围棋里所谓「神之一手」，通常指那种极其罕见、出乎常规判断，却足以改变整个局势，甚至让人重新理解棋局的落子。
9 月 6 日，OpenAI 一天发了两篇关于 AI 研究的文章。
一篇《Research acceleration: The view inside OpenAI》，讲 AI 已经如何进入 OpenAI 内部的研究流程；另一篇《An Alien Mind》来自其首席科学家 Jakub Pachocki，讨论的是一个更长远的问题：如果 AI 越来越多地参与下一代 AI 的研发，这条路最终会把我们带到哪里。
两篇放在一起读，非常有趣。此前 AI 一直是被研究的对象，而在这两篇的叙述里，它已经开始参与制造下一代 AI。
OpenAI 给出的内部数据比较激进。2026 年年初，按 Agent 使用量排序的中位研究员还只是有限地使用 coding agents；到 8 月中旬，Agent 已经每天进入他们的工作流。按标准 8 小时工作日折算，整个研究组织的 agent runtime 已经达到：每投入 1 个 human workday，对应 3.1 个 agent-workdays。研究员提交的代码更多了，跑的实验更多了，委托给 Agent 的任务也越来越长、越来越复杂。
但同时，OpenAI 自己对这些数字又比较谨慎。3.1 倍的 agent runtime 显然不能直接翻译成「科研进步提高了 3.1 倍」。研究是一条很长的链路，任何一个没被自动化的环节，都可能成为新的 bottleneck。尤其要注意的是，目前 Agent 的输出里，high-level planning 仍然只占极小一部分，也就是说研究优先级怎么排、哪些 idea 和 result 值得继续、什么时候该 scale、pause 或 deploy，仍然主要由人在判断。
OpenAI 说自己已经达到此前设定的「automated research intern」目标：AI 可以在人类指导下完成 well-defined research tasks，包括原本可能需要熟练研究员数天完成的工作。至于真正的「automated AI researcher」，则仍然被放在更远的目标线上。
我们需要注意一下这个描述的区别，今天已经比较明确被 scale 的，是「做研究」的 bandwidth；而「决定研究什么」还远没有被同等程度地自动化。
这让我觉得，真正值得讨论的问题已经从传统意义上的 Scaling Law 向外延伸了一层。过去几年我们不断验证的是：随着 model size、training data 和 training compute 增长，模型 performance 能不能继续可预测地提升。现在开始出现另一个问题，那就是 research 本身，能不能被 scale？
从 Scaling Intelligence 到 Scaling Research
过去 AI 发展的基本关系是：Human Research → Better AI。人类提出算法、搭建系统、设计实验、训练模型，于是有了下一代更强的 AI。当 AI 开始进入 research process，这条关系正在慢慢变成：Better AI → More / Better Research → Better AI。
Pachocki 在《An Alien Mind》里的判断是：如果当前的能力进展继续，未来几年 AI 会越来越多地推动自身发展；automated AI research 本身，可以理解成一种更加激进的「用 compute 去 scale intelligence」的方式。Recursive Self-Improvement 也因此从一个很远的假设，逐渐进入现实讨论范围。
但在走到 RSI 之前，还有一个更基础的问题：投给 research process 的资源增加，能不能像增加 training compute 一样，稳定地换来 research progress?
这里需要先把一个概念进行拆解。Training compute 相对容易定义，可 research 里的投入并不是单一变量。Human researcher time 是一种资源，Agent inference budget 是一种资源，跑实验和训练模型的 compute 也是资源，evaluation budget、并发执行能力、实验基础设施同样都会影响最终的 research throughput。所以更准确地说，我们现在面对的不是一个已经定义好的「Research Compute」，而是一整组 Research Resources / Research Budget。其中机器侧的计算量当然可以继续叫 Research Compute，但它不是全部。
OpenAI 目前能测的是 agent runtime、agent-workdays、实验数量、代码量、任务复杂度这些 proxy，它们和真正的 Research Progress 之间是什么函数关系，目前还不知道。
从现有迹象看，AI 最先 scale 的也并不是某种抽象的「科研智慧」，而是科研过程中一直非常稀缺的探索的宽度。
AI 最先改变的，是 research 的并发量
人类做 research 有一个非常物理的限制：很难真正并行。一个 researcher 可以同时想到很多问题，但真正把一个 hypothesis 写成代码、搭好实验、跑完、debug、分析结果，再决定下一步做什么，每一步都要时间。很多时候不是完全没有 idea，而是没有时间把所有 idea 认真验证一遍。
AI 介入 research process 之后，第一个被打开的缺口就在这里。今天已经可以看到研究人员同时运行更多 Agent，把更长的任务委托出去。再往前推一步，如果一个 researcher 可以稳定地同时启动几十个甚至更多 Agent，原来串行发生的研究过程就有机会被大规模展开——一个 Agent 去实现新的 architecture，一个补 evaluation，几个同时做 ablation，另一些排查实验异常；如果系统进一步具备更强的 hypothesis generation 和 planning 能力，还可能让不同 Agent 沿着不同假设各自展开。
原来的形态大致是 Idea → Experiment → Result → Next Idea；理论上的另一种形态可能变成：一个 Idea → 大量实验路径 → 筛选结果 → 展开下一轮更多路径。
这并不必然等于无方向的 brute force。模型本身带着大量知识和 prior，可以判断哪些路径更值得尝试，根据中间结果改变策略，也可以通过多个 Agent 之间的 critique 排除一些明显无效的路线。Google 等机构已经开始展示这类系统的早期形态：不同 Agent 生成、讨论、排序和迭代 hypotheses。但至少就 OpenAI 这次公布的数据而言，还不能说 massively parallel hypothesis search 已经真正实现。更准确地说，大规模并发的 research execution，正在为 massively parallel hypothesis search 打开可能性。
这个变化的潜力不能低估。因为过去我们归因于「intuition」的一部分研究成果，拆开之后可能并没有那么神秘——背后可能只是 search budget 不够。一个 researcher 一生能够认真验证的路线始终有限。某个方向试了十种方法都失败了，他可能只能暂时离开；但如果 AI 能以低得多的 marginal cost 尝试大量 variation，那么一些过去所谓「没人想到」的东西，最后可能只是「没人有时间试到那里」。
不过「没想到」其实包含两种完全不同的情况。第一种是：问题已经知道，只是 solution 没找到。第二种是：研究者甚至没有意识到，真正的问题并不在原来的地方。第一种非常适合靠 Research Width 去解决；第二种，才开始接近我理解的科研意义上的「神之一手」。
「神之一手」不只是多搜索了一万条路径
围棋里的「神之一手」让人印象深刻。真正值得讨论的，并不是机器比人多计算了几个 variation，而是它有没有可能进入人类既有经验原本赋予极低概率的区域。
放到 research 里也一样。如果所有人都在一个 benchmark 上做优化，AI 找到了一个没人尝试过的参数组合把成绩又提高 3%，当然也是 progress。但更有意思的情况是：所有人都认为某条路线不值得继续，它却判断这里仍然值得投入资源；所有人都把一个结果当成实验噪声，它却决定继续追这个 anomaly；或者两个几十年来被放在完全不同领域讨论的问题，它发现背后可能共享某种结构。再进一步，它甚至可能发现——我们为什么一直在优化这个 benchmark？这个问题是不是从一开始就 formulation 错了？
这里工作的性质已经开始变化。它不再只是「在给定 search space 里搜索更多」，而是在改变 search distribution：哪些区域值得投入更多资源，哪些路径应该优先，什么 evidence 足以让自己改变方向。更极端的时候，它甚至会重新定义 search space 本身。
所以我觉得，「神之一手」真正测试的并不是 AI 有没有足够大的 search budget，而是 AI 能不能形成、更新，并最终改善自己的 Research Prior。
把 research process 看成搜索，那么 Width 决定的是「可以尝试多少」，Judgment 决定的是「先去哪里找」。这两件事的区别非常大，10000 个拥有高度相似 prior 的 Agent，看起来像 10000 个 researcher，实际完全可能只是在同一片区域里更加勤奋地搜索。Research Width 可以通过并发直接放大；Research Judgment 是否也能这样增长，就没有那么显然了。
一个 researcher 想了十分钟，可能实际上想了十年
如果 Judgment 决定的是「下一步先搜索哪里」，一个自然的问题是：这种 Research Prior 到底从哪里来？
对于人类 researcher，它很大程度上是长期 research trajectory 压缩出来的。一个资深 researcher 在组会里听完一个实验结果，可能沉默十分钟，然后说：「等等，我们是不是整个方向都搞反了？」表面上看这个判断只花了十分钟，但这十分钟背后可能有他十年前做失败的一个项目、五年前见过的类似现象、上个月刚读的一篇论文，还有跟另一个领域研究者的一次聊天。甚至可能包含一些当时看来完全没有用的东西——一本小说、一部电影、一次旅行，或者某件和当前 research 八竿子打不着的事情，都可能留下某种 abstraction。几年之后碰到另一个问题时，两个原本距离非常远的东西突然发生结构上的匹配。
这里很容易滑向一种浪漫化的说法：人类拥有生活，因此人类拥有 AI 永远无法获得的灵感。这个说法未必错，但可能没有讲到关键处。论文、书籍、历史材料，数学、物理、生物学知识，都可以通过 training、retrieval 和 tools 进入 AI 可以调用的 context——单看可访问的信息范围，说「AI 没有 research history」并不完全准确。至于这些能不能真的沉淀成灵感或直觉，是另一件事，目前也没有答案。所以更值得追问的，也许不是 AI 有没有历史，因为拥有历史，和被历史改变，是不是同一回事。
Scientific Literature、Research Trajectory 和 Research Prior，不是一回事
这里我觉得至少需要区分三层。
第一层是 Scientific Literature。论文、书籍、公开实验结果，记录了整个学术共同体最终保留下来的知识。某种意义上这当然也是 research history。
第二层是 Research Trajectory。真正做过 research 的人都知道，最终论文和真实发生过的 research process 往往不是同一个东西。论文最后写出来可能非常漂亮：Hypothesis → Method → Experiment → Result → Conclusion。真实过程可能是——先做 A，失败；怀疑问题出在 B，于是改 B；结果发现数据有问题，重新做 A；偶然看到 C；突然意识到之前对 B 的理解可能错了；于是试 D，D 又失败；最后绕了很大一圈，才来到论文里那个看起来顺理成章的 E。
大量真实发生过的东西，在论文发表的时候已经消失了。失败但没有发表的路线、当时为什么放弃、哪个异常最开始被忽略、哪个结果改变了研究者对整个问题的理解、一个 idea 到底来自哪次偶然交流，这些都很难完整进入 scientific literature。
第三层是 Research Prior，或者更准确一点，Research Policy。你经历完这些事情以后：下一次面对一个新问题会先试什么？哪些结果会让你警觉？什么时候会认为继续优化已经没有意义？什么时候一个异常值得花三个月追下去？过去的 experience 有没有真正改变你今天分配 attention 和 search budget 的方式？
这才是最核心的区别。知道一条路线十年前失败过，和经历过一系列失败之后形成「这里可能有问题」的 intuition，并不是天然等价的。Research History 真正有价值的地方，不只是可以被 retrieval，而是它最终有没有变成：History → Updated Research Prior。
Memory 不等于 Experience,Experience 也不等于 Judgment
这也是讨论 AI researcher 时最容易跳过去的一步。
假设未来的 AI researcher 可以完整保存自己的 research trajectory：它做过 10000 次实验以后，可以保留远比单个 researcher 完整得多的记录——哪些路线失败过，当时为什么失败，哪些 intuition 后来证明经常判断错，哪些 anomaly 事后证明非常重要，哪些路线当时失败只是因为某个后来已经改变的条件，哪些看似完全无关的问题反复出现了相似结构。
再想象大量 AI researcher 同时工作。如果它们只是独立完成大量实验然后各自结束，本质上仍然只是把 Research Width 放大了很多倍。但如果这些 Agent 的失败、异常、路径选择、hypothesis change 都能进入一个共享系统，积累下来的东西就不一样了。人类科学共同体其实一直在尝试做类似的事情——论文、会议、组会、师徒传承，本质上都在把一个人的 research experience 传给另一个人；只是这个过程的 bandwidth 很低，而且会丢掉大量 tacit knowledge。AI 在理论上未必天然受同样的限制。
但这里不能直接得出：有了 shared memory，Judgment 就会 scale。因为 Memory ≠ Experience ≠ Judgment——把一万次失败实验存进数据库，并不会自动产生科研直觉。
真正关键的是：系统能不能把 trajectory 压缩成 policy。过去的实验发生以后，系统有没有能力判断究竟是什么造成了成功或失败？有没有能力从大量具体 experience 中抽取 abstraction？这些 abstraction 能不能真正改变以后搜索什么、先搜索哪里，以及什么时候应该重新 formulation 当前的问题？
粗略地说，中间至少存在这样一个过程：Experience → Credit Assignment → Abstraction → Prior Update → Future Research Behavior。至于最后依赖 retrieval、reflection、reinforcement learning、continual learning、meta-learning，还是某种今天还不存在的 architecture，目前并不知道。但这一步非常重要。
这样看，Research Width 和 Judgment Scaling 之间的关系就不再是「更多 Agent → 更聪明的 researcher」，而更可能是：更多并行 research → 更多 Research Trajectories → 更多可以学习的 experience → 如果系统能够从 experience 更新 Research Prior → 更好的 Judgment.
换句话说，Width Scaling 最重要的长期价值，也许不只是它让我们今天多跑一万个实验，而是它有可能制造出未来 Judgment Scaling 所需要的 experience。
Research Scaling 的三层
这样再回头看 OpenAI 今天正在发生的事情，我会把 Research Scaling 粗略拆成三层。
第一层是 Scale Execution——让 AI 写更多代码、debug、搭实验、补 evaluation，把 researcher 从大量执行工作里释放出来。这一层已经非常明确地在发生。OpenAI 所谓的「automated research intern」基本可以放在这一层理解：在人类定义问题和指导方向的前提下，把越来越长、越来越复杂的 research task 委托出去。
第二层是 Scale Exploration——原本一个 researcher 一次只能认真验证少数路线，随着并发 Agent、自动实验和 hypothesis generation 能力继续发展，research process 有可能逐渐从串行变成更加 massively parallel 的 search。这一层已经出现了一些早期系统和迹象，但还远不能说已经成熟。
第三层是 Scale Judgment。过去的实验能不能真正改变下一次提出的问题？一次失败能不能让系统重新理解整个方向？一个三个月前不起眼的 anomaly，能不能在新的 evidence 出现之后被重新识别？来自其他领域的知识，能不能在没有人明确要求「请做跨领域类比」的时候，于恰当的时点改变当前 problem formulation？
这里的核心已经不是「一天可以跑多少实验」，而是——昨天发生过的那些实验，有没有改变今天的 search distribution。
这一层目前还停留在非常早的探索甚至假设阶段。但如果它最终真的能够 scale，automated AI researcher 的性质会发生很大变化。它就不再只是「一个 researcher 带 100 个 AI 实习生」；每一轮 research 留下来的，也不再只是越来越大的 experiment log，而是一个不断被自身 research experience 改写的系统。这时候 Better AI → Better Research → Better AI 这个 feedback loop，才可能以完全不同的强度闭合。
所以，Research Scaling Law 来了吗？
现在还不能这么说。
今天我们已经比较确定地看到，用于 research 的机器计算、Agent runtime 和实验吞吐正在快速增加。Agent runtime 可以测，代码量可以测，实验数量可以测，任务成功率也可以测。但这些东西与真正的 Research Progress 之间到底是什么函数关系，仍然不知道。更多实验当然可能产生更多 discovery，也可能很快遇到 diminishing returns。10000 个 Agent 如果共享类似的 training distribution、类似的 prior 和类似的 benchmark，数量上看起来像一万个 researcher，实际探索的可能还是同一片区域。
而且和传统模型的 Scaling Law 不同，我们现在甚至还没有一个单一、明确的自变量。Human researcher time、Agent inference、实验 compute、evaluation budget 之间能不能相互替代？增加 10 倍 Agent inference budget 和增加 10 倍实验 compute，对最终 research progress 的 marginal return 是否一样？这些问题目前都没有答案。
以我目前的理解，现在至多只能说：Research Scaling 已经开始，但 Research Scaling Law 还远没有被验证。我们已经看到 AI 开始 scale research 的搜索量，还不知道它能不能 scale research 的搜索策略。
过去十年我们一直在研究如何 Scaling Intelligence——更多参数、更多数据、更多 compute，最终制造出了今天的大模型。现在一个新的循环开始出现：Intelligence 本身，正在参与制造下一代 Intelligence。
接下来几年，真正值得盯住的指标，可能不再只是「一个 AI researcher 一天可以跑多少实验」，而是——昨天跑过的那些实验，有没有改变它今天提出的问题。
如果未来增加 Research Resources，不只是让 AI 尝试更多答案，而是让它越来越擅长判断什么问题值得问、哪些区域值得搜索、什么时候应该放弃旧的 formulation，那么 Research Scaling 才真正进入了一个完全不同的阶段。
到了那一天，「AI 能不能想出神之一手」也就不再只是一个关于机器创造力的哲学问题，而是一个可以被观察的问题：一个持续积累 experience 的 AI researcher，是否真的会形成越来越好的 Research Prior？以及某一天，它是否会看着所有人正在努力解决的问题，说：我们可能一直问错问题了。
参考文献：
https://openai.com/index/research-acceleration-view-inside-openai/
https://openai.com/index/an-alien-mind/
