这不是“AI 变聪明”那么简单

过去我们聊 AI，常常停留在“模型更强了、推理更快了”。但这一次更关键的变化是：AI 已经开始参与下一代 AI 的研发流程本身。

换句话说，AI 不只是产品能力的增长点，也正在变成实验室里的“生产力工具链”。当它能写代码、跑实验、盯训练、排故障，研究的速度与形态都会改变。真正值得关注的，是这条链条会把行业推向哪里。

---

一眼看懂的 3 个数字

1）人均 3.1 个“AI 工作日”

把“Agent 运行时间”按工时折算后，研究部门里 每投入 1 个“人类研究日”，大约会同时产生 3.1 个“Agent 工作日”。

这不是“偶尔用一下工具”。在工作时长的意义上，AI 劳动力已经能与人类拉开数量级差距。

2）中位数研究员：每天约 600 美元推理成本

中位数研究员的 Agent 用量折合 约 600 美元/天；重度用户（第 90 百分位）则 超过 7000 美元/天。

这揭示了一个现实：当 AI 参与研发，瓶颈不再是“会不会用”，而是“算力预算能不能跟上”。

3）6 个环节全覆盖，但“方向盘”还在人手里

研究被拆成六类活动：Decide / Design / Build / Run / Analyze / Communicate。Agent 在六类活动中的使用量都在增长，但高层规划与研究方向仍主要由人类负责。

一句话总结：AI 在加速科研的“体力活”，但还没接过科研的“方向盘”。

---

AI 正在把科研变成“流水线”

很多人以为 AI 进实验室就是“写代码更快”。但现在它已经进入更“脏活累活”的位置：

• 实验运行与监控：让实验更密集、更连续地跑起来，减少人盯屏幕的时间。
• 技术支持与排障：以前故障要靠团队“坐诊”，现在越来越多问题会先被智能体解决。
• 结果分析与整理：把重复的对比、归纳、可视化工作接走。

这带来一个直观结果：实验密度上升。活跃实验者的人均实验数量在 2026 年 8 月创下追踪以来的新高。

但这里有一个容易被忽略的“反常识”：

代码更多、实验更多，并不必然等于科学突破同比增长。

因为研究是一条多瓶颈链路。当“能自动化的”都被自动化后，剩下的将是更难被替代的环节：提出好问题、设计可验证的评测、判断哪些信号值得追、在安全边界内把方法整合进更大的训练。

---

现实边界：复杂任务仍需要人类“扶一把”

在对复杂任务（耗时 4 到 8 小时）的统计里，超过一半的成功案例至少需要一次人类干预。

这件事非常重要，因为它告诉我们：

1. “成功”与“自主”不是一回事。
2. Agent 越能跑长任务，越需要好的“人机协作接口”：何时插手、插手什么、怎么把它带回正轨。
3. 未来最值钱的能力，可能不是“让 AI 自己干”，而是“让人类用最少的介入，把 AI 带到正确结果上”。

---

行业观察：为什么这会改变竞争格局

1）研发效率会出现“复利效应”

当一个研究员身边常态化挂着多个 Agent，研究节奏会发生变化：
人类把时间留给“选择”，AI 把时间用在“推进”。

这种分工会让“迭代速度”变成越来越核心的壁垒。因为迭代越快，越早看到反馈，越早修正路线，越早积累下一轮自动化所需的数据与工具。

2）算力与预算将重新决定“谁跑得动”

当中位数研究员每天消耗的推理成本都达到一个明确量级时，组织层面的决策就会变得现实：
你能否持续供给算力，是否愿意把预算投入到“内部生产力”而非对外宣传，将直接影响你能跑多少实验、跑多快。

3）AI 研发的“安全成本”会成为新的天花板

研究加速的另一面，是风险也在加速。

这次披露的数据里，安全事件会直接改变研究环境与节奏：
出现越界行为后，容器与环境会被替换为限制更多、更安全的版本；强化学习训练也会被暂停或收紧；最强模型还可能被“提升安全级别”后才能继续使用。

也就是说：AI 越强，越需要更强的安全流程来“配套”。否则速度越快，事故越可能更快发生。

---

一个细节：限制最强模型，不等于总算力会下降

当某个最强模型被安全限制后，算力需求并不会凭空消失，研究活动会迅速寻找“替代出口”。

这意味着，未来的实验室很可能走向一种常态：

1. 最强模型被严格限制在高安全环境里。
2. 其他模型承担更多“可放量”的工作负载。
3. 研究任务在不同模型之间动态迁移。

对行业来说，这会推动两个方向：

• 多模型协同与路由成为基础设施能力，而不是锦上添花。
• 能力分层更清晰：最强模型负责最难、最敏感的部分；更便宜、更稳定的模型负责大规模试错与产出。

---

2028：全自动研究员，意味着什么

现在阶段被定义为“自动化研究实习生”：能在指导下完成边界清晰的任务。
下一阶段“自动化 AI 研究员”，则意味着它要能扛更开放的目标，推进更长周期的项目，从执行者更像“项目负责人”。

如果这个目标真的逼近现实，至少会带来三类变化：

1. 研发组织形态变化：研究员从“亲手做”，变成“指挥与评审”。
2. 评测与透明度更重要：当进展主要发生在实验室内部，外界更难判断真实能力边界。
3. 监管与社会讨论会滞后：能力增长速度可能先于公众理解与制度准备。

---

给国内行业的 3 点启示（更接地气）

1. 先把“AI 能干活”的环节铺起来：实验跑通、数据管住、日志可追、流程能复盘，比“口号式智能体”更重要。
2. 人机协作要产品化：把“什么时候需要人类确认/纠偏”做成机制，而不是靠经验。
3. 安全不是最后补丁：研究环境、工具权限、模型等级与审计能力，需要和研发效率一起建设。

---

结尾：我们正在进入“AI 造 AI”的工程时代

这次最值得被记住的，不是某个模型的某次突破，而是一个更基础的事实：
AI 已经成为研发体系中的劳动力，并且正在扩张。

当“研究速度”进入复利区间，行业竞争会从“谁更会讲故事”变成“谁的工程体系更能跑、更稳、更安全”。这也许才是未来几年真正的分水岭。

---