文章作者、来源：火星财经

2026 年 9 月，OpenAI 计划推出首个“AI研究实习生”。

这是 OpenAI 首席科学家 Jakub Pachocki 在最新访谈中给出的时间表。距离现在，只剩5 个月。

在他看来，AI 的定位已经从单纯的工具转向“人类员工”：能独立运行多久、能否应对模糊的任务、需要多少人工干预，这些成为了衡量模型的新标准。

这意味着，AI 的角色开始从日常助手变成完成任务的智能体。

当这一转变发生时，被重塑的不仅只是 AI 的形态，更是人类的工作方式。

第一节｜能力演进：从编程到科学研究

这一轮的 AI 技术浪潮，很容易被外界狭隘地理解为“编程工具变强了”。

但在 OpenAI 内部，变化早已不止于写代码，而是开始向更完整的工作流推进。

Jakub Pachocki透露，他们已经把Codex用在大量实际的编程工作中。真正的改变不在于代码写得更快，而是很多原本需要人类一步步操作的流程，现在可以直接交由模型去执行。你不再需要亲自敲下每一行代码，只需下达目标，让它完成一整段任务，人只负责最后的检查和微调。

除了工作效率的提升，过去几个月里，模型在数学和科学领域能力也出现极大提升。

AI 现在开始能够处理更复杂的问题，它不只是给出最终答案，还能提供中间的推理过程，甚至提出有价值的解题思路。在一些测试中，它已经能够接近甚至达到国际数学竞赛难度。更重要的是，在“首创性证明（first proof）”这种研究型挑战中，模型在极短时间内，就跑通了本该需要人类花上数天甚至更久才能摸索出的解题路径。

这说明什么？说明AI不仅能执行指令，还开始具备了探索未知的能力。

编程之所以成为突破口，是因为它天然有着清晰的反馈机制，对或错极易验证。数学也是同样的逻辑。正因为在这些领域能够精准评判结果的好坏，模型才有机会不断修正自己的过程，逐渐将能力向高难度推进。当这种能力稳定下来后，它便开始向更复杂、更贴近现实的问题迁移，比如科学研究中的假设验证、实验设计，甚至是新的思路生成。

Jakub 在访谈中强调：他们越来越关注的，不再是模型在某个基准测试上的跑分，而是它在真实世界中能否真正帮人解决问题。无论是研究、工程，还是其他具有实际商业价值的工作，衡量标准正在从“答对多少题”，转向“能否把一项任务推进到底”。

从写代码到做研究，表面上看行业跨度极大，其实底层有一条极其清晰的演进路径：先在可被验证的领域建立基础能力，再把这种能力延伸到更复杂的现实场景，最终深度介入那些原本需要人类长期投入的高级工作之中。

第二节｜两个差距和一个时间表

将当下的 AI 精确定位为“实习生”，是 Jakub Pachocki 经过深思熟虑的结论。

因为“实习生”与“独立研究员”之间，存在两个最本质的差距。

第一，是独立工作的持续时间。

如果你把任务交给一位经验丰富的人类研究员，你只需指明一个大方向，比如“把模型能力再提升一截”。对方就能自主拆解问题、寻找路径、不断试错，甚至持续数周或数月推进工作。但目前的 AI 还做不到这一点。尽管它的连续运行时间在变长，也能完成一段完整的任务，但依然需要人类在关键节点给出明确的指引和纠偏。

第二，是处理模糊问题的能力。

现实世界里的绝大多数工作，起初并没有标准答案。往往只有一个粗略的方向、一个初步的想法，甚至只是一个模糊的目标，需要在推进的过程中不断去澄清和定义。人类研究员的不可替代性恰恰在于此：他们不仅是执行者，更是探路者，能决定“下一步该做什么”。

现阶段的 AI，更擅长处理那些“已经被定义清楚”的任务。比如，验证一个具体的思路、用新方法跑一次实验，或者对已知结果进行数据分析，在这些明确的边界内，它做得越来越好，效率甚至超越了人类。可一旦让它自己去定义问题、选择探索方向，其能力表现还不稳定。

这就是它被称为“AI实习生”的原因。

Jakub 给出了极其明确的时间表：在2026 年 9 月前，实现“研究实习生”级别的AI系统；在2028年3月前，将其推进到具备更高自主性的“AI研究员”。

按他的原话，实现这一跨越的大部分技术要素已经具备，现在的核心工作就是将它们有效整合。

我们已经站在了变革的前夜。

第三节｜执行外包，决策留给人

当 AI 跨越了单纯“回答问题”的边界，开始能够闭环完成一段任务时，这场变化就不再停留在工具升级的层面，而是触及了更底层的命题：人类究竟该如何做事。

在访谈中，Jakub Pachocki 指出，模型短期能力的跃升，正在直接改变研究推进的速度。这意味着，许多原本需要人力一点点啃下来的冗长工作，现在正被加速，甚至被完全重置。

过去，推进一项复杂研究或项目的标准节奏往往是：人类提出想法 → 亲自动手验证 → 不断试错调整 → 缓慢向前推进。大量的时间被消耗在繁琐的执行细节中，真正用于决定方向的时刻反而寥寥无几。

但随着 AI 能够接手大部分执行工作时，人不再需要亲自完成每一步，可以把更多精力放在三件事上：确定方向、拆解任务、评估结果。“执行”本身，正逐渐被外包给工具。

当一个人不再被具体的操作占满时间，他的核心价值就不再是“做得有多快”，而是“决定做什么”以及“如何统筹”。面对同样的工具，有人只能用来加快手头的计件工作，有人却能以此为杠杆，极大地拓展业务边界，这中间的差距将变得越来越大。

这种工作流的重组，在顶尖实验室中已经成为现实。Jakub 坦言，他们团队如今越来越需要将精力放在“哪些方向值得投入”的取舍上，而不是像过去那样平均分配资源。原因是：当执行的成本大幅下降时，真正稀缺的就不再是人手，而是正确的选择。

类似的变化也在影响更多工作场景。

比如写代码、做分析、写方案，这些原本需要完整经验积累的事情，门槛正在下降。一个人不需要掌握所有细节，也可以完成相当一部分工作。但与此同时，对整体把控的要求反而更高了。你需要知道目标是什么，哪些结果是有效的，哪些只是表面看起来不错。

所以，如果将“AI实习生”放回现实世界，它带来的震撼，绝不仅仅是为我们添了一个得力助手。它是在强迫人类的工作方式发生转向：从“亲自把事做完”，转向“设计并管理 AI 去把事做完”。

这时候，每个白领问题变成了：你能不能决定什么值得做，以及怎么把这件事交给 AI 做好。

结语｜只剩一件事

“AI 实习生”不是关于未来的设想，是正在发生的现实。

AI 能力边界，正在从“帮你做一点”，走向“替你完成一段”。

我们需要适应的，是职业角色的彻底转变：当 AI 接管了越来越多的执行工作，人类最终剩下的，只剩一件事：

决定什么值得做。