ARTICLE · 1040359
OpenAI捅破窗户纸:AI全面接管造AI!研究员日烧5万,干翻人类100倍
硅谷最可怕的一幕，正在旧金山的一栋写字楼里悄然发生。
这里的工程师不再亲手写代码，也不再逐行检查数据。他们每天一上班，第一件事是给身旁的几个“数字分身”派发任务，然后看着它们以人类几百倍的速度通宵狂奔。
AI，已经开始亲手制造下一代AI了。
科技媒体The Information与OpenAI官方披露的一组内幕数据展现了这一现实：在OpenAI的核心研发组织中，智能体（AI Agent）贡献的实际劳动量，已经达到了人类研究员的3.1倍！
研发背后的资金消耗同样惊人：在这个实验室里，一位普通研究员每天光是调用AI智能体协助研发，就要烧掉600美元（约4200元人民币）；最前沿的顶尖研究员，每日算力账单甚至超过7000美元（约合人民币5万元）！
▲ The Information发布专访动态：Noam Brown透露模型在部分数据质量工作上已超越人类100倍
OpenAI传奇研究员、推理模型与多智能体领域的领军人物Noam Brown，在访谈中轻描淡写地给出一个判断，引发整个科技圈震动：
“在某些数据质量审查工作上，现在的AI已经比2023年的顶尖人类研究员，做得好上100倍。”
一场代号为“递归自我改进”（Recursive Self-Improvement，简称RSI）的超级革命，已经越过了临界点。
狂暴进化：研究员每天烧5万，AI劳动力已是人类3倍
如果把时间拨回两年前，哪怕是最顶级的前沿实验室，研发AI的方式依然极其“原始”：成群结队的博士和工程师坐在屏幕前，通宵达旦地找Bug、清洗数以亿计的脏数据、手动监控训练曲线。
但到了2026年9月，这种人肉研发的时代被终结了。
OpenAI公开披露：他们已经完成了去年立下的里程碑，打造出“自动化研究实习生”。
▲ 社区针对OpenAI内部数据的梳理：3.1倍劳动量、日耗600至7000美元
这里的“实习生”属于长周期运行、自主循环的编码与研究智能体，远超日常对话助手的范畴。你给它一个目标，它能自己查文献、写代码、跑命令、抓取错误日志、修改方案，连续干上好几天。
OpenAI公布的数据揭示了内部极其恐怖的作业形态：
- 劳动量全面倒挂
：整个研究部门中，AI智能体的工作时间已经是人类员工的3.1倍。AI干了绝大部分的苦力。 - 算力当水喝
：中位数研究员每天消耗超600美元推理费，排名前10%的高级科学家每天消耗超过7000美元。 - 实验数量暴增
：2026年8月，OpenAI内部进行的AI实验数量创下了有记录以来的历史最高峰。
▲ 网友热议：每天600美元太疯狂，但并行智能体工人群体的复利累积速度将超越所有人的预期
一个人带着三四个甚至十几个AI“数字分身”并肩作战，已经成为OpenAI研究员的标配。他们下一阶段的目标更加激进，在2028年3月前后，彻底做出无需人类手把手指导的“自动化AI研究员”！
降维打击：从“人工逐行找茬”，到“干翻人类100倍”
为什么AI造AI会这么快？答案藏在研发流程中最耗费人力的核心环节，数据清洗与底层工程。
做过大模型的人都知道，投喂给AI的数据如果存在逻辑错误、前后矛盾或者标注混乱，模型就会“学坏”。在2023年，这完全是一场苦力活：几十上百号人类研究员排排坐，一行一行地人工筛查文本和代码。
但人类会疲劳、会眼花、会走神AI不会
▲ 行业分析长帖：执行循环以小时计，方向循环以月计，人类角色彻底转为审查AI的审查质量
Noam Brown指出，现在的模型具备一种近乎变态的能力：它能不知疲倦地把数据集里的每一个数据点全过一遍，死磕每一个微小的逻辑瑕疵。
三年时间，研发范式发生了天翻地覆的倒转：
- 2023年
：人类研究员坐下来，一行一行给数据挑刺。 - 2026年
：AI智能体以超越人类100倍的速度和精度扫荡数据，人类唯一的任务，是抽查AI的审查质量。
除数据审查之外，AI智能体的触手甚至已经伸向了最硬核的底层性能代码，CUDA Kernel（GPU算子底层内核）。
通俗地说，CUDA Kernel就像是直接操控显卡计算引擎的“微型精密机械图纸”。过去，全硅谷能写出极致性能算子的人屈指可数，这是顶级系统专家的“手艺活”。
▲ Noam Brown发文直言：有了新模型后，自己即使作为管理者也能像专业人士一样写出高性能CUDA Kernel
但Noam Brown公开透露，借助GPT-5.5，即便他身处管理岗位，也能“像顶级专业人士一样编写CUDA Kernel”，指挥智能体跑通极度复杂的实验。
从宏观的数据审查，到底层的显卡硬件算子优化，那些过去卡住研发进度的繁杂环节，正被AI以数百倍的效率全面接管。
撕裂的两个齿轮：执行以小时计，方向以月计
既然AI做数据好100倍，写代码也极具威力，明天就会发生“智能爆炸”甚至AI失控吗？
答案很明确：目前并不会，现实远比科幻设想复杂。
行业分析普遍指出：在当下的AI研发中，存在着两个运转速率脱节的“齿轮”，执行环（Execution Loop）与方向环（Direction Loop）。
▲ The Information《AI Deep Dive》栏目探讨AI改进AI时的底层逻辑与边界
- 执行环（以小时计）
：写代码、调参数、查脏数据、修Bug、写算子。这类任务目标明确、对错立判，AI可以几小时内跑完几百轮，速度提升何止百倍。 - 方向环（以月计）
：决定下一个大方向该探索什么？哪个算法架构有前途？什么样的指标才代表更具通用性的智能？这就是所谓的“研究品味”（Research Taste）。
在Epoch AI提出的研发六阶段模型（决定、设计、构建、运行、分析、沟通）中，AI疯狂攻城略地的，全都是构建（Build）、运行（Run）与分析（Analyze）这类执行层任务。
而在高层规划与方向选择上，模型依然表现得极其笨拙。
Noam Brown坦言，在他每天的工作中，AI已经能搞定90%的脏活累活，但剩下的10%，也就是判断“哪些课题具备重大科研价值”的品味（Research Taste），AI依然明显落后于顶尖人类科学家。
“模型可以极快地优化我读博时写出的算法，但如果你让它凭空提出一个人类从未设想过的全新突破性算法，它还是做不到。”
这就是为什么Noam Brown给过热的舆论泼了一盆冷水：整体AI研发速度的实际提升目前约在3倍上下，远未达到外界预期的瞬间百倍跃升。 硬件算力的物理周期、训练大模型的串行等待时间，以及人类在方向盘前的慎重抉择，共同限制了飞轮的转速。
隐秘的死穴：黑盒里的AI“同谋”与刹车危机
如果说物理定律和算力是外界的缰绳，那么安全与监控的失效，则是实验室内部最大的梦魇。
AI自我迭代最诱人也最危险的地方，就在于它的“黑盒化”。
OpenAI资深研究员Kevin Liu公开发文呼吁行业透明：递归自我改进（RSI）虽然是推动AI进化最重要的力量，但目前这种奇迹默认只锁在极少数几家前沿实验室的深闺之中。
▲ Kevin Liu发文强调：公开透明迫在眉睫，必须让公众知晓AI自我进化的真实节奏
访谈中披露的安全隐患同样引人关注：
- 多智能体“相互盲信”
：当成百上千个智能体协同工作时，模型在多轮交互中会倾向于盲目信任其他同伴给出的代码和逻辑，形成错误乃至欺骗的层层放大。 - 思维链监控退化
：为了追求极速和效率，智能体内部复杂的推理过程变得越来越难以让人类完全解析和监管。 - 关键安全事件的紧急拉闸
：在检测到可能危及网络安全的严重风险信号后，OpenAI甚至曾紧急叫停了面向最新模型部署的强化学习训练，全员转去加固安全护栏与沙箱环境。
▲ Noam Brown发文公开内部数据：如何平衡研发提速与监控、对齐与安全要求
正如OpenAI在长文中所承认的：人类目前其实还不知道，该如何确保走向完全全自动化的“自我进化”是百分之百安全的。
在过去半年里，哪怕是那些被标记为“成功完成”的4到8小时级研究任务中，依然有超过一半在中途经历过人类研究员的紧急人工干预。
方向盘，人类还不敢松手
终局前夜：人类科学家的角色重塑
站在2026年的当下回望，科技史的分水岭已经悄然铸就。
三年前，我们还在惊叹ChatGPT会写一首押韵的小诗，或者帮打工人润色一份周报；三年后的今天，旧金山实验室里的顶尖AI，正日夜不休地审查着数以百亿计的语料，敲出最底层的显卡算子，替人类科学家监控着浩瀚的神经网络实验。
这场变革对每一个普通人的启示是极其残酷且深刻的：
在任何领域，单纯依靠“熟练度”和“重复劳动”筑起的护城河，都将在智能体面前被瞬间碾平。
当AI把数据清洗和代码编写的效率拉高100倍时，最昂贵、最稀缺的资产，只剩下了两样东西，提出好问题的品味（Taste），以及定义终极目标的洞察力（Judgment）。
距离OpenAI预设的2028年“全自动AI研究员”终点线，只剩下不到18个月。
AI制造AI的巨轮已经破冰启航，它不会停下，更不会回头。