AI研究员，终于上桌了？

9月6日，OpenAI发了一篇不太像发布会通稿的官方博客——《研究加速：OpenAI内部视角》。没有新模型、没有Demo视频，只有一堆内部数据：智能体的工作量，已经是人类研究员的3倍以上。

这是我今年以来看到的最值得认真对待的一份'非产品发布'。它第一次用公司内部数据的形式，承认了一件事：AI'递归自我改进'（RSI）不再停留在论文和口嗨里，而是已经进了工牌、领了任务。再叠加几天前凌晨亮相的GPT-6 Astra，一个判断可以下了：AI训练AI的飞轮，开始自转了。

📈 实习生到岗，AI开始打卡上班

先把时间线捋清楚。

去年秋天，OpenAI内部定下了一个目标：在2026年9月前，造出一个'自动化研究实习生'。今年9月6日，他们官宣：达成了。

这个'实习生'的定义值得逐字读：'一个能在人类指导下执行明确定义的研究任务的系统，包括那些需要一名熟练研究员数天才能完成的任务。'

翻译一下：不是让它天马行空地想课题，而是让它接需求、干活、交付——'数天才能完成的任务'，本质上就是研发组织里最典型的工单颗粒度。

下一个里程碑也挂出来了：2028年3月前实现完整的'自动化AI研究员'——要求它能参与深度学习和对齐研究，并通过迭代进一步改进系统。

注意这里的变化：'实习生'做的是明确定义的活儿，'研究员'要参与的是开放性研究，而且产物要反哺到系统自身的改进上。这才是真正意义上的飞轮闭环。

我看完的感受是：OpenAI把一个宏大的AGI叙事，拆成了一份份可交付的岗位JD。从实习生到研究员，这是一套任职资格体系。当RSI被里程碑化，它就从叙事变成了可审计的工程进度。 这比任何一句'AGI快来了'都更有信息量。

💰 一天600美元的'数字同事'

飞轮转没转，账单不会说谎。

今年年初，按智能体使用量排序处于中位数的OpenAI研究员，对编码智能体的使用还相当有限。到8月中旬，这批人已经把智能体纳入了日常工作流程。按API价格折算：

更关键的拐点在6月：6月之前，研究组织的智能体总运行时长还低于人类劳动总时长，此后反超。 换句话说，今年年中，OpenAI的研究产出的'主要劳动力'已经悄悄换人了。

还有一个容易被忽略的细节：研究部门的智能体使用增长，快于公司其他团队。研发组织自己先吃自己的狗粮，这恰恰是飞轮启动的标志。

这四步循环一旦跑起来，研发的成本结构就变了。过去研发预算的大头是'发工资'，现在多了一项'买token'。一位中位研究员每天配600美元的智能体额度，按人类研究员的薪酬折算并不算贵——当AI算力支出成为研发的'人力成本'科目，研发函数本身就被改写了。 谁先让AI吃掉自己的研发流程，谁先拿到复利。

🚀 凌晨3点33，王者归来

飞轮的另一半，是模型本身。

北京时间凌晨3点33分，在全球AI大宕机之后，GPT-6 Astra正式亮相。OpenAI给的总结只有一句话：'这是全球最智能且最对齐的模型。'

发布后梗图刷屏了，很多从业者的第一反应是：有点当年GPT-4那个味道——全方面的领先，而不是单点打榜。一位深度测评的作者说得直白：这终于不再是一个纯粹为Coding特化的模型，而更像'一个审美能力极强、工作能力超强的博士级员工'。

发布节奏也很讲究：先向部分组织开放，未来几天才轮到订阅用户。吐槽当场就来了——有用户翻旧账：买200美元Pro会员的时候，可不是这么说的，不是说Pro永远最优先体验新模型吗？

这套'挤牙膏'式的开放策略，产业逻辑很清楚：一边用稀缺性维持话题热度，一边用真实的高负载场景做灰度验证。全球大宕机在前，稳定性的账谁都躲不掉。

更值得关注的是定位变化：从'程序员的工具'到'博士级员工'，目标客户从开发者群体扩展到了所有白领职能。模型公司卖的东西，正在从API变成'数字劳动力'。

⚠️ 别急着高潮，'实习生'三个字有讲究

热闹归热闹，冷静的拆解更有价值。

回头看'研究实习生'的定义，两个限定词藏得很深：'人类指导下'、'明确定义的研究任务'。 这意味着当前的智能体，干的是接单-执行-交付的活，课题的提出、方向的取舍、结果的判断，仍然握在人类手里。

6月那个'反超'也要精确理解：反超的是运行时长和工作量，不是判断力。真正要求开放性研究能力——参与深度学习和对齐研究——是2028年3月那个目标。从'执行研究'到'提出研究'之间，隔着业内常说的'研究品味'，这是最难自动化的一层。

对一个长期观察产业化落地的人来说，这里有一条清晰的传导规律：研发自动化的红利，会先在纯软件环节兑现，硬件验证周期仍是瓶颈。 代码、仿真、实验数据处理，这些可以被token堆出来的环节加速最快；而凡是涉及物理世界试错、第三方审定、责任链条的行业，AI能加速其中的计算部分，但流程本身压缩不了。

换句话说，飞轮自转的第一圈，转的是软件业自己的研发效率。其他行业的溢出效应，要看模型能力沿这条飞轮爬升的速度。

💡 下游行业的环境变量变了

作为常年盯低空经济这条线的人，说点跨界推演。

eVTOL适航审定、无人机物流、低空空管系统，这些领域的共同痛点是：软件密集，但验证周期漫长。飞控代码、仿真测试、空管算法，恰恰是'明确定义的研究任务'最集中的环节——理论上最容易被'研究实习生'这类系统接管的部分。

而飞轮真正改变的是行业环境变量：当头部AI公司内部的研发效率以倍数计提升，模型能力的迭代速度会被动加快，所有下游行业的'可用工具箱'更新周期都会缩短。你不动，你的工具自己在升级。

对产业观察者而言，接下来要盯三样东西：一是盯2028年3月这个日期，看'自动化AI研究员'是如期交付还是再度顺延；二是盯token成本曲线，飞轮的经济性取决于这条曲线的斜率；三是盯各家AI公司是否跟进披露类似的内部使用数据——有对照数据，才知道OpenAI这份'自曝'的含金量。

飞轮已经开始自转，这是事实。至于它转到第二圈、第三圈时，会先碾过谁的研发流程——这才是未来十八个月真正的好戏。

小结

实习生上岗，只是飞轮的第一格胶片。OpenAI这次没有发布新产品，却发布了一个更重要的东西：一份可审计的RSI进度表。当中位研究员的日常已经由每天600美元的智能体支撑，当智能体时长在6月反超人类，'AI训练AI'就从叙事变成了生产关系。对所有行业来说，问题已经不是AI会不会来，而是自己的研发流程，能不能被它吃下。盯住2028年3月。