9月7日，《科创板日报》获悉，OpenAI近日在其官方博客发布了题为《研究加速：OpenAI内部视角》的文章。这是OpenAI首次公开关于AI“递归式自我改进”（RSI）的内部数据进展。
文章披露，OpenAI已达成去年秋季设定的目标：即在今年9月前打造出“自动化研究实习生”。这一系统被定义为能够在人类指导下执行明确研究任务，甚至包括那些资深研究员需耗时数日才能完成的复杂工作。
展望未来，OpenAI预计将在2028年3月前实现“自动化AI研究员”的全面落地，使其能够深度参与深度学习及对齐研究，并通过迭代不断优化自身。这标志着“AI自动训练AI”的时代正在加速到来。
相关数据佐证了这一进程。据OpenAI统计，今年年初内部研究人员对Agent的使用量尚处低位，至8月中旬已全面融入日常工作。按公开API价格计算，中等使用量的研究人员日均Token消耗价值已超600美元，而处于90百分位的高频使用者日均消耗则超过7000美元。
OpenAI同时提醒，随着自动化深入，那些最难被替代的研究任务将成为新的瓶颈，占据研究人员更多时间。一旦其他瓶颈缓解，算力的重要性将愈发凸显。
OpenAI团队成员Kevin Liu随即在社交平台转发文章并评论称，RSI很可能是未来几年AI能力跃升的核心动力，但目前仅掌握在少数头部实验室手中。他呼吁信息透明化，认为这有助于公众讨论模型研发的节奏及约束措施，建议其他企业效仿公开做法。
实际上，押注RSI的AI企业不止OpenAI一家。此前本报在报道中提到，谷歌DeepMind已将RSI视为AI资本开支的核心逻辑。其首席战略官Jasjeet Sekhon指出，尽管RSI尚未成熟，但AI企业利用模型辅助设计其他组件已初见成效，这可视作递归自我进化的前兆。Anthropic也在积极将更多开发工作委托给AI自身。
国信证券分析认为，在模型竞争中，更强模型既是吸引客户的关键，也是研发下一代模型的生产工具。远期来看，若模型能力能持续提升Research Agent及研究人员的产出，头部厂商有望形成“更强模型—更高研发效率—更快推出继任模型”的正反馈闭环。
更深层次地，随着训练与推理的共同扩张，AI研发自动化将打开算力产业链的新空间。机构指出，在训练端，算力需求不再仅取决于单次预训练规模。RSI的渗透将推动参数规模、Token数量、迭代频率、实验数量及验证推理等同步增长，更快迭代与更高并行度将形成对训练需求的乘数效应，从而推高算力需求天花板。
重点关注计算芯片、ASIC、HBM存储、先进封装、高速互联与光通信、交换设备、液冷、电力及数据中心等高壁垒基础设施环节。同时，看好具备大规模算力基础设施和持续投入能力的头部云服务商（CSP）。随着训练、推理及Agent负载同步增长，算力需求将从单次训练向持续研发与推理转移，拥有GPU集群、自研ASIC、云平台及模型服务能力的CSP将双重受益。