本期判断
过去一百多年的科研发展，并不是一部瓶颈消失史，而是一部瓶颈迁移史。AI真正特殊的地方，也许不是第一次突破研发瓶颈，而是让这种迁移发生得越来越快。
9月6日，OpenAI公开了一组很有冲击力的数据。
截至今年8月中旬，在OpenAI的研究组织里，每一个人类工作日，已经对应大约3.1个Agent工作日。中位数研究人员每天调用的AI推理资源，按API价格计算超过600美元；使用量排在前10%的研究人员，每天超过7000美元。越来越多的人同时启动四个甚至更多Agent，让它们写代码、查故障、跑实验、看日志，再把结果交回来。6月以后，整个研究组织里的Agent运行时间已经超过了人类工作时间。【S1】
很容易把3.1理解成某种生产率。
一个研究员身后，仿佛已经站着三个数字研究员。如果以后变成10个、50个，是不是科研也会快10倍、50倍？
OpenAI自己没有这么说。相反，它专门提醒，代码写得更多、实验跑得更多，这些数字容易测量，却很难直接解释为研究进步。AI研发是一条很长的链条：有人提出改进，设计评估，编写代码和基础设施，训练模型，发现Bug和不安全行为，再决定哪些结果值得进入核心训练。任何一个环节失败，都可能限制整个循环。随着自动化推进，那些最难自动化的任务反而会占据研究人员越来越多的时间，成为新的瓶颈。【S1】
如果研发链条里的一个环节突然快了三倍，整个科研系统究竟会快多少？
如果一个环节突然快了三倍
这可能才是这组数据真正值得研究的地方。
如果研发链条里的一个环节突然快了三倍，整个科研系统究竟会快多少？
把时间拉长一百多年，会发现人类其实一直在回答同一个问题。
科研进步的历史，并不是瓶颈不断消失的历史。更像是一部瓶颈不断迁移的历史。
1900年以后，科学先解决了“一个人不够用”
1900年，通用电气在纽约州斯克内克塔迪建立研究实验室。史密森学会的档案把它称为美国第一家工业研究实验室。【S2】
在此以前，爱迪生式的发明家实验室已经存在。但进入20世纪以后，越来越多的技术创新不再能够只依靠一个人的天才、经验和双手完成。科学家、工程师、设备、资本和长期研究开始被稳定地组织进企业内部。
创新第一次越来越明显地成为一种组织能力。
后来经济学家Benjamin Jones把其中一个原因概括为“知识负担”：知识不断积累以后，后来者必须学习越来越多的前置知识，才能走到研究前沿。一个人不可能无限延长学习时间，于是专业越来越细，创新越来越依赖团队合作。【S3】
人类没有办法让一个科学家的脑容量增加十倍。解决办法是把更多人的脑子组织在一起。
一个人不够，就有实验室。一个实验室也不够，科研组织继续扩大。
曼哈顿计划高峰期动用了约13万人。美国能源部后来把它称为战后美国“大科学”的组织范型。它留下的不只是核技术，也包括国家实验室、大型科研设施以及一种新的科研组织方式：有些问题需要的知识、设备、资金和工程协同，已经超过任何个人甚至普通大学实验室的承受范围。【S4】
科研由个人走向团队，再由团队走向大型组织。
当规模扩大以后，新的稀缺性继续出现
但规模扩大并没有让稀缺性消失。2017年，Bloom、Jones、Van Reenen和Webb提出过一个影响很大的问题：Are Ideas Getting Harder to Find? 他们发现，在多个领域，为维持相近的技术进步速度，需要投入越来越多研究资源。一个著名例子是摩尔定律：维持芯片密度长期高速提升所需要的研究人员数量，已经是1970年代初的18倍以上。【S5】
这是不是意味着人类越来越难发现新想法，现在仍有争议。2026年，另一组经济学家利用美国企业45年的专利数据提出了几乎针锋相对的结论：也许不是“Ideas are getting harder to find”，而是“Growth is getting harder to find”。他们发现，企业按研发投入计算的专利产出并没有明显长期下降，真正变弱的可能是创新转化成企业增长的能力。【S6】
这个争论对本文反而很有启发。因为无论是哪一种解释，都意味着一件事：
创新不是只有“想出一个主意”这一步。
从知识到假设，从假设到实验，从实验到验证，从验证到工程化，再从工程化到真实产品和经济增长，中间是一条很长的链条。瓶颈可能出现在任何地方。
人的手太慢了，于是实验室开始自动化
到了20世纪后期，机器开始解决其中一个非常具体的约束：人的手太慢了。
高通量筛选进入制药和生物技术实验室以后，机器人、自动化和微型化技术可以让研究者同时测试过去难以想象数量的候选物。实验突然快了。但有意思的是，1999年《Nature Biotechnology》讨论高通量筛选时，文章标题已经叫作“Drug screening—beyond the bottleneck”。它指出，高通量筛选距离人们期待的效果仍然很远。【S7】
原因并不神秘。原来一次只能做几十个实验，所以“做实验”是瓶颈。现在一次能做几千、几万个以后，瓶颈开始变成：这么多结果怎么看？哪些值得继续？后面的验证、临床试验怎么办？
技术把一个环节突然拓宽，拥堵就会向后移动。
科学自动化也没有停在“机器替人动手”。2009年，一个叫Adam的“机器人科学家”已经可以在酵母研究中自主生成假设，并调用自动化实验系统测试这些假设。【S8】
到2023年的A-Lab，机器进一步把计算、历史文献、机器学习、主动学习和机器人实验连成一个闭环。它连续运行17天，执行353次实验，在57个目标材料中成功合成36种。实验失败以后，系统还会根据结果提出下一轮方案。【S9】
但论文里有一个非常值得注意的细节。A-Lab自己完成了闭环决策，可在实验结束以后，研究人员仍对36个成功结果逐一进行了人工精修，用来验证系统给出的判断。【S9】
机器突破了实验执行。可信验证随即变得更加醒目。
这几乎就是今天Agent进入科研以后正在重复的故事。
Agent开始进入研究者的“认知工作时间”
不同的是，这一次机器开始进入的不只是物理实验，而是研究者原来的认知工作时间。搜索资料，写代码，寻找Bug，搭建评估，分析结果，监控运行，甚至提出下一步建议。
OpenAI的3.1个Agent工作日真正新的地方，不是机器第一次参与科研。
而是一部分认知型研发活动开始脱离人的同步注意力，可以并行展开。
一个研究员仍然只有一个下午。但他去开会的时候，可以有一个Agent改代码，一个排查故障，另一个在分析实验。人的时间没有变长，围绕这个人同时发生的研究活动却增加了。
如果百年科研史告诉了我们什么，此时最应该问的就不是“Agent还能增加多少”。而是：
新的瓶颈去了哪里？
240%、80%、30%：弱环节出现了
答案恰好出现在2026年的另一项研究中。NBER今年9月修订的一篇工作论文研究了超过50万名GitHub开发者，比较自动补全、交互式Coding Agent和自主Coding Agent三代工具带来的生产率变化。到了自主Agent阶段，开发者的代码提交活动累计增加大约240%。【S10】
这是一个非常惊人的数字。
但研究者没有停在“写了多少代码”。他们继续沿着生产链往后走。
+240% +80% +30%
代码提交 项目数量 实际发布
来源：NBER Working Paper 35275【S10】
240，80，30。
这三个数字放在一起，比单独一个240重要得多。
它说明AI在局部环节创造出来的巨大增速，在向最终产出传递时，一层一层衰减了。
代码写出来以后，还要被理解、审查、测试、整合，要处理依赖关系，要判断有没有破坏其他功能，还要决定是否上线，并承担上线失败的后果。AI把前端突然拓宽了，后面的环节却没有同时拓宽。
新增的生产能力没有凭空消失。它撞上了下一道约束。
研究者把这种解释称为 weak-link hypothesis——弱环节假说。他们的结果是“与弱环节假说一致”，而不是已经证明所有研发活动都服从某种普遍的弱环节定律。这一点需要区别。软件开发只是一个观察窗口。【S10】
0.23，比240%更值得记住
但这项研究里还有一个比240%更值得记住的数字：0.23。研究者估算，AI投入和人类投入之间的替代弹性只有0.23，并据此认为二者表现出很强的互补关系。【S10】
0.23不是说“AI只能替代23%的人”。替代弹性问的是另一件事：一种投入变得越来越便宜、越来越丰富以后，有多容易取代另一种投入。
如果AI和人的工作高度可替代，那么AI能力暴涨以后，企业应该很容易用更多AI换掉更多人类投入。0.23意味着，至少在这组软件开发数据里，事情远没有这么简单。
原因就在于很多生产任务不是简单相加，而是相互依赖。1993年，Michael Kremer提出O-ring生产理论。名字来自挑战者号航天飞机事故：一枚看起来微不足道的O形密封圈失效，足以让其他环节都极其先进的一套复杂系统整体失败。生产链中的环节如果高度互补，最弱的一环就可能决定整个系统的表现。【S11】
2026年，Joshua Gans和Avi Goldfarb又把这套逻辑直接带进AI自动化。他们提出的“O-Ring Automation”模型研究的是：如果工作中的任务并不是彼此独立，而是具有质量互补性，那么机器自动化掉其中一些任务以后，会发生什么？他们得到一个很有意思的“聚焦机制”：机器接手部分任务以后，人可以把有限时间集中到剩余任务；而这些剩余任务因为与更强的机器能力结合，其边际价值有时反而会上升。【S12】
也就是说，用“AI能自动化一个岗位百分之多少任务”直接推算“可以减少百分之多少人”，可能从一开始就把问题想简单了。
AI越能写代码，代码生成本身越不稀缺，于是代码评审、架构判断、可靠性验证可能变贵。AI越能生成实验方案，候选方案本身越不稀缺，于是判断哪几个值得真正使用昂贵设备和算力验证的人变得重要。AI能够读完越来越多论文以后，检索本身越来越便宜，真正困难的问题可能逐渐变成：这些知识里面，到底有什么值得研究？
0.23真正指向的，不只是“人暂时还不会失业”。
它指向一个更大的组织问题：AI和人不是简单站在生产线的两端互相替换，而是在不断重新分配整条生产链中的稀缺性。
“AI负责执行，人负责判断”仍然说得太早
走到这里，很容易得到一个让人舒服的结论：以后AI干活，人来判断。
但这句话同样经不起严格推敲。因为今天的AI已经开始进入判断本身。
2026年5月，Nature发表的Robin多Agent系统已经能够完成文献检索、生成研究假设、提出实验策略、分析实验数据，再根据实验结果形成新一轮假设。实验本身仍有人类科学家参与，但科学发现过程中的若干关键认知步骤已经进入了Agent工作流。【S13】
所以我们没有理由把今天的分工画成人与机器的永久边界。OpenAI现在的数据里，高层研究规划仍然只占Agent输出的很小一部分；而在那些相当于人类需要4至8小时完成、最后被判定成功的Agent任务中，超过一半仍至少发生过一次人工干预。【S1】
这是2026年的事实，却不是关于未来的定律。
真正稳定的规律可能不是“哪一件工作永远属于人”。而是：
每当一种技术把原来的稀缺环节变得不那么稀缺，整个系统就会重新寻找自己的瓶颈。
一百多年以后，我们仍然在寻找“最慢的那一环”
1900年前后，个人掌握的知识不够了，于是出现工业研究实验室。后来单个实验室的规模不够了，于是有大科学、国家实验室和大型科研设施。人的实验速度不够了，于是出现高通量实验和机器人。实验太多，人选不过来了，于是出现主动学习和自驱实验室。编码、搜索、分析又消耗研究人员太多时间，于是今天出现Agent。
一次又一次，人类利用新的技术和组织形式，突破上一阶段最昂贵的约束。然后下一环开始显现。
所以，从这个尺度看：
过去一百多年的科研发展，并不是一部瓶颈消失史，而是一部瓶颈迁移史。
AI真正特殊的地方，也许并不是它第一次突破研发瓶颈，而是它正在让这种迁移发生得越来越快。
以前，一种科研组织方式可能稳定几十年。今天，一个Agent突然把代码生产能力提高数倍以后，测试、评估和发布可能马上成为新的问题。验证Agent继续成熟，瓶颈还会再移动。
研究组织因此会越来越需要一种新的能力：持续发现真正限制整个系统的那一环。
真正领先的研发组织，管理的可能不是Agent，而是瓶颈
这对今天所有谈AI转型的企业，其实是一个很现实的提醒。
如果我们还在用“有多少员工使用AI”“每天调用多少Token”“部署多少Agent”“产生多少代码”“跑了多少实验”来判断一家企业的AI化程度，很容易看到一片繁荣。因为这些恰好是AI最容易迅速做大的数字。
代码增长240%，最终发布只增长30%，已经说明为什么这些指标可能骗人。【S10】
真正应该问的，也许是另一组问题。
代码突然多了以后，review是不是开始排队？实验突然多了以后，验证能力是不是不够？技术方案越来越多以后，真正能进入产品的比例有没有提高？研究人员拥有越来越多Agent以后，他们剩下的时间究竟耗在哪里？哪一个环节一旦失败，会让前面所有机器创造出来的工作量失去价值？
找到它。那里才是当前组织真正的约束。
然后再决定，是增加人、增加算力、增加数据，还是重新设计流程。能不能把它继续自动化？自动化以后，下一个瓶颈又会出现在哪里？
从这个角度看，真正领先的AI研发组织，未必是拥有最多Agent的组织。
而可能是最早发现新的弱环节，并能够最快重新配置人、机器、算力、数据和治理能力的组织。
最后，还是回到“什么值得做”
写到这里，我反而不想用一句“AI负责效率，人负责想象、愿景和品味”来结束。那太容易了。
我们并不知道AI最后能够走到哪里。今天认为高度依赖创造、判断甚至科研直觉的工作，也正在一点点被机器拆解和进入。
如果人的价值必须建立在“总有一件事情AI永远不会做”这个前提上，这个基础其实并不牢固。
但技术边界不断移动以后，仍然有一些问题需要一遍一遍重新回答：下一步真正的问题是什么？现在限制我们的到底是什么？什么结果值得相信？什么事情值得投入十年？有什么事情虽然做得到，却不值得做？当机器可以同时打开越来越多条道路，我们究竟希望整个系统往哪里走？
从这个意义上说，我仍然认为想象、愿景和品味会越来越重要。
不是因为我们已经证明机器永远无法拥有它们。
而是因为科学从来不只有“能不能做”。它还需要有人不断重新定义：什么值得做。
1900年，工业实验室把研究人员组织起来。“大科学”把成千上万人和巨额设备组织进同一个目标。高通量实验把成千上万次实验组织起来。今天，Agent开始把越来越多认知任务组织到一个研究者身后。
OpenAI现在看到的是：3.1个Agent工作日。
以后这个数字可能是10，也可能是50。
但如果一百多年的科研史留下了什么共同经验，我想不是“机器越来越快”这么简单。
一个复杂系统真正能够走多快，从来不取决于跑得最快的那一环。
当AI把一个又一个旧瓶颈打破以后，我们真正需要寻找的，始终是——
现在最慢的那一环，在哪里。
参考来源
- 【S1】
OpenAI，《Research acceleration: a view from inside OpenAI》
https://openai.com/index/research-acceleration-view-inside-openai/ - 【S2】
Smithsonian Institution，《General Electric Corporate Research Laboratory archival record》
https://www.si.edu/object/archives/sova-nmah-ac-1593 - 【S3】
Benjamin F. Jones / NBER，《The Burden of Knowledge and the “Death of the Renaissance Man”: Is Innovation Getting Harder?》
https://www.nber.org/papers/w11360 - 【S4】
U.S. Department of Energy，《Manhattan Project: Background Information and Preservation Work》
https://www.energy.gov/lm/manhattan-project-background-information-and-preservation-work - 【S5】
Bloom, Jones, Van Reenen, Webb / NBER，《Are Ideas Getting Harder to Find?》
https://www.nber.org/papers/w23782 - 【S6】
Fort et al. / NBER，《Growth is Getting Harder to Find, Not Ideas》
https://www.nber.org/papers/w35182 - 【S7】
Nature Biotechnology，《Drug screening—beyond the bottleneck》
https://www.nature.com/articles/nbt0999_859 - 【S8】
King et al. / Science，《The automation of science》
https://pubmed.ncbi.nlm.nih.gov/19342587/ - 【S9】
Szymanski et al. / Nature，《An autonomous laboratory for the accelerated synthesis of novel materials》
https://www.nature.com/articles/s41586-023-06734-w - 【S10】
Demirer, Musolff, Yang / NBER，《AI, Automation, and the Future of Software Development》
https://www.nber.org/papers/w35275 - 【S11】
Michael Kremer / Quarterly Journal of Economics，《The O-Ring Theory of Economic Development》
https://academic.oup.com/qje/article-abstract/108/3/551/1881767 - 【S12】
Joshua Gans, Avi Goldfarb / NBER，《O-Ring Automation》
https://www.nber.org/papers/w34639 - 【S13】
Nature，《Robin: a multi-agent system for scientific discovery》
https://www.nature.com/articles/s41586-026-10652-y
关于《详见》
《详见》关注法律、知识产权、创新与人工智能时代正在发生的结构性变化。本文由作者与人工智能共同完成研究、资料核验与写作。
热门跟贴