「9月出实习生，2028年抢饭碗」OpenAI押上全部身家造AI

「我认为我们正接近一个临界点——模型能像人类一样持续连贯地工作。」OpenAI首席科学家Jakub Pachocki（雅各布·帕乔茨基）说这话时，手里握着GPT-4和推理模型两张王牌。现在他要押上公司全部研究资源，赌一个更疯狂的目标：把整间研究实验室塞进数据中心。

「北极星」计划：从实习生到全自动研究员

OpenAI刚刚重新校准了罗盘。过去两年行业卷的是大语言模型（LLM，Large Language Model）参数规模，现在帕乔茨基把全公司的「北极星」指向一个具体坐标——AI研究员。

这不是概念PPT。时间表已经钉死：

2025年9月，先交付「自主AI研究实习生」。它能独立处理少量特定研究问题，相当于一个不用睡觉、不会抱怨的初级研究员。

2028年，正式上线多智能体（Multi-Agent）全自动研究系统。OpenAI的原话是：处理「太大或太复杂，人类无法应对」的问题。

数学物理的新证明、生命科学的新猜想、商业政策的复杂博弈——只要是能用文本、代码或白板草图表述的问题，都在射程内。

帕乔茨基的角色很关键。这位首席科学家主导过GPT-4（2023年发布）和推理模型（2024年面世，现已支撑所有主流聊天机器人和智能体系统）的开发。OpenAI的技术路线，很大程度上是他画出来的。

为什么是现在？Codex已经跑通了

1月发布的Codex（代码智能体应用）是块试金石。这个能即时生成代码、执行电脑任务的系统，可以分析文档、生成图表、整理邮件摘要——本质上是把「研究员的基础体力活」自动化了。

帕乔茨基的逻辑很直接：如果Codex能处理代码层面的任务链条，推理模型能拆解复杂问题，多智能体系统能分工协作，那把它们串起来，理论上就能模拟一个研究团队的完整工作流。

「当然，你仍然需要人类负责方向和目标设定。」他补充了边界条件。但后半句更关键：「我认为我们会达到一个点——你基本上拥有了一整个研究实验室，就在数据中心里。」

这种表述在顶级AI公司并不新鲜。DeepMind创始人Demis Hassabis（德米斯·哈萨比斯）2022年跟我聊过，解决最难的科学问题是他创办公司的初心。Anthropic CEO Dario Amodei（达里奥·阿莫迪）的说法更夸张：要在数据中心里建一个「天才组成的国家」。Sam Altman（萨姆·奥尔特曼）的公开愿望是治愈癌症。

区别在于，帕乔茨基认为OpenAI已经凑齐了关键拼图。

竞争逼出来的All-in

OpenAI的行业话语权正在被蚕食。早期LLM的统治地位塑造了数亿人每天使用的技术，但Anthropic和Google DeepMind的追赶速度在加快。

帕乔茨基押注的这张牌，既是技术路线的自然延伸，也是竞争压力的产物。推理模型、智能体、可解释性——这三条原本并行的研究线，现在被拧成一股绳，指向同一个交付物。

9月的「实习生」是道坎。如果它能在限定范围内自主完成研究闭环，证明多智能体协作的可靠性，2028年的完整系统就有地基。如果卡壳，整个时间表都要重排。

行业也在盯着这个节点。OpenAI的「北极星」往哪指，往往意味着资源的潮水往哪涌。2023年GPT-4之后，所有大厂都在卷推理能力；2024年智能体概念爆发，创业公司扎堆做垂直场景。现在「全自动研究员」被摆上牌桌，接下来18个月的融资叙事和人才流动，大概率围着这个框架转。

帕乔茨基没有给出具体的技术指标——比如「实习生」能处理多长的任务链、错误率控制在什么水平、人类介入的频率如何。这些细节会决定9月的产品是里程碑还是高级Demo。

但他放出了一个明确信号：OpenAI的研发资源正在从「让模型更大」转向「让模型更自主」。参数竞赛的边际效益在递减，而「能独立完成研究任务」的系统，可能打开完全不同的商业空间。

2028年，距离现在34个月。