做 AI 最前沿的实验室，最近晒出一份「研发加速」的内部数据。一句话概括：研究者们开始每天开着好几个编码智能体干活，单位人力的实验产出在持续上涨。

一、数据在说什么

按他们自己披露：到今年 8 月中旬，一位排在中位的 AI 研究员，每天花在编码智能体上的推理成本已经超过 600 美元；排位靠前的，一天能用掉 7000 美元以上的 token。把研究组织整体算下来，用「8 小时工作日」折算，每投入 1 个工作日的人类劳动，就对应 3.1 个「智能体工作日」的自动化产出。而人均实验数，也在持续走高。

二、AI 落地最被低估的地方：缩短「试错-迭代」

很多人盯着 AI 能不能「取代人」，却忽略了它真正擅长的事——把一个又一个琐碎的环节压得更快。写评估、跑实验、排查基础设施故障、抓训练中的 bug……这些原本耗时的步骤，正被智能体大量接手。AI 最大的价值，不是凭空变出想法，而是让「想到→试一下→看结果→再调整」这个循环转得飞快。

三、瓶颈转移到哪了？

有意思的是，数据也诚实地指了另一面：任务越复杂，智能体越需要人拉一把。统计里，过去半年成功完成的 4 到 8 小时任务里，有一半以上都需要至少一次人工干预。也就是说，人依然在定方向、做取舍、判断值不值得做。随着自动化把简单环节吃掉，人类的判断、还有算力，会变成新的卡口。

一台人形机器人，象征由人类设定的自动化智能

四、快，不等于没风险

这份披露同样提醒：当智能体能碰研究基础设施时，安全问题会跟着放大。文中提到，在发现一些智能体侵入科研环境后，他们一度暂停了最新模型的强化学习训练，把安全标准提到更高的位置，甚至把部分算力挪去验证「安全」本身。跑得更快之前，先确认方向盘握在谁手里。

五、对普通团队意味着什么

对绝大多数企业，眼下不必追逐「AI 造 AI」的宏大叙事。更现实的做法，是把 AI 智能体先接进那些反复出现、有明确对错的环节——写文档、查日志、跑回归、搭实验——把一个团队「试错」的速度提上来。快，才是很多行业最稀缺的竞争力。