导语
OpenAI正在把多个研究方向重新收束到一个更具体的目标上：打造能够长期、自主处理复杂问题的“AI研究员”。据《MIT Technology Review》对OpenAI首席科学家Jakub Pachocki的专访，这家公司已经把这一目标视作未来几年的“北极星”，希望把推理模型、智能体和可解释性等研究线整合到同一条主航道上。
时间表与目标
按照Pachocki的说法，OpenAI计划在今年9月前先做出一名“自动化AI研究实习生”。这个系统的定位不是全能科学家，而是可以在较少人工干预下，自行接手一小部分明确的研究任务，持续工作几天时间。更远的目标是到2028年推出真正的多智能体自动化研究系统，用来攻克那些规模太大、复杂度太高、单靠人类研究团队难以快速推进的问题。
文章提到，这类任务理论上可以覆盖数学、物理、生物、化学，甚至商业和政策问题，只要问题能被表述成文本、代码或白板上的符号。换句话说，OpenAI想做的并不是单一学科工具，而是一种可迁移到多场景的通用研究基础设施。
为什么现在推进
Pachocki认为，过去几年模型能力的提升已经把这件事从远景拉近成了工程目标。GPT-4相比GPT-3在长时间处理问题上的能力有明显跃升，而推理模型通过逐步求解、回溯错误和拆分子任务，又进一步增强了模型在长链路任务中的稳定性。OpenAI还在用高难度数学与编程题训练系统，让模型学会管理大段文本、拆解复杂目标并协调多个子任务。
他把Codex视作这一路线的早期版本。OpenAI称，绝大多数技术员工现在已经在工作中使用Codex，而Codex也展示了一个关键趋势：人类不再事事亲自写代码，而是开始管理一组代理协同完成工作。如果这种机制能从编程扩展到科研与分析领域，自动化研究员就具备了现实基础。
行业含义
这条路线对OpenAI自身和整个AI行业都很关键。面对Anthropic与Google DeepMind等对手的激烈竞争，OpenAI下一步把资源投向哪里，会直接影响未来几年AI产品形态。若“AI研究员”路线成立，行业竞争可能从单次问答质量，转向长时任务执行、代理协作和高价值知识工作的自动化能力。
不过，Pachocki也强调，人仍然需要负责设定目标与监督方向。OpenAI描述的并不是完全脱离人的系统，而是一个在数据中心里运转、能够持续提供研究产出的“实验室级”工具。对企业、科研机构和政策制定者来说，这意味着AI能力竞争正逐步进入更高门槛的执行阶段。
