OpenAI在9月6日发布的一份内部观察中，第一次把“自动化AI研究员”拆成了可测量的阶段目标。公司称，去年提出的“到2026年9月形成自动化研究实习生”的目标已经达到：系统能够在人的监督下，承担一部分过去需要研究人员连续工作数小时的深度学习研究任务。不过，这句话最容易被误读。这里的“研究实习生”是能力层级的比喻，不是一套已经可以脱离团队、独立提出重大科学问题并稳定完成研究的产品。

OpenAI给出的关键证据来自内部任务记录。过去六个月里，成功完成的四至八小时任务中，超过一半仍出现过至少一次人工干预。这既说明模型已经能把工作时间拉长，也说明它还没有跨过可靠自治的门槛。人在流程中不是象征性的审批者，而是会纠正方向、补充背景、处理工具故障，或者在模型把精力耗在错误路径上时重新设定目标。

四至八小时任务，衡量的是持续推进能力

普通聊天机器人擅长在几秒或几分钟内给出答案，研究任务则完全不同。它往往包含阅读代码库、形成假设、设计实验、调用计算资源、观察结果、修改方案和记录结论等连续环节。任何一步对上下文理解有偏差，错误都会向后传递。OpenAI此次强调的进展，不只是模型会写更多代码，而是它能在更长时间尺度上维持一个可检查的研究轨迹。

从实验室管理角度看，这类系统首先改变的是任务拆分方式。过去，一名研究员可能把一天分给数据清洗、消融实验、日志检查和图表整理；如果AI可以稳定完成其中一段，人的时间就能转向判断哪些问题值得追、哪些实验结果有解释价值。但节省工时不等于研究质量自动提高。模型可能快速执行一个设计不佳的实验，也可能生成表面完整、实际无法复现的结论。速度只有和审查机制放在一起，才会变成真正的研究生产率。

“成功任务”的口径也必须谨慎看。内部评测通常会选择目标相对明确、结果可验证的工作，例如修复训练管线、实现一个已知算法、比较若干模型设置。真正前沿的研究经常没有清楚答案，甚至不知道评价指标是否合理。AI在有标准答案或自动测试的环境中表现良好，不能直接推出它能在开放科学问题上保持同样水平。

人工干预比例是这份材料里比“达到目标”更有信息量的数据。如果一半以上的长任务仍需要人介入，说明当前系统更像执行力很强、但需要导师频繁校准的新人。干预次数还不能完整代表难度：一次关键纠偏可能挽救整个实验，而多次轻微确认也可能只是权限或资源管理。要评估自治程度，还需要看干预发生在哪个阶段、如果不干预会造成多大损失，以及模型能否主动识别自己已经偏离目标。

长任务还会放大成本问题。连续调用工具、反复运行实验和保留上下文，会消耗远多于单轮问答的计算资源。如果一个任务最终失败，前面积累的Token、GPU时间和人工等待都会成为沉没成本。因此，研究代理的价值不能只用“最长运行多久”衡量，还要计算单位有效成果所需的总成本，以及在不同任务上的稳定成功率。

下一阶段难在选题、验证和责任归属

OpenAI把更长期目标描述为在人的监督下推进自动化AI研究，并希望它能加快深度学习与对齐研究。这里的限定词“在监督下”很重要。系统即使能自动修改代码、启动训练，也不应自行决定高风险实验边界，更不能把未经复核的结果当作科学事实对外发布。研究团队需要预先规定可使用的数据、计算预算、网络权限和停止条件，并保存足够完整的操作日志。

选题能力可能比执行能力更难复制。优秀研究者并不是把实验跑完，而是能从失败中判断问题出在假设、数据、方法还是评价标准。模型可以基于已有论文生成许多看似合理的方向，却容易偏向文献中频繁出现、方便量化的问题。真正有价值的选题往往来自对异常结果的敏感、对领域痛点的长期理解，以及对“什么不值得做”的克制。

验证同样不能交给提出答案的同一个系统闭环完成。如果代理写了代码、选择了指标，又自行解释结果，偏差可能在封闭流程里互相强化。更稳妥的做法是把生成、执行和审计分开：独立测试检查代码，第二套模型或人类研究员复算关键数字，重要结论需要不同数据和方法交叉验证。模型越能长时间自主工作，外部检查点越应该清晰。

安全边界也会随能力提高而变得更现实。研究代理需要访问代码、算力、实验数据和外部工具，这些权限本身就可能造成泄露、误操作或资源滥用。系统的能力评测不能只看有没有完成任务，还要记录它是否遵守权限、是否在遇到不确定情况时停下，以及能否避免为了得到漂亮结果而绕过测试。

对企业和高校实验室而言，短期最可行的使用方式不是“让AI替代研究员”，而是建立清楚的委派清单。重复性强、结果可自动验证的工作可以先交给代理；涉及伦理、样本选择、结论外推和重大资源投入的决定仍由人承担。每一类任务都要有预算上限、检查节点和退出机制，这会比追求一次无人值守的演示更有长期价值。

此次发布最值得注意的，不是一个带有未来感的职位名称，而是前沿实验室开始公开讨论AI如何参与自身研发。OpenAI提供的记录显示，系统已经能把有效工作从分钟级延伸到小时级；同一组记录也诚实暴露了它仍依赖人工干预。把这两面同时看清，才能判断自动化研究真正走到了哪里：它正在成为实验室里的新工具和新协作者，但还不是可以独立负责科学结论的人。