OpenAI用AI加速AI：当研究者全天候「喂养」代码智能体，科学加速有多快？
OpenAI用AI加速AI：当研究者全天候「喂养」代码智能体，科学加速有多快？
2026年9月6日，在GPT-6 Astra发布热潮刚刚平息后的第三天，OpenAI发布了另一篇博客，标题平淡无奇：《从OpenAI内部看研究加速》（Research acceleration: The view inside OpenAI）。
这篇文章没有发布新模型，没有披露新融资，没有任何一般意义上的「新闻」。
但它包含的信息，比Astra发布本身可能更重要——因为它首次以内部数据的形式，证实了AI研究正在被AI自身加速这件事不只是猜测，而是正在发生的现实。
具体说了什么？OpenAI的研究人员现在全天候、并发多会话地使用编码智能体（coding agents）。这些AI助手帮助研究者更快地贡献代码、运行更多实验，使用量正在快速增长，且已经超过了公司其他所有团队的AI使用水平。
翻译成人话：OpenAI的研究团队，正在用OpenAI的AI来构建OpenAI的下一代AI。而且这件事的规模和速度，已经明显超出了外界的普遍预期。
这是AI递归自我改进（Recursive Self-Improvement，RSI）的早期证据——不是理论上的可能性，而是2026年9月正在OpenAI总部每天发生的事情。
第一章：什么是「AI递归自我改进」，为什么它很重要
在AI安全研究领域，「递归自我改进」（RSI）是一个被讨论了十多年的概念，指的是：AI系统能够改进自身，而改进后的系统又能更有效地进行下一轮改进，形成正反馈循环。
在理论上，RSI是「智能爆炸」（intelligence explosion）的技术前提：一旦AI能以远超人类的速度自我改进，能力提升就不再受人类工程师智识和时间的约束，可以以指数级速度推进。
这个概念长期处于「理论上令人担忧但实际上难以实现」的状态。原因是：AI系统在改进自身代码时，需要处理复杂的工程问题——理解现有代码结构、设计可验证的改进方案、在大规模分布式系统中安全地测试新实现——而这些任务恰恰是当时的AI不擅长的。
但是，GPT-6 Astra改变了这个计算。
GPT-6 Astra在代码生成、代码理解、系统设计方面的能力，已经达到了「可以处理OpenAI内部真实研究工程任务」的水平——这不是夸张，这是OpenAI官方博客用内部数据证实的事情。当最前沿的AI模型能够承担真实的研究工程工作时，RSI就从理论变成了实践。
OpenAI研究者使用编码智能体的模式，目前还处于「AI辅助人类」的阶段：研究者设计方向，AI帮助实现和测试。这是RSI的第一步，不是最终形态。但这一步的发生，意味着下一步（AI更多地参与研究方向设计）已经不再需要技术突破，只需要信任积累和流程调整。
第二章：内部数据揭示了什么
OpenAI的这篇博客之所以重要，是因为它使用了内部数据，而不只是定性描述。
以下是博客中披露的关键信息（根据原文梳理）：
使用量超过了公司所有其他团队：OpenAI有工程、运营、市场、安全等多个部门，研究团队的AI使用量超过了所有这些部门的总和。这意味着研究工作已经是OpenAI内部最大的AI应用场景——比OpenAI自己的客服AI、代码基础设施AI用的还多。
研究者「全天候、并发多会话」使用：这个描述比「经常使用」更有分量。全天候意味着研究工作的每一个环节都在使用AI辅助；并发多会话意味着一个研究者同时运行多个AI任务，而不是串行的一问一答。这是真正的「AI辅助研究」模式，而不是「偶尔咨询AI」。
更快贡献代码、运行更多实验：这两点是研究效率提升的直接量化指标。「更快贡献代码」意味着实现一个新想法的时间缩短了；「运行更多实验」意味着在给定时间内探索的假设空间更大。在AI研究中，探索更大的假设空间通常会直接转化为更多的发现。
使用量处于快速增长状态：这个增长趋势说明，AI辅助研究的模式正在被研究者越来越深度地采用，而不是达到了某个饱和点。
把这几点合在一起，画面很清晰：OpenAI正在以一个加速的速度把AI工具整合进自身的研究工作流，而这个整合的加速，反过来又在加速AI能力的提升。
这是一个实证的正反馈循环——不是预测，是当前正在发生的事。
第三章：「AI加速AI」在历史上意味着什么
每一次工具创新，都会加速下一轮工具创新的速度。计算机加速了计算机的设计；高性能材料分析仪器加速了更好的材料分析仪器的开发；互联网加速了互联网工具的迭代。
但AI加速AI研究，可能是「工具加速工具」这个历史规律的一次量级跃升。
原因在于两点差异：
第一，规模差异：历史上的工具创新（如CAD软件、化学数据库）提高了特定工程工作的效率，但每个工具只能辅助特定的有限任务域。代码智能体可以辅助从文献综述、代码实现、实验设计、结果分析到论文写作的全链条任务，是一个跨域通用的研究助手。
第二，迭代速度差异：人类工程师每年可以做出有限次的能力提升（学习新技术、理解新论文），而AI模型的能力在每次训练迭代后即时提升，这种提升又立刻可用于下一次训练。人类科学家的「能力升级」以年为单位，AI的「能力升级」以周为单位。
当这两点叠加在AI研究本身时，加速效应的量级是前所未有的。
一个具体的类比：如果通常情况下，一个研究者每年可以完成10个完整的研究实验（设计、实现、运行、分析），使用AI辅助后可能可以完成50个。这不只是5倍的效率提升，还意味着更大的假设搜索空间，更多的「意外发现」机会，以及更快的知识积累速度。在这种条件下，研究进展的曲线不再是线性的，而是超线性的。
第四章：「OpenAI时间线」的重新校准
这篇博客对AI时间线的影响是深远的。
在AI研究界，有一种常见的预测框架：根据现有的人力投入、算力增长和算法进步率，外推AGI或某个特定能力里程碑的到来时间。这些预测的一个隐含假设是：研究进展是「线性的」或最多是「次线性的」——每年增加的研究员、每年增加的算力，带来大致线性的能力提升。
OpenAI的研究加速数据挑战了这个假设。如果AI辅助研究使每个研究员的「有效生产力」提高了5倍，等效于研究团队规模扩大了5倍——但不需要5倍的招聘和培训成本，不需要5倍的办公室和基础设施，只需要AI使用量的增长（这已经在发生）。
更关键的是：这个「倍增效应」会随AI能力的提升而增强。今天的Astra已经能辅助研究工作；明天的GPT-7（如果存在）将能更深度地参与研究设计；后天的GPT-8可能开始独立提出研究假设。每一轮AI能力提升，都增强了AI对自身研究的辅助效果，形成了加速效应的加速。
这意味着：如果你在2024年预测AGI到来时间是2035年，基于「线性研究进展」的假设；那么在看到OpenAI研究加速的内部数据后，你可能需要修正这个预测，因为研究进展不再是线性的。
Jakub Pachocki（OpenAI首席科学家）在上周发表的论文中说：「没有任何一个AI实验室真正准备好了面对AGI到来的世界。」考虑到Pachocki是在GPT-6 Astra发布的同一周发表这篇论文，而且他在这个背景下说「没有人准备好了」，背后的含义值得深思。
第五章：对研究者的现实影响——一个「内外有别」的故事
OpenAI发布这篇博客，选择的叙事角度是正面的：「我们的研究更快了，AI正在加速AI的进步。」这个叙事对投资者、对公众是积极信号。
但这篇博客的另一面，是对整个学术界和独立AI研究者的一个隐含信号：如果领先AI实验室的内部研究已经被AI工具倍增效率，而外部研究者仍然在使用传统的方式工作，那么内外之间的研究能力差距将快速扩大。
这是一个结构性的不平等问题。
全球顶尖大学的AI研究院（MIT、CMU、斯坦福等）已经在积极采用AI工具辅助研究，但他们使用的工具和实验规模无法与OpenAI内部相比——OpenAI的研究者可以在与自家模型完全整合的环境中工作，使用到外部无法访问的内部模型能力。
独立AI研究者和资源有限的机构，则面临更大的挑战：他们的研究工具质量和量级与顶级实验室的差距，正在随AI辅助研究工具的扩散而扩大，而不是缩小。
这不是OpenAI刻意设计的结果，而是AI加速研究的自然结果：谁更早、更深度地将AI工具整合进研究流程，谁的研究能力就会获得更大的倍增效应。在这场竞争中，领先者的优势会自我强化。
第六章：「AI做AI研究」的边界——它能做什么，不能做什么
即使AI辅助研究已经达到了OpenAI描述的水平，仍然有一些根本性的边界值得厘清。
AI能做的（2026年）：
- 根据自然语言描述实现算法原型
- 分析已有代码库，发现潜在优化点
- 在给定假设下设计实验方案并实现
- 高速并行运行大量标准化实验
- 从实验结果数据中提取统计规律
- 辅助文献综述和论文写作
AI目前无法很好做到的：
- 原创性科学假设的生成（从零开始提出「从未有人想到过的」研究方向）
- 对实验结果的「惊讶感」——识别那些偏离理论预测的异常数据，并意识到这个偏离本身就是重要发现
- 跨领域的创造性连接（把量子物理的概念引入深度学习优化，这类「意外类比」）
- 研究优先级的战略判断（什么问题更值得花时间研究）
这个边界会随AI能力提升而移动。今天「AI无法做到」的部分，在GPT-7或GPT-8时代可能不再是限制。
但目前，人类研究者和AI工具之间的分工是：人类提供方向感、惊讶感、跨域直觉；AI提供实现速度、实验吞吐量、数据分析深度。这个分工的优化，正是OpenAI内部「全天候使用编码智能体」的研究者们在实践中探索的。
第七章：对其他行业的迁移——「科研效率倍增」的溢出效应
AI辅助研究的效率提升不只局限于AI研究本身。OpenAI博客中提到的模式（全天候并发使用代码智能体），可以直接迁移到：
生物医药研究：AI辅助蛋白质结构预测（AlphaFold的延续）、药物分子设计、临床数据分析。Claude Mythos 5.1专门针对生命科学研究有特别优化，表明Anthropic同样认识到这个方向的重要性。
材料科学：AI可以在极短时间内对候选材料进行计算建模和性能预测，替代传统的「合成-测试-分析」循环的大部分步骤。
气候科学：Google DeepMind的WeatherNext 3（本周另一个重要进展）是AI辅助地球科学研究的典型案例，AI在气象预测精度上已经超越了传统数值模型。
软件工程：代码智能体辅助软件开发，是AI辅助研究的「最早商业化」版本，GitHub Copilot、Cursor等工具已经在改变软件工程师的工作方式。
从AI研究到生物医药到材料科学到气候科学，「AI加速研究」的模式正在系统性地改变人类知识创造的速度。OpenAI的内部博客，是这场更大变革中的一个数据点——也是最引人注目的那个数据点，因为它涉及的是AI加速自身研究。
结语：加速的加速
OpenAI用数据告诉我们：AI研究的速度已经不只是线性的，它正在被AI自身的能力提升所加速，而这个提升又进一步加速了AI研究……
这不是哲学命题，这是2026年9月正在OpenAI走廊里每天发生的事情。研究者打开电脑，启动多个并发的编码智能体会话，把「实现这个新想法」的时间从几天压缩到几小时，然后设计下一个想法，继续加速。
Jakub Pachocki说「没有人准备好了」，不是悲观主义，而是对这个加速轨迹的诚实认知：如果AI研究进展已经在超线性加速，那么所有人对未来能力边界的判断，都是基于线性外推的低估。
而低估AI的速度，在过去十年里，是最常见的预测错误。
没有理由认为我们现在就已经学会了不低估它。
附录一：「全天候使用代码智能体」的工作流变革
OpenAI博客描述的「全天候并发多会话使用编码智能体」，对于大多数工程师来说仍然是新颖的工作模式。让我们具体描绘一下这意味着什么样的日常工作变化。
传统研究工作流： 研究者想到一个新想法（比如：「如果我们修改注意力机制的温度参数，对收敛速度会有什么影响？」），然后：
- 花1-2小时写实验代码
- 等待GPU集群排队
- 运行实验，等待数小时到数天
- 分析结果，决定是否有价值
- 重复
整个循环可能需要3-7天。
AI辅助研究工作流： 研究者想到同一个想法，然后：
- 用自然语言描述给代码智能体，在10-20分钟内得到可运行的实验代码
- 启动实验，同时在另一个智能体会话中设计第二个想法的实验
- 再启动一个会话分析已经完成的实验结果
- 在等待GPU运行时，还可以用第四个会话让AI对相关文献进行系统综述
整个循环可能压缩到1天内，同时并行处理多个假设。
这不只是「做同样事情快了5倍」，而是改变了研究的思维方式：当每个想法的测试成本从「数天」变成「数小时」，研究者会更愿意测试「可能不靠谱」的想法，因为代价更低。而科学进步的很多关键突破，恰恰来自「可能不靠谱的想法测试之后发现它其实很靠谱」。
附录二：竞争格局——其他实验室也在「AI加速AI研究」吗？
OpenAI选择公开其研究加速的内部数据，是一个相对主动的信号策略。问题是：其他实验室是否也在做同样的事情，只是没有公开？
答案是肯定的——几乎可以确定。
Anthropic：Claude Mythos 5.1专门向网络安全和生命科学研究者开放，说明Anthropic有意识地把顶级模型能力优先给到专业研究场景。Anthropic的内部研究团队使用自家模型辅助研究，是顺理成章的事。
Google DeepMind：DeepMind以「用AI加速科学发现」为长期战略方向，AlphaFold、GNoME（材料科学）、GraphCast（天气预测）等项目都是AI辅助科学研究的典型案例。DeepMind的研究团队对AI工具的使用程度，不亚于OpenAI。
Meta AI：Meta的FAIR（Fundamental AI Research）团队在开源AI研究工具方面很活跃，Llama 3系列的训练和评估工作中大量使用AI辅助工具。Meta的工程文化强调内部工具的高度自动化，代码智能体的采用率可能同样很高。
区别在于：OpenAI选择了把这件事公开，用数据证实「我们正在用AI加速自身研究」。这个公开是有战略意图的——它加强了「OpenAI是AI进步速度最快的地方」的叙事，在GPT-6 Astra发布后进一步强化了品牌势能。
对外部观察者来说，这意味着：OpenAI展示的内部数据，是整个行业状态的一个代表性样本，不是OpenAI独有的特殊状态。
附录三：AI研究加速与AI安全的悖论
有一个深刻的悖论存在于AI研究加速的叙事中：如果AI能加速AI研究，它同样可以加速AI安全研究，理论上可以帮助解决对齐和安全问题。但它也加速了AI能力的进步，而能力进步的速度如果超过安全研究的速度，整体上可能使AI更不安全。
这个悖论没有简单的答案，但它解释了为什么Jakub Pachocki（就是那位写「外星思维」论文的OpenAI首席科学家）会在GPT-6 Astra发布的同一周，公开说「没有任何一个AI实验室真正准备好了」——他在公司内部看到的研究加速速度，可能让他对这个悖论有了更强烈的感受。
OpenAI这篇博客在某种程度上是在展示一个「双刃剑」：AI加速研究是令人兴奋的进步，也是令人担忧的不确定性来源。
明白这一点，你就能理解为什么Anthropic、OpenAI、Google DeepMind三家竞争激烈的公司，同时在本周联合宣布了生物AI安全的共同行动——它们共同意识到，研究加速在某些高风险领域（生物AI、网络安全AI）需要额外的安全层，而这个安全层不能靠竞争解决，需要协作。
附录四：从研究工具到产品工具——加速效应的商业化路径
OpenAI内部研究团队使用编码智能体的模式，与外部用户使用Claude Code、GitHub Copilot的方式，其实在本质上是相同的事情——只是精细程度和整合深度不同。
这意味着：OpenAI今天在内部研究工作流中验证的AI辅助模式，会在1-2年内以产品的形式输出到外部市场。OpenAI研究者今天解决的「如何高效并发使用多个代码智能体会话」的工程问题，会成为明天Claude Code或GitHub Copilot企业版的功能需求。
这是一条从「内部研究验证」到「外部产品化」的转化路径，也是AI辅助软件工程工具快速进化的根本原因之一——开发这些工具的人，本身就是这些工具的最重度使用者，反馈循环极短。
Salesforce Agentforce的年化收入突破$15亿，同比增长240%，正是这个转化路径的商业化体现。企业开始相信AI Agent可以真正承担工作任务（不只是辅助），是因为AI实验室内部已经积累了足够多的「AI真的在承担工作」的证据。OpenAI的研究加速博客，是这类证据中最有权威性的一篇。
商业化的节奏：AI辅助研究（现在）→ AI辅助开发（正在普及）→ AI辅助管理（开始探索）→ AI自主工作（未来）。OpenAI的内部数据告诉我们，这条路径的每一步都在按计划前进，而且速度比大多数人预期的更快。
附录五：数字背后的人——OpenAI研究者眼中的「AI同事」
有一个维度在所有关于「AI加速研究」的分析中容易被忽略：研究者本身的心理和工作体验变化。
当一个博士生或研究员开始「全天候并发多会话使用编码智能体」时，他们的主观体验是什么？这不只是效率数字，还涉及工作意义感的重新建构。
新的技能要求：有效使用代码智能体变成了一项关键技能。「如何写好prompt让AI理解复杂的研究意图」、「如何验证AI生成的代码没有细微错误」、「如何分解一个研究任务为AI能处理的子任务」——这些能力在传统研究培训中没有，现在变得重要。
认知模式的转变：研究者需要在「指挥AI实现」和「自己思考深层问题」之间更清晰地分工。「哪些工作应该外包给AI」本身成了一个认知决策，而不是像传统工作那样「所有工作都我自己做」。
验证责任的强化：AI生成的代码可能有细微错误，AI生成的实验结果分析可能有盲点。研究者的「批判性验证」责任变得更重，而不是更轻——不是「做更少工作」，而是「做不同的工作，且必须更谨慎地验证AI的输出」。
这种转变正在影响AI研究人才的培养方式。未来的AI研究者，不只需要机器学习理论基础，还需要「高效使用AI工具」的工程能力，以及「批判性评估AI输出」的判断力。这可能正在改变研究院的培训课程设计和学生能力评估标准。
附录六：国际竞争维度——中国AI研究者有同样的加速条件吗？
OpenAI的研究加速，背后是与自家最先进模型（GPT-6 Astra级别）的深度整合。这个整合给了OpenAI研究者「全球最强AI工具」的主场优势。
中国AI研究者呢？
DeepSeek的研究团队在使用DeepSeek自家的最新模型辅助研究——根据DeepSeek技术报告的描述，他们同样在用AI辅助代码生成和实验设计。考虑到DeepSeek-V3在代码生成任务上与GPT-4o相当甚至更优，中国顶级AI研究团队的「AI辅助研究」条件，并不比OpenAI落后太多。
但有一个差异：OpenAI的研究团队使用的是「还没有公开发布的」最前沿内部模型，而DeepSeek的研究团队使用的是「与公开版本接近」的内部版本（两者差距因公司透明度不同而难以判断）。如果OpenAI的内部最新模型比公开版Astra有20-30%的额外能力，这个差距可能是研究加速倍增效应的一部分来源。
这个分析说明了一个「先发优势的正反馈」：拥有最强模型的实验室，可以用它加速研究出更强的下一代模型。但其他实验室也在做同样的事情，只是起点略有差距。全球AI研究的加速，不只是OpenAI一家的事，而是整个前沿AI研究生态的集体提速——中、美、英等主要AI研究机构都在受益于这个趋势。
尾声：一个被轻描淡写的历史转折点
OpenAI用了一篇「普通」博客，宣告了AI研究模式的历史性转折。
没有新闻发布会，没有里程碑宣言，只是一篇说「我们内部是这么工作的」的内部披露。但这篇博客的含义是：AI加速AI研究，已经不是实验室的探索性项目，而是每天都在发生的标准工作流。
历史上最重要的技术转折，通常不是以宣言的形式出现，而是以「我们一直是这样做的」的形式被发现的。火车对工业革命的意义，互联网对信息传播的意义，当时并没有人宣布「工业时代开始了」或「信息时代开始了」——人们只是在某一天意识到，世界已经不一样了。
2026年9月6日，OpenAI告诉我们：在AI实验室内部，研究的世界已经不一样了。
而我们其他人，正在赶上这个「已经不一样了」的速度。
参考资料
- Research acceleration: The view inside OpenAI - OpenAI官方博客，2026-09-06
- GPT-6 Astra: A new generation of intelligence - OpenAI官方博客，2026-09-03
- Safety overview: GPT-6 Astra - OpenAI官方博客，2026-09-03
- In An Alien Mind, OpenAI’s Jakub Pachocki Urges Shared Safety Bars - Unite.AI，2026-09-06
- ‘Model fatigue’ sets in as AI labs race to roll out new versions at frenetic pace - CNBC，2026-09-06