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。
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。"
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、Posttraining、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。
