OpenAI初步实现自动化研究 “AI训练AI”图景加速形成 算力仍是未来重要瓶颈？

　　近日，OpenAI官方博客发布文章《研究加速：OpenAI内部视角（Research acceleration: The view inside OpenAI）》，并首次以内部数据形式公开AI“递归式自我改进”（RSI，Recursive Self-Improvement）的进展。

　　文章指出，团队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”。所谓“自动化研究实习生”，指的是一个能够在人类指导下执行明确定义的研究任务的系统，包括那些经验丰富的研究人员需要几天时间才能完成的任务。

　　展望后续，OpenAI预计将在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。这意味着“AI自动训练AI”的图景正在加速形成。

　　相关数据也侧面证明了这一点，根据OpenAI统计，今年年初，OpenAI内部研究人员对Agent的中位使用量仍处于较低水平。到8月中旬，相关研究人员已将Agent融入日常工作。

　　按照API公开价格计算，处于中位使用量的研究人员每天消耗Token价值已经超过600美元；而机构内处于90百分位的高频使用者，其每天消耗Token价值超过7000美元。

图源：OpenAI

　　此外，OpenAI提示道，随着自动化进程的推进，最不容易被自动化替代的研究任务，反而会占据研究人员更多时间，成为未来AI研发的新瓶颈；在其他瓶颈得到缓解后，算力的重要性也会进一步凸显。

　　文章发布后不久，OpenAI团队成员Kevin Liu在社交平台X上转发此文并指出：“RSI很可能是未来几年AI能力跃升的核心驱动力，但该技术目前只存在于少数头部AI实验室之中。”

　　他进一步呼吁道：“信息透明的重要性空前凸显，这能够帮助社会公众充分讨论：我们应当以何种节奏推进模型研发、是否需要对其加以约束。我建议其他AI企业也采取同样的公开举措。”

　　事实上，OpenAI的确并非唯一押注RSI的AI企业。

　　就在上个月，《科创板日报》在《AGI之后，硅谷又为资本开支找了一个新理由》一文中提到，谷歌DeepMind正将RSI视作AI资本开支的核心投资逻辑。

　　该公司首席战略官Jasjeet Sekhon表示，尽管RSI技术远未成熟，但目前AI企业已能用模型辅助设计其他模型的部分组件，这可被视为递归自我进化的“前兆”。此外，Anthropic也正在将越来越多的AI开发工作委托给AI本身。

　　国信证券指出，从模型竞争来看，能力更强的模型既是争取客户的重要因素，同时也正逐渐成为研发下一代模型的生产工具；远期来看，模型能力如果能够持续提高Research Agent和研究人员产出，领先厂商可能形成“更强模型—更高研发效率—更快推出继任模型”的正反馈闭环。

　　更进一步而言，训练与Research Inference共同扩张，AI研发自动化有望进一步打开算力产业链需求空间。该机构表示：

　　训练端来看，算力需求不再仅取决于单次前沿预训练规模，RSI落地渗透之下，参数规模、训练Token、模型代际频率、候选实验、Post training、RL Rollout、验证及研发推理均可能同步增加，更快迭代和更高实验并行度可能形成对训练需求的乘数效应，带动算力需求的天花板持续提升。

　　重点关注计算芯片及ASIC、HBM与存储、先进封装、高速互联与光通信、交换设备、液冷、电力及数据中心等供给壁垒较高的基础设施环节；

　　同时看好具备大规模算力基础设施和持续资本开支能力的头部CSP。随着训练、Research Inference及Agent推理负载同步增长，算力需求将由单次模型训练向持续研发与推理扩散；具备GPU集群、自研ASIC、云平台和模型服务能力的CSP，有望同时受益于AI资本开支扩张和云端AI调用量提升。

（文章来源：财联社）

(原标题：OpenAI初步实现自动化研究 “AI训练AI”图景加速形成 算力仍是未来重要瓶颈？)

(责任编辑：18)