OpenAI内部RSI进展对企业研发效率的潜在影响

9月6日，OpenAI官方博客罕见地以内部数据形式，公开了其“递归自我改进”（RSI）项目的进展。这家公司宣布，已经实现去年秋天定下的目标：在今年9月前造出一个“自动化研究实习生”。按照OpenAI的定义，这是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。而它的下一个目标，是2028年3月前实现完整的“自动化AI研究员”，使其能够参与深度学习和对齐研究，并通过迭代进一步改进系统。

3.1倍工作量与124倍增长：飞轮转起来了

从公布的数据看，智能体首先改变的是研究人员的日常工作方式。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仍相对有限；到8月中旬，这部分研究员已将智能体纳入日常工作流程。按API价格折算，中位研究员每天的智能体推理使用额已超过600美元，而研究组织中使用量处于前10%的研究员，每天使用的Token价值则超过7000美元。

更值得关注的是两个关键数字：研究部门的智能体使用量自去年底增长了124倍，而智能体的工作量已达到人类研究员的3.1倍。这意味着，在代码交付和实验速度显著提升的同时，研发流程中那些执行性环节正在被大幅放大。智能体的任务范围也已从单纯的编码，扩展至排障、监控和分析等领域。

这套机制的核心是一个自我强化的循环：AI产出更多代码和实验结果，研究进展随之加快，更好的模型被训练出来，再反过来提升智能体能力。OpenAI将这个过程形容为一个正在自转的“飞轮”——一旦转起来，速度只会越来越快。

对研发管理者的启示：人机协同的边界在哪里

对于企业技术主管和创新部门负责人而言，这份披露的价值不在于OpenAI内部效率有多高，而在于它揭示了一个正在发生的范式转移：研发团队的组织方式，可能需要围绕“人类设定方向、智能体执行任务”这一模型重新设计。

124倍的使用增长说明，智能体不是锦上添花的工具，而是正在成为研发流程的基础设施。当一名中位研究员每天消耗超过600美元的推理额度时，成本模型也需要重新思考——这不是一次性采购的软件许可，而是持续投入的算力预算。管理者需要评估的是：在自身业务场景中，哪些环节适合交给智能体，哪些环节必须保留人类判断。

一个现实的切入点是“自动化研究实习生”这个定位。它暗示了一种渐进式的引入路径：不是用AI替代整个岗位，而是把那些定义明确、耗时数天的研究任务拆解出来，交给智能体执行，人类负责定义任务、审查结果和做最终决策。这种模式对研发流程的改造是增量式的，风险也更可控。

风险与边界：效率提升的另一面

不过，效率提升的另一面是新的风险。OpenAI在公布进展的同时，其首席科学家也发出警告，认为AI是“养出来的，不是造出来的”，人类对AI内部运作的理解有限，而AI已经开始参与训练下一代AI，这个速度不会慢下来。他甚至表示，现在没有哪家实验室配全速往前跑，包括OpenAI自己。

这对企业决策者是一个重要的提醒。当智能体承担更多研发任务时，组织对AI系统的依赖程度会快速上升，而对其行为逻辑的可解释性却未必同步提升。代码交付速度加快的背后，是审查和验证环节需要更强的把关能力。此外，随着RSI竞赛在头部实验室之间升温，算力投入和估值预期都在被重构，企业需要对自己的智能化投入节奏保持清醒，避免被行业叙事裹挟。

对大多数企业而言，OpenAI的进展更像是一个方向标：智能体参与研发的可行性已经被验证，但引入的方式、节奏和边界，仍需要根据自身业务特点谨慎设计。从定义明确的研究任务开始，逐步建立人机协同的流程和审查机制，可能是更稳妥的路径。