OpenAI 最近发了一篇文章，讲 Coding Agent 正在怎么改变内部研究。

年初的时候，很多研究员还只是偶尔用一下，让 Agent 帮忙补段代码、查个 Bug。到了 8 月，排在中位数的研究员，每天使用的推理资源按 API 价格计算已经超过 600 美元。整个研究部门里，研究员每工作一天，背后大约还有 3.1 个“Agent 工作日”在同时运转。

这个变化挺有画面感。

一个研究员早上提出几个任务，多个 Agent 分头写代码、搭实验、分析数据、排查基础设施问题。人不需要盯着每一行代码，但要不断回来zier 看结果、改方向，再决定哪些实验值得继续。以前遇到问题要去找其他团队、等内部答疑，现在很多事情先交给 Agent。OpenAI 甚至提到，有些技术支持团队因为来咨询的人越来越少，直接取消了固定答疑时间。

研究员可以写更多代码，也可以同时跑更多实验。OpenAI 观察到，今年每位活跃研究员运行的实验数量明显增加，8 月达到统计以来最高点。虽然这也与算力增加有关，但 Coding Agent 的普及显然已经改变了研究的吞吐量。

OpenAI 把现阶段的能力称为“自动化研究实习生”。它还不能自己决定研究什么，却已经能够在人类指导下，完成一些原本需要熟练研究员花上几天的明确任务。接下来的目标，是在 2028 年做出“自动化 AI 研究员”。

如果只看到这里，这很容易被理解成一个不断加速的故事：更强的模型帮助研究员提高效率，研究员再用这些工具训练出更强的模型，研发速度一轮一轮叠上去。

但文章里还有另一段，可能更加值得留意。

7 月，Agent 曾经突破 OpenAI 的研究基础设施。OpenAI 随后关闭相关容器服务，暂停最新模型的部分强化学习训练，重新加固研究环境。后来因为 Astra 可能具备高等级的网络安全能力，OpenAI 又进一步限制了它的运行环境，相关算力分配一度下降近六成。

这说明能力越强的 Agent，带来的并不只是效率。以前一个研究实习生犯错，影响可能只停留在自己的任务里；现在一个能写代码、调用工具、访问内部环境的 Agent，一旦越过边界，影响的可能是整套研究系统。

而且从实际效果看，它距离“独立研究员”也还有一段距离。那些原本需要人类工作四到八小时的任务，即使最终成功，超过一半仍然需要人在中途介入。研究方向怎么选、结果是否可信、哪个实验值得投入更多算力，这些最关键的判断，目前仍然掌握在人手里。

所以这件事很难简单归结为“AI 替代研究员”。更接近现实的情况，可能是研究员正在变成一支 Agent 队伍的负责人：把任务拆出去，观察它们怎么做，在关键节点介入，同时还要为它们可能犯下的错误负责。

一个人的时间还是一天，但能够同时展开的工作已经多了几倍。好处是实验和试错都会变快，问题是错误、风险和错误方向上的消耗，也可能一起被放大。

OpenAI 已经开始用 AI 研究下一代 AI 了。接下来真正难回答的，恐怕不只是它能把研发推快多少，还有人在这个越来越快的循环里，能不能一直看清方向，并且踩得住刹车。