行业资讯

加入亿拓客·流量大师 撬动财富之门!!!

46% 的研究任务,AI 能自己跑完:OpenAI 这份报告还说了什么?

wang 2026-11-19 行业资讯
46% 的研究任务,AI 能自己跑完:OpenAI 这份报告还说了什么?

46%。这是 OpenAI 内部智能体在“预计需要 2 到 4 小时”的研究任务上,完全不用人插手就能做完的比例。

这个数字放在 2026 年 11 月 18 日发布的《Research acceleration: The jagged frontier》里,和另一组数字并排:同一档任务,今年 3 月还只有 23%。8 个月,翻了一倍。

但报告里紧接着写了一句更值得记住的话:“Overall, uplift is jagged, and humans remain a core part of the AI research loop.” uplift 是锯齿状的,人类仍在 AI 研究回路的核心。

这篇不打算复述报告。我想拆的是:这 46% 到底量了什么、哪些活被接走了、代价记在谁账上,以及如果你的团队也要上智能体,先该量哪三件事。

01 46% 这个数字,量的是哪一段活

先看口径。这个 46% 不是“OpenAI 有 46% 的工作由 AI 完成”,也不是“46% 的研究员被替代”。

它量的是任务,而且是被估计为“需要 2 到 4 小时人力”的那一档任务,在无人干预条件下的成功率。4 到 8 小时那一档,从 13% 升到 35%。两档都翻倍,但绝对值差得很远。

报告给了一个更细的切面:从 2026 年 8 月 1 日到 10 月 18 日,按任务类型拆,无人干预成功率最高的是“监控训练运行”79%,“回答技术问题”72%;最低的是“写推理与服务栈代码”25%,“搭建评测、强化学习与智能体环境”29%。

同一批模型,同一个时间段,最高和最低差 54 个百分点。这不是“AI 会不会做研究”的问题,是“AI 能做研究的哪一段”的问题。

02 同一批智能体,成功率从 79% 掉到 25%

把七项任务按大类合并,图会更清楚:沟通 69%,分析 58%,构建 43%。

构建是分水岭。它包括了把实验真正跑起来、把评测环境搭起来、把推理服务写出来——这些活的共同点是:要在一个不完整、会出错、没人给你标准答案的环境里做决定。

监控训练为什么高?因为目标明确:盯 loss、盯吞吐、盯异常,发现不对就报警。回答技术问题为什么也高?因为答案大多在文档、代码和过去的讨论里,检索加总结就能覆盖大半。

写推理代码为什么低?因为它不只是“写对”,还要“跑得快、省显存、在真实流量下不崩”。这些约束往往不在任务描述里,而在团队过去踩过的坑里。

报告没有回避这一点。它写:“agents today still have significant flaws.” 智能体今天仍有明显缺陷。受访研究员的原话更直接:模型“对研究想法、代码质量、数据质量和写作的品味很差”,会“在不必要的步骤上钻牛角尖”,会写“AI slop”式的 PR。

这就是锯齿的真正含义:被接走的是可拆分的执行,留下的是定义问题、判断取舍、兜底审查。46% 不是裁员指标,是审查产能指标。

03 每天 2,400 美元:智能体成了研究室的固定开支

再看投入侧。

按 API 标价折算,2026 年 10 月,中位数研究员每天在智能体上花 2,400 美元,比 9 月的 1,500 美元涨 62%;90 分位是 23,000 美元,比 9 月的 11,000 美元涨 105%。

工时口径更直观。报告把每 8 小时智能体使用定义为一个“智能体工作日”:每个研究员每天从 0.5 个涨到 5.7 个,11 倍。预训练与后训练团队平均每天约 8 个智能体工作日——相当于每个研究员配了 8 个不下班的助手。规模化与基础设施团队约 4 个。

并发也在涨。到 10 月中,超过三分之二的研究员日均峰值至少有 4 个智能体同时跑,超过 10% 的研究员日均峰值至少 16 个。

钱和卡要分开看。报告说,按 API 等价计算,智能体支出约为研究员非股权薪酬的 2 倍;但内部部署(Codex、ChatGPT、API 合计)只占总研究算力的 2%。人力账本和算力账本,是两本账。

04 研究员愿意拿 40% 人头换三个月

如果只看成本,很容易得出“智能体很贵”的结论。报告换了一个问法:如果未来三个月不能用前沿编码智能体,你愿意拿什么换?

101 名研究员的回答,中位数是:40% 的团队人头,或 30% 的当前团队算力。还有一个问题问 2027 年 1 月的预期,中位数变成愿意拿 50% 的算力去换。

另一组调查更刺眼:在最新内部模型和“一名中级人类研究工程师 + 2024 年的 o1-preview”之间选,28 个受访者里 27 个选了或倾向最新内部模型。剩下那一个没有在给定选项里选,但说会选 GPT-6 Astra,而不是人类协助方案。

这不是说模型已经比人强。它说的是:在“把一个想法推进到可运行”的这一段,模型给出的边际收益,已经超过了一个中等水平的人类助手。

报告也给了反向证据。研究员说,模型不擅长提出“自己解决不了的好问题”,也不擅长判断一个研究方向值不值得做。预训练、后训练、安全监控三个领域的关键想法,几乎都来自人;模型更多是在实现阶段帮忙。

所以真正稀缺的不是写代码,是选题。这句话对团队的意义,比 46% 更大。

05 安全与对齐的工作量,涨了 77%

报告里最容易被划过去的一栏,是安全。

2026 年 1 月到 9 月,OpenAI 内部“安全与对齐”的文档工作量涨了 77%,是所有研究领域里绝对增幅最大的。报告说,拐点出现在 7 月的 Hugging Face 事件之后。

这条数据放在“智能体承担一半任务”旁边,意思就变了:自动化越多,安全审查不是变少,而是变多。因为智能体会写代码、会开 PR、会改实验配置,每一个动作都需要一个可审计的边界。

报告自己也承认,这套测量还很年轻。它引用了 Anthropic 的三份内部部署报告、Gemini 4 Argon 安全报告里“AI 写代码比例”的章节,以及 METR 与 Anthropic 合作的加速评估。换一种说法,这不是 OpenAI 一家的发现,而是几家前沿实验室都在补的同一门课。

对普通团队,这一栏的启示很直接:上智能体之前,先看有没有人接得住审查。没有审查产能,46% 的成功率只会变成 46% 的返工。

06 产出侧:实验 1.68 倍,OECI 每年 16.4 分

再看产出。

截至 10 月 18 日的四周,每位活跃实验者记录的实验数,是 2025 年基线的 1.68 倍。代码改动量继续上升,报告改用 28 天滚动平均,并排除了测试代码。

更宏观的指标是 OpenAI ECI(OECI)。报告说,自 2025 年 8 月以来,OpenAI 模型的 OECI 前沿每年上升 16.4 分;Epoch 观察到的 ECI 趋势是自 2024 年末起每年约 14 分。报告提醒,OpenAI 模型在 OECI 上相对竞品的分数,比在 Epoch ECI 上更高,原因可能是基准组合不同。

这三个指标都有同一个问题:它们量的是“研究活动”,不直接等于“研究进展”。实验多了、代码多了,可能是真的更快,也可能只是试错更多。报告自己写了这句:这些历史趋势“可能无法预测未来 AI 驱动的进展”。

所以我把这一节当成“仪表盘”,不当成“结论”。仪表盘告诉你发动机在转,不告诉你车开对了方向。

07 如果你的团队也要上智能体,先量三件事

这份报告是 OpenAI 的内部数据,不能直接外推到每一家公司。但它给了一把可以借用的尺子。

判断表

先量什么
怎么量
不合格的信号
委派率
按任务类型拆:哪些活真的交给智能体独立跑完,哪些只是“辅助生成”
只有总数,没有分类型;把“用过”当成“跑通”
审查产能
谁来看 PR、谁来复现结论、平均排队多久
智能体产出增加,审查人手不变
账单与产出
智能体日开销 vs 实验数/交付数,按月对比
开销涨得比产出快,且说不清为什么

三件事里,最容易被忽略的是第二件。委派率可以靠工具统计,账单可以靠 API 账单,只有审查产能是人的时间,不会自动扩容。

接下来三个月,看三件事就够了:低分任务有没有补上、审查岗位有没有增加、账单增速有没有超过产出增速。

团队正在上智能体的,先去量审查产能——这比换模型更急。

项目地址:https://openai.com/index/research-acceleration-jagged-frontier

参考来源:OpenAI《Research acceleration: The jagged frontier》(2026-11-18)https://openai.com/index/research-acceleration-jagged-frontier

同系列:OpenAI《The Silent Consensus》(2026-11-18)https://openai.com/index/the-silent-consensus

脚注引用:Anthropic 研究 https://www.anthropic.com/research | METR 加速评估 https://metr.org/

猜你喜欢