验对象。
这份名为《Research acceleration: The jagged frontier》的报告,试图回答一个越来越现实的问题:当研究员把更多工作交给AI Agent,AI研究本身到底被加速了多少?
报告给出的答案既令人兴奋,也比“AI已经开始自己制造AI”克制得多。
在OpenAI的内部数据中,预计需要人工2到4小时完成的研究任务,Agent在2026年3月至10月的估计独立完成率从23%升至46%;预计需要人工4到8小时的任务,完成率则从13%升到35%。但这并不是一条平滑上升的曲线:监控训练运行的成功率达到79%,启动训练任务只有35%,编写推理和服务代码则只有25%。
同一个Agent,在一个环节可能已经足够可靠,在另一个相邻环节却仍然需要研究员密切接管。
OpenAI把这种状态称为“锯齿状前沿”。它比“AI会不会替代人”更接近今天真正发生的变化。

过去,AI在科研组织里的角色更像一个个人工具:帮研究员写代码、查资料、总结论文或调试程序。现在,它开始进入更长的任务链。
OpenAI披露,2026年10月,研究员使用Agent的工作日数量已经达到每位研究员每天5.7个,相比年初的0.5个有明显增加。按API目录价折算,过去28天滚动计算的每位研究员平均每日使用额中位数接近2400美元,第90百分位约为23000美元。这里的两个数字并不是某一天的实际账单,而是分别代表典型研究员和高强度使用者的API等价使用水平。
这些数字首先说明,Agent已经不再是偶尔调用的辅助工具,而开始成为研究组织的一种生产投入。研究员会把代码实现、实验运行、日志分析、数据扫描和部分安全研究交给Agent,并让它们在更长时间里持续运行。
但这里必须区分三个概念:Agent使用得更多,Agent承担的任务更多,研究成果变得更多。第一件事已经可以从报告中看到,第二件事也有一定证据,第三件事则不能直接从API消耗量、代码行数或实验次数推导出来。
OpenAI自己也承认,记录到的实验数量增加,不等于研究进展按同样比例增加。研究员可能只是因为工具更便宜、更快,而尝试更多想法;更多实验也可能意味着更多无效实验。AI把研究的输入密度推高了,但它还没有替研究组织证明这些输入最终转化成了多少有效发现。

“锯齿状前沿”最重要的含义,是AI能力并不按照任务难度简单排列。
有些工作看起来复杂,但步骤清晰、反馈迅速,Agent反而容易做得不错。比如监控训练任务,系统可以读取日志、检查指标、发现异常,再按照预设规则采取动作。OpenAI报告中,这类任务的估计成功率达到79%。

图:OpenAI报告按O*NET任务类别统计的无人工干预估计成功率。不同类别之间存在明显差异,Build低于Communicate和Analyze,说明Agent能力边界并不平滑。来源:OpenAI《Research acceleration: The jagged frontier》。
但启动一次训练任务,成功率降到35%;编写推理和服务代码,成功率只有25%。这些任务不仅需要生成代码,还要处理环境、依赖、接口、资源、系统状态和未预期错误。一个环节出错,后面的结果就可能全部失效。
按照研究者对任务的分类,Communicate和Analyze的成功率分别为69%和58%,Build则只有43%。这并不是说AI擅长表达、不擅长建设这么简单,而是说明:当任务可以被拆成阅读、比较、解释和局部修改时,AI较容易发挥作用;当任务需要在复杂系统中持续承担结果时,能力就会快速变得不稳定。
研究员真正需要的不是一段看起来正确的代码,而是一个能在目标环境里运行、结果可以复现、错误能够定位、后续工作可以继续的系统。AI生成了更多代码,并不代表它完成了更多工程。
这也是为什么,Agent越能长时间工作,人工监督越重要。长任务的风险不只来自某一个错误,而来自错误被隐藏、累积并传递到下一个步骤。研究员需要知道Agent做了什么、为什么这样做、哪些结果可信、哪里必须重新运行。

OpenAI报告中有一个很值得注意的细节:AI参与研发后,研究员的作用并没有简单减少,而是被重新分配。

图:OpenAI估算的研究员时间在不同研究领域的变化。时间投入增长并不等于AI替代了研究员,也可能反映研究活动扩张、任务迁移和安全工作的增加。来源:OpenAI《Research acceleration: The jagged frontier》。
AI可以加快代码实现和实验执行,但研究员需要投入更多时间选择问题、设计任务、检查数据、判断结果,并决定哪些方向值得继续。报告提到,关键研究想法仍然主要由人提出;在一个预训练项目中,研究员描述了与Agent共同形成或改进研究想法的案例,但这与“Agent独立提出了有价值的新方向”仍然不是一回事。
差别很重要。
提出一个想法,不等于证明它有价值;生成一个实验,不等于实验能够回答问题;得到一个结果,也不等于结果能够改变模型或产品。AI正在把研究员从大量执行工作中释放出来,但也把他们推向更难被自动化的判断环节。
这可能是未来研发组织最重要的一次岗位变化:研究员不再只是亲自完成每一个步骤,而要成为任务的设计者、结果的验收者和错误的最终承担者。
问题在于,判断能力不能像代码一样轻易计量。一个研究员一天运行了多少Agent,可以统计;但他是否提出了真正值得研究的问题,是否及时否定了一个错误方向,是否识别出一个看似漂亮但不可复现的结果,往往要经过更长时间才能知道。
所以,AI研发的管理不能只盯着Agent调用量和实验数量。如果组织把更多实验直接当成更高生产率,就可能鼓励研究员制造更大的“实验噪音”。

这组统计的口径也值得展开。OpenAI每天先汇总每位研究员过去28个日历日的Agent使用量,再计算个人的平均每日使用额,最后在进入研究人员名单至少28天的研究员中,分别取中位数和第90百分位。API等价花费按照消费者购买同等API用量时的价格计算,输入、缓存输入和输出Token分别计价;内部或尚未部署的模型,则映射到当时最接近的生产模型价格。统计范围包括Codex、ChatGPT Work和Dots等交互式产品,不包括自动化运行的codex exec。由于内部成本、折扣和真实资源价格不同,API等价花费可能高于OpenAI实际承担的成本。

图:OpenAI研究员Agent使用量的Median与90th Percentile。数据按过去28个日历日滚动计算每位研究员的平均每日API等价使用额;左侧代表典型研究员,右侧代表高强度使用者。灰色区域为临时Harness效率改进阶段。来源:OpenAI《Research acceleration: The jagged frontier》。
报告称,2026年9月,研究组织Agent使用的API等价价值约为非股权薪酬的两倍,但内部部署只占总研究算力约2%。这组数据不能被理解为Agent已经替代了两倍的人力。API目录价是按公开价格折算的价值估计,不等于公司的实际现金支出;内部部署占比也不等于全部研究工作中AI的真实贡献比例。
但它至少说明,研究组织开始出现一种新的预算关系:公司需要同时为人、模型调用、算力、数据、工具和监督付费。
过去,研发成本主要体现在研究员工资、硬件和训练算力上。现在,Agent会把更多工作拆成可计量的调用和运行时间,成本更容易被看见,也更容易增长。一个能够持续工作数小时的Agent,可能在几天内完成大量实验,也可能在几天内消耗大量Token,重复执行一条错误路线。

图:Agent Token等价成本与劳动成本的比值(不含股权)。该指标按API价格折算,不等于OpenAI实际承担的成本,也不等于人力替代比例。来源:OpenAI《Research acceleration: The jagged frontier》。
因此,AI研发的核心问题不只是“模型能不能做”,还包括“组织能不能管理这种新的消耗”。谁决定Agent可以运行多久?谁为失败实验负责?哪些任务应该自动化,哪些任务必须保留人工确认?当研究工作被拆成多个Agent共同执行时,最终结果由谁验收?
这些问题不是工具使用指南,而是研发管理和公司治理问题。

“AI开始参与制造下一代AI”是这份报告最容易被传播的说法,但它需要更严格的拆解。
如果“制造AI”指的是写训练代码、监控实验、分析数据和调整局部参数,那么AI确实已经进入了研发生产线。OpenAI的数据显示,相关任务的委托量、运行时长和实验数量都在增加。
如果“制造AI”指的是独立提出重要问题、设计有效实验、识别错误、综合结果,并持续推动一个新的模型能力出现,那么目前公开证据还不够支持这样的结论。
真正的门槛不在于Agent能不能写更多代码,而在于它能不能完成一条稳定的闭环:提出值得研究的问题,选择合适的数据和方法,设计能区分不同假设的实验,识别失败原因,修正路线,并把结果转化成下一轮可靠行动。
这条闭环里,最容易自动化的是执行,最难自动化的是选择和验收。只要研究问题仍然由人来定义,实验结果仍然要由人判断,Agent就更像一支不断扩大的研发团队,而不是一个完全自主的研究机构。
OpenAI也在尝试用内部指标观察模型能力的提升。报告称,其自有指标显示,2025年8月以来模型能力前沿的年化增长速度约为16.4点,另一个外部观察趋势约为14点/年。但这类指标依赖具体任务集合、模型样本和测量方式,不能直接当作行业总进步速度,更不能自动等同于AI研发效率的增长。
测量“模型会什么”和测量“研究组织产出了什么”,仍然是两个问题。

这份报告最值得留下的,不是某一个成功率,也不是每天几千美元的调用量,而是“锯齿状前沿”这个判断。
它提醒企业,AI不会按照一条整齐的曲线进入组织。最先被自动化的,往往是那些可以拆解、可以验证、反馈周期短的工作;真正的瓶颈会移动到问题定义、数据质量、系统整合、长期记忆、结果验收和责任承担上。
这也意味着,企业不能只问“我们要不要用AI”,而要把工作重新拆开:哪一步适合交给模型,哪一步必须由人确认,哪一个错误可以回滚,哪一个错误会改变整个项目的方向。
对研究组织来说,未来的竞争可能不再是拥有多少模型,而是能否把模型能力嵌入一条可靠的实验流程。对产品团队来说,重要的不是Agent能否展示一段漂亮的演示,而是它能否在真实环境中连续工作、留下可追踪记录,并在失败时停下来。
对管理者来说,最危险的误判是把AI的局部高成功率,想象成全流程自主能力。一个Agent在监控任务上达到79%的成功率,并不意味着它可以在没有监督的情况下启动训练、编写部署代码和判断研究结论。能力边界不是一条平滑的线,而是一组高低起伏的山脊。
OpenAI这份报告真正宣布的,可能不是“AI已经开始自己制造AI”,而是另一件更现实的事:AI已经开始改变AI研发的劳动分工,但人类仍然掌握着问题定义、方向选择和结果验收。
下一阶段的竞争,不只是让模型变得更强,而是让这条锯齿状的能力边界,能够被组织看见、被流程约束,并被放进一套可以承担责任的生产系统里。

研报速递