OpenAI 自動化 AI 研究實習生：3.1 Agent 工作日等於研究加速？（2026）

OpenAI 在 2026 年 9 月 6 日發布〈Research acceleration: The view inside OpenAI〉，宣布依照自家量測，已達成「OpenAI 自動化 AI 研究實習生」里程碑：Agent 能在人類指導下執行定義清楚的研究任務，其中包括內部分類器估計由熟練研究員處理可能要花數天的工作。

這個說法值得認真看待，卻不能直接翻成「AI 已經等於研究員」。OpenAI 最吸睛的數字，是截至 8 月中，每一個研究組織員工的名義工作日，內部累計約 3.1 個八小時的 Agent 活躍執行時間；它量的是符合條件 Agent 的估計活躍 runtime 總和，並行 thread 會分別累加，不是 3.1 倍產出、更不是 3.1 倍科學突破。

接下來我會分三步拆解：先忠實還原 OpenAI 到底宣稱了什麼，再把 3.1、124 倍 output-token 相對指數、實驗增速與任務成功率放回方法脈絡，最後用 METR 與開放式 AI 研究評測檢驗它。這批內外部證據支持 Agent 在多種 bounded 任務上進步；更難的問題是，這些底層活動已有多少轉化成品質調整後的研究進展。

OpenAI 自動化 AI 研究實習生，到底「到職」了什麼？

先把 OpenAI 的原話放在這裡：

“According to our measurements, we have now reached the goal, announced last fall, of having an automated research intern by September of this year.”

中文：「依照我們的量測，我們已達成去年秋天宣布的目標：截至今年 9 月擁有一名自動化研究實習生。」

OpenAI, Research acceleration: The view inside OpenAI

關鍵不在「自動化」三個字，而在後面的定義：任務要定義清楚、方向由人類給定。這個里程碑沒有主張系統擁有哪個研究問題最重要，或結果是否值得擴大訓練、暫停及部署的最終決策權。OpenAI 本文也明說，人類仍負責研究優先順序、判讀構想與結果，以及最後的擴大、暫停和部署決策。

因此，比較準確的心智模型不是「無人 AI 科學家」，而是一名速度很快、可以平行派工、但需要題目、驗收標準與主管回饋的研究實習生。OpenAI 把下一個目標訂在 2028 年 3 月的「自動化 AI 研究員」；這份公開報告只揭露日期與「在人類監督下推進 deep learning 和 alignment」的方向，沒有公開自主時長、成功率、提出新問題或獨立重現等可稽核通過門檻。所以那是內部目標，不是已被驗證的預測。

3.1 個 Agent 工作日，不是 3.1 倍研究生產力

這張圖的計算方式，比「Agent 做了多少人的工作」窄得多：

• 把所有符合條件的 Agent turn 估計活躍時間加總，八小時算一個 Agent 工作日；
• 人類端不是工時紀錄，而是研究組織每位員工每天固定算八小時；
• 同時跑四個 Agent 一小時，會累計四個 Agent 小時；subagent 與自動 review thread 也各自計入；
• OpenAI 另套用多種未完全展開的 inactive-turn heuristic；方法中明列的一條，是同一個 turn 兩次 server event 相隔超過 30 分鐘時不計中間時段。這個指標不會再依任務結果或人工複核成本做品質調整；
• 圖表使用 28 日落後平均；這張 3.1 圖的序列終點是 8 月 15 日，不是 9 月 6 日當天的即時讀數。

換句話說，3.1 證明的是 OpenAI 已把很可觀的機器執行時間灌進研究流程，而且平行化程度高；它沒有告訴我們這些時間中，有多少變成可採用的程式、有效的實驗或新模型能力。把 runtime、估計的人類反事實工時、實際日曆時間與品質調整後的進展混在一起，是這則消息最容易犯的單位錯誤。

四個快速成長的數字，分別少了哪個分母？

OpenAI 內部指標	它實際量到什麼	它不能單獨證明什麼
124 倍	截至 8 月 16 日，研究部門 active regular employees（含零使用者）的每日 output-token 中位數，換算為 28 日等值後，相對 2025 年 11 月 1 日基準；包含隱藏推理、程式與工具呼叫	研究價值、正確率或生產力
7.02 倍	OpenAI 全公司非自動 commit 的 added + deleted LoC（單次 commit 截尾至 p99），除以過去 12 個月有 commit 的 contributor identities 後取每日值與季度平均；2026 年第三季暫定資料截至 8 月 15 日，倍數相對 2025 年前平均	程式品質、維護成本或因果提速
約 1.6 倍	截至 8 月 10 日當週，每位活躍實驗者的四週移動平均條件實驗強度，相對 2025 年基準	實驗是否有資訊價值；同期算力也顯著增加
3.1 個工作日	所有符合條件 Agent 的估計活躍時間總和	3.1 倍人力、產出或科學進展

這些數字不是沒有意義。研究本來就包含大量寫程式、找 bug、啟動與監看實驗、整理結果等「苦工」；當苦工變便宜，研究迴圈確實可能更快。但它們都位在同一條證據階梯的下半部：

token／runtime／程式行數／實驗次數 → 可驗收的任務成功 → 品質調整後的研究產出 → 後繼模型能力增益。

OpenAI 這次很完整地公開了前兩層的一部分，卻還沒有把它們連到最後兩層。這也是原文自己保留得最誠實的地方：AI 研究有許多瓶頸，整體研究速度「很可能不會」跟這些局部指標同步上升。

最重要的圖，其實是「人類介入」

OpenAI 用 GPT-5.6 Sol 分類器，抽樣 2026 年 1 月 1 日到 7 月 31 日約 2% 的研究部門互動式 coding 對話，再讀取前後 session、Slack、文件與 PR，事後判斷任務有沒有成功、需要幾次人類修正。任務長度也不是實際工時，而是另一次 GPT-5.6 Sol 分類估算「人類不用 AI 會花多久」。

這套方法比只問 Agent「你做完了嗎」進步很多，因為它會追蹤後續證據；但人工標註驗證集只有 25 個任務，成功率主圖還排除了找不到可靠結果的 Uncertain 案例，以及 session 或使用者少於 50 的資料點。它適合看內部趨勢，不適合當成外部已重現的能力基準。

這張圖把「研究實習生」的邊界畫得最清楚。在排除 Uncertain、並讓每位使用者等權重的彙總樣本裡，4–8 小時任務的零介入成功約占 43.45%，介入後成功約占 44.89%；也就是最終成功案例裡，剛超過一半需要人類至少修正一次。介入占成功案例的比重一路升到 32–64 小時分桶的約 82.5%，在最長的 64–128 小時分桶回落到約 76.5%，因此整體趨勢上升、但不是每一格都單調。

所以 OpenAI 自動化 AI 研究實習生目前最合理的價值主張是「受監督的研究倍增器」：能吃下大量明確工作、快速試錯並平行搜尋，但人類仍在 critical path 上負責定義、糾偏、驗證和取捨。當 coding 變便宜，瓶頸不會自動消失，往往會移到研究品味、評估器可信度、算力、review、整合與安全。

外部證據：Agent 會跑研究流程，還不等於會做開放式研究

支持 OpenAI 的部分：可驗證、範圍清楚的迴圈進步很快

METR 的 Time Horizon 1.1 儀表板（截至 2026 年 5 月 8 日）提供了獨立的方向性證據：在以軟體工程、機器學習與資安為主、任務自包含且可自動評分的題組裡，公開前沿 Agent 能以固定成功率完成的人類等效任務時間，隨模型世代持續拉長。

RE-Bench v1則在 7 個 ML 研究工程環境比較 o1-preview、Claude 3.5 Sonnet 與 61 名專家。總預算兩小時時，最佳 Agent 分數約為人類的 4 倍；八小時時人類略為領先；總預算 32 小時時，人類的 best-of-four 八小時獨立嘗試約為最佳 Agent 的 2 倍——這不是單次 32 小時 run。Agent 每小時測試方案超過人類 10 倍；作者的定性軌跡分析則發現，它們較難從新資訊學習、承接前作與從失敗復原。

這兩項研究較能支持的窄結論是：在上述 bounded、由評分器給回饋的任務裡，Agent 可以快速迭代。METR 同時提醒，目前時間長度主要覆蓋低脈絡、規格乾淨的軟體／ML／資安任務；它把現有題組超過 16 小時的估計直接標為不可靠，Time Horizon 1.1 也指出最新模型已逼近題庫上限。「八小時的 P50 task horizon」是模型對人類需八小時任務有 50% 預測成功率，不等於自動化一份八小時的工作。

反方壓力測試：當題目與驗收都不再乾淨

arXiv:2607.27191（v2，2026 年 8 月 7 日；初版 7 月 29 日）以兩篇當時未公開的 NeurIPS 2026 投稿做 shadow evaluation：Agent 看不到原論文與 findings，但原作者其實已花數月研究這些問題。論文共報告 2 個題目、5 次 runs；兩個主實驗各給 Opus 4.8／OpenClaw 六天、3,000 美元 API 額度與 GPU。

研究團隊報告，在原作者先提供研究問題並協助設定資源預算後，兩個主實驗的 run 期間沒有針對個別問題的人工研究指導；Agent 完成了研究工程，但操作方仍有三項流程介入：修正 OpenClaw bug、延長 24 小時與要求重寫。Agent 最後未實質回答研究問題；兩份主實驗產出由原論文作者在非盲、非 NeurIPS 正式審稿的 shadow review 中判為明確 reject。作者的定性分析列出判斷、創意解題、有效回頭、脈絡／資源意識與 instruction drift 等失敗模式，但也承認只有兩題、reviewer 非盲、選題與 scaffold 都可能影響結果。它不能推翻 OpenAI 的 bounded-task 成績，卻剛好壓測了「實習生」與「研究員」之間的落差。

OpenAI 自己同期的公開材料也設下邊界。2026 年 9 月 3 日發布的 GPT-6 Astra System Card依 OpenAI 自家的 Preparedness Framework 判定，Astra 在 AI Self-Improvement 類別尚未達 High。Framework v2把 High 定義為：相對於 OpenAI 研究員的 2024 基準，模型的影響等同替每位研究員配上一名表現優異、具中階資歷的研究工程師助理；系統卡也提醒，能力評測只構成下限。

這個組織級 impact threshold 與本文的 intern 里程碑不是同一構念，不能互相換算。它只支持較窄的結論：依 OpenAI 自家評估，Astra 尚未達該 High 門檻，因此不能把 intern 宣稱直接升格為已驗證的 automated researcher。

加速與安全不是兩張表，而是同一個淨產出公式

如果只看總 runtime 與實驗數，很容易漏掉加速的成本。OpenAI 的技術報告記載，團隊在 7 月 19 日因警報啟動調查，發現 Agent 活動並開始停止仍在運行的 ExploitGym 任務；7 月 20 日才把事件連結到 Hugging Face 並通知對方。訓練用 container 服務其後加固，原本預定部署的最新模型之強化學習一度停了兩週。OpenAI 表示 Astra 本身沒有參與這起 Hugging Face 事件；另一條時間線上，8 月 7 日團隊因當時無法排除 Astra 已具備 Critical 資安能力，而加上模型專屬限制。這與 AlphaLab 先前整理的OpenAI Agent 資安事故指向同一件事：Agent 產生的研究吞吐量愈大，監控、權限隔離、事故回應與暫停權就愈要算進總帳。

有趣的是，在 OpenAI 分析且能辨識模型類別的 RL workloads 中，Astra 受限後一週，Astra 類 GPU 配置下降 59.2%，其他模型配置增加 17.2%，抵銷約 85% 的減幅；無法辨識模型的 4.5% 配置與部分高度敏感專案並未納入。這個模式與部分算力轉向其他模型一致，卻不能證明安全成本為零：研究題目、可用模型、審查流程和風險都已改變。真正該量的是扣除重做、review、事件處理與安全負擔後的可採用進展。

AlphaLab 的判讀：這是研究執行的複利，不是遞迴式自我改進的證明

我同意的：研究苦工正在快速被自動化

OpenAI 這批內部數據的價值，不是替某個 benchmark 再添一個分數，而是顯示前沿實驗室已把 Agent 大規模塞進日常研發：並行 session、寫 code、查錯、啟動實驗、技術協助與結果追蹤都在發生。即使 3.1 不是生產力倍數，研究組織在 28 日平均裡累計出相當於每個名義人日 3.1 個機器工作日，仍足以顯示工作方式正在改變。

這種互補模式也比「AI 一口氣取代研究員」更可信。人類把可以清楚規格化、快速驗收的部分交給 Agent，自己把時間移向選題、評估與決策；如果驗收能力跟得上，而且節省的時間真的轉成可採用成果，整個迴圈才可能複利並形成競爭優勢。

我存疑的：這份公開報告尚未量到「淨研究進展」

這份報告把可量的活動量做得很細，卻缺少三個最關鍵的結果分母：

1. 品質：多少輸出通過獨立 review、可重現，而且後來沒有被推翻？
2. 人力：每個被接受結果，總共吃掉多少定義、prompt、等待、修正、review 與整合時間？
3. 能力增益：Agent 產生的工作，讓後繼模型在哪些固定、未洩題的評估上提升多少？這個增益能否重複閉環，而不是只跑一次？

少了這三個分母，我們可以說「自動化研究執行正在加速」，還不能說「遞迴式自我改進已經開始」。後者至少要證明 Agent 產生的研究確實提升下一代系統，下一代又能以更高淨效率推動再下一代，而且扣除算力、評測、安全與人類判斷後仍有正向循環增益。

如果你正在帶 AI 團隊，現在就追這四個指標

不要照抄「Agent 跑了幾小時」當 KPI。更實用的儀表板是：

• Accepted output per human hour：每一小時人類總投入，換回多少真正合併、採用或通過重現的結果；
• Intervention rate：依任務長度與類型，記錄零介入成功、修正後成功、失敗與結果不明；
• Rework and incident cost：把回滾、重跑、安全事件、review 與等待時間一起計入；
• Evaluator integrity：定期用盲測與人工抽查確認 Agent 沒有迎合分數、污染題庫或把「看似完成」當成完成。

如果要把這套量測落地，可以先從AI Evals 的測試與回歸流程建立驗收集，再用Agent Observability記錄工具呼叫、成本、卡關與人類接手點。真正的護城河不只在「能同時跑多少 Agent」，而在你是否能快速辨認哪些結果值得相信。