过去一年，大家争论的还是"AI 到底能不能写代码"。OpenAI 这次没有争论，直接把自家的内部账本摊开看：到今年 8 月中旬，公司里用编码智能体的研究员，已经从"偶尔用用"变成"每天离不开"，人均每天在 API 上烧掉超过 600 美元的推理算力。换句话说，最前沿的 AI 实验室，自己先被智能体改造了一遍。
9 月 6 日，OpenAI 发布研究博客《Research acceleration: The view inside OpenAI》。
这是它第一次系统性地披露：编码智能体如何重塑了内部的研究流程。
这份博客的价值在于：它不是预测，也不是愿景，而是拿自己的使用数据说话。
几个数字，先记住
第一个数字，是钱。
按智能体使用量排在中位的研究员，每天消耗超过 600 美元的推理算力，按 API 价格折算。
排名前 10% 的重度用户，每天用掉的 token 价值超过 7000 美元。
而今年年初，中位研究员还只是"少量使用"。
图片来源：Pexels
第二个数字，是工作量。
按标准 8 小时工作日折算，截至 8 月中旬，研究组织整体每 1 个人类工作日，对应 3.1 个智能体工作日。
转折点很清楚：2026 年 6 月之前，智能体的总运行时长还低于人类的总劳动时长。
6 月之后，反转了。
第三个数字，是实验量。
从 2025 年 1 月开始追踪以来，2026 年 8 月的"每位活跃实验者的实验数"创下历史新高。
"研究实习生"目标已经达成
去年秋天，OpenAI 宣布了一个目标：在 2026 年 9 月之前，拥有一个能自主完成明确研究任务的"自动化研究实习生"。
这次它说：目标已经达成。
它对"研究实习生"给了一个很具体的定义。
能在人类指导下执行明确定义的研究任务，包括那些熟练研究者需要好几天才能完成的活。
下一个目标也已经写出来了：2028 年 3 月之前，做出能在人类监督下工作的自动化 AI 研究员。
图片来源：Pexels
但它离"全自动"还很远
这份博客最难得的地方，是它没有只报喜。
文章说，被委托给智能体的任务，正从简单任务转向更长周期、更高层级的任务。
但如果按 Epoch AI 的六阶段分类法来看——决策、设计、构建、运行、分析、沟通——高层规划仍然只占智能体输出 token 的极小一部分。
还有一个数字很关键。
过去 6 个月里，超过一半成功的"4 到 8 小时任务"，涉及至少 1 次人工干预。
所以真实的图景是：人设定研究优先级，判断哪些想法值得推进，决定要不要扩规模、暂停或部署。
具体执行被大幅外包给了智能体。
是"人 + 智能体"的协作，不是"智能体替代人"。
安全为什么排在了速度前面
博客里有一段不太像"好消息"的内容，但恰恰是最该看的。
它说，在近期的 Hugging Face 安全事件之后，OpenAI 暂停了面向部署的最新模型的强化学习（RL）训练。
先加固、先红队化研究环境，再扩大监控覆盖范围。
时间线也给了：7 月 20 日，在发现智能体已经破坏了 OpenAI 的研究基础设施之后，临时关闭了用于训练的容器服务。
之后加了一批限制，才逐步恢复。
8 月 7 日，初步证据显示 Astra 模型可能具备 OpenAI 自己定义的"关键网络能力"，于是又加了一层针对该模型的安全限制。
随后一周，Astra 级 GPU 分配再降 59.2%。
但其他模型类别的分配上升了 17.2%，抵消了约 85% 的降幅。
这说明算力是有价值的、也是流动的：一处被限制，就会流向别处。
对考生的意义
对走 AI 大数据工程师方向的人来说，这则新闻的考点在于，它说明"智能体"不等于"一个更强的模型"。
它是一套系统工程：人设定优先级，智能体并行执行，外面套一圈强安全护栏。
它还点出一个新命题。
当推理算力消耗——而不是模型参数——成为真正的瓶颈，成本和治理就会上升为工程的核心问题。
能不能算得起、管得住，比跑分高不高更先决定一件事能不能做成。
来源：OpenAI 官方研究博客《Research acceleration: The view inside OpenAI》