AI 实验室的下一条 Scaling 曲线：Agent 正在把“研究吞吐”变成竞争变量

信源：[MTS｜Jerry Tworek（Core Automation 联合创始人兼 CEO、前 OpenAI 研究副总裁）访谈《Most AI Labs are Simply Cooked》｜2026-08-26]

Jerry Tworek 在访谈里给出了一个极其激进的判断：人类研究员作为 AI 研究发现流程中的重要参与者，可能只剩下大约两年时间。

这句话很适合做标题，却不是这场访谈最值得关注的部分。更重要的变化是，AI 实验室的竞争函数正在被重新定义：过去比拼的是模型规模、训练数据和算力投入，下一阶段可能要比拼一单位算力能够完成多少次高质量、可证伪的研究循环。

这可以称为“研究吞吐”。它不是一天写了多少代码、启动了多少训练任务，而是一个假设从提出、实现、运行、评估，到被证实或推翻并进入下一轮迭代，需要多长时间；单位 GPU 小时究竟产生了多少可靠知识。假如一次实验从一个月压缩到一天，实验室获得的并不只是30倍的软件开发效率，而是更快的组织学习速度。

Tworek 因此把 AI 实验室分成三代。第一代是早期的 DeepMind 和 OpenAI：在大规模语言模型尚未被证明之前，以开放式研究寻找通往 AGI 的路径。第二代出现在 GPT-3 之后，Scaling Law 得到验证，实验室的主要任务变成筹集算力、扩大模型和复制已经被证明有效的技术路线。第三代则建立在推理模型和 Agent 之上：模型开始参与研究本身，实验室从一开始便围绕自动化组织。

Core Automation 的切入点很克制。Tworek 明确承认，当前 Agent 并不擅长开放式研究，也很难产生具有十年领域经验的研究员才能提出的高质量假设。它们的优势，是在目标被准确描述后执行实验、修改代码、整理结果，把人从大量工程摩擦中释放出来。

这意味着最早被自动化的不是“科学判断”，而是围绕科学判断运行的实验工厂。人负责选择问题、提出假设和判断结果是否重要；Agent 负责实现、运行、排错、比较和复现。随着执行成本下降，人类研究员的稀缺性反而会更加集中到研究方向与评价标准上。

这对非主流模型架构尤其重要。

Tworek 回忆，在大型实验室里尝试一种新架构，研究员需要先完成小规模原型，再用数月验证，随后说服十多人参与，最终还要花三到六个月将系统扩展到更大规模。与此同时，Transformer 已经拥有成熟代码、基础设施和管理层信任。即便新方法具有潜力，它也很容易在组织流程中输给“继续扩大现有模型”这条低风险路线。

因此，Transformer 的统治力不只来自技术表现，也来自路径依赖。架构越成熟，围绕它积累的训练框架、内核、评估体系和工程经验就越多；这些积累又进一步提高了替换它的成本。

Agent 改变的正是这笔搜索成本。当原型开发、训练管线迁移和大量对照实验可以自动完成，小团队便能更便宜地探索过去没有资源验证的架构组合。Core Automation 对“超越 Transformer”的下注，本质上不是声称自己已经找到了答案，而是认为自动化会扩大可搜索的架构空间。

现有证据支持这套逻辑的前半段，但还不足以支持“两年内完全自动化”。

METR 的 RE-Bench 显示，在两小时预算下，表现最好的 AI Agent 得分曾达到人类专家的四倍，原因之一就是模型能够以更低成本、更快速度生成并测试方案。但随着任务时间拉长，人类的优势重新出现：在八小时预算下，人类略微领先，在32小时预算下，人类得分约为最佳 Agent 的两倍。METR 最新的时间跨度页面也特别提醒，目前超过16小时的测量并不可靠，而且测试任务大多是目标清楚、可以自动评分的软件、机器学习和安全任务，无法代表依赖长期背景、隐性知识和模糊目标的真实研究。

AlphaEvolve 同样展示了自动化搜索的力量，但它最有效的前提是问题能够被写成代码，而且候选方案可以用明确指标评分。Google DeepMind 将这种结构概括得很准确：当 Agent 让猜想和候选方案变得廉价，新的瓶颈会转移到验证。Co-Scientist 已经能够生成、辩论和迭代研究假设，但其系统把大量计算用于交叉核验，最终仍需要领域专家和实验室确认。

这也是 Tworek“两年预测”里最脆弱的一环。研究自动化不能只解决代码生成，还要解决环境设计、奖励函数、实验污染、失败解释和研究价值判断。如果评价指标存在偏差，Agent 提升的可能不是发现速度，而是对错误指标的优化速度。

o系列推理模型的诞生过程恰好说明了这一点。Tworek 说，大规模强化学习的方向早在2019年前后就已存在，但真正的突破还需要合适的数据、算法、训练环境，以及管理层愿意分配足够的 GPU。进展并不是某个 Agent 突然产生了天才想法，而是长期探索积累出微弱信号后，组织决定增加资源，把零散结果放大成新的 Scaling 路线。[OpenAI 的官方资料](网页链接)也确认，o系列的核心进展来自大规模强化学习以及训练与推理阶段计算量的扩展。

所以，自动化不会消灭算力的重要性。它提高的是每单位算力的研究产出，但前沿模型仍然需要巨大的训练资源。Tworek 自己也承认，没有足够的计算基础，新实验室很难与头部公司正面竞争。小团队的机会只能来自两条路：获得足够算力，或者找到一种数据效率、学习效率和扩展效率明显优于现有路线的方法。

从半导体角度看，这场架构搜索也可能带来更深的影响。今天围绕 GPU、HBM、SRAM和光互连建立的硬件体系，主要是在适配 Transformer 的矩阵计算、Attention、静态权重和 KV Cache 访问模式。如果未来模型能够在测试阶段持续学习，或者使用不同的状态与记忆结构，计算、存储和通信之间的比例也会改变。上层模型架构一旦变化，硬件的最优形态就要跟着重写。

但这目前只能作为情景推演，而不能直接变成产业结论。Core Automation 尚未公开一种能够在同等算力下稳定超过 Transformer 的架构，也没有给出可复现的 Scaling Law。它的竞争对手还包括拥有更多算力、数据和 Agent 基础设施的头部实验室。自动化工具如果迅速标准化，最大的受益者可能仍然是能够并行运行最多实验的大公司。

因此，判断第三代 AI 实验室是否成立，不能只看员工人数或 Agent 数量，而要看三个指标：从假设到可靠证伪的周期是否持续缩短，自动实验的复现率能否接近成熟研究团队，以及每单位算力产生的有效进展是否快于头部实验室。

人类研究员短期内不会因为不再需要写代码而退出。相反，他们的价值会向选择问题、设计评价体系和识别伪进展集中。只有当 AI 连“什么问题值得研究、什么证据足以改变方向”也能够稳定处理时，Tworek 所说的全自动实验室才算真正跨过门槛。