这几年大家一直在比：

哪个 AI：

回答最好。

数学分数最高。

Coding Benchmark 最强。

Context Window 最大。

但今天三则新闻开始让另一个问题：

变得更重要。

AI 到底已经能接走多少真正的工作？

OpenAI 说：

它已经达成：

Automated Research Intern

目标。

Anthropic 则表示：

Claude 花了 11 天，

完成一套庞大的：

费马最后定理形式化证明。

另一边，

AT&T 没有因此决定：

「所有工作全部都用最强模型。」

刚好相反。

它开始把更多日常 AI 工作：

转到比较便宜、

可自行调整的：

Open Models。

三件事情放在一起，

AI 下一阶段真正的竞争开始变成：

哪些工作可以交给 AI？

结果怎么验？

又有没有必要每件事都用最贵的模型？

第一则｜OpenAI 说：已经达成「自动研究实习生」

OpenAI 在 9 月 6 日公开一份：

Research Acceleration

内部进展报告。

其中最重要的一句是：

OpenAI 表示，

按照自己的衡量方式，

已经达成原先设置：

2026 年 9 月前创建 Automated Research Intern

的目标。

但这个名称很容易让人误会。

它不是：

一个 AI 自己成立实验室，

完全没有人管。

OpenAI 对 Research Intern 的定义是：

AI 可以在人类指导下，

完成：

Well-defined Research Tasks。

也就是：

界线清楚的研究任务。

而且其中包括：

如果交给一名熟练研究员，

原本可能需要：

几天

才能完成的工作。

这和「AI 帮我写研究摘要」差很多

例如一般 Chatbot：

帮你整理论文。

写 Code。

解释结果。

主要仍然是一问一答。

OpenAI 现在描述的方向，

更接近：

研究员先定义问题。

↓

Agent 自己跑比较长时间。

↓

写研究 Code。

↓

跑 Experiment。

↓

分析结果。

↓

处理研究基础设施问题。

↓

再把结果交回人类。

也就是：

AI 不只帮你：

回答研究问题。

而开始加入：

做研究的过程。

OpenAI 说，公司内部研究工作今年已经明显改变

OpenAI 公布的内部数据显示，

到今年 8 月中，

研究部门的中位数研究员，

已经把 Coding Agent

集成进：

每日工作。

而且很多人不是：

一次开一个 Agent。

而是：

同时跑多个工作。

OpenAI 还用一个很有趣的方法换算。

以标准：

8 小时工作日

来看，

到 8 月中，

研究组织整体已经使用：

约：

每 1 个 Human Workday，搭配 3.1 个 Agent Workdays。

这不是说：

一个 AI Agent 就真的等于一个真人研究员。

OpenAI 自己也提醒：

这只是：

一种工作量衡量方式。

但它至少说明：

Agent 已经不是偶尔问一下 Code。

而是大量进入：

真正的研究流程。

Agent 做得最多的仍然不是「决定研究方向」

这个界线很重要。

OpenAI 把 AI Research Lifecycle

拆成：

Decide。

Design。

Build。

Run。

Analyze。

Communicate。

目前 Agent 使用量虽然各类都在增加，

但高层级：

Planning

仍然只占非常小的一部分。

也就是：

AI 可以愈来愈多地：

写。

跑。

分析。

排错。

但：

今天要研究什么？

哪个方向值得继续？

哪个结果值得相信？

这个模型要不要 Scale？

目前仍然主要由：

人

决定。

OpenAI 下一个目标更大：2028 年 3 月 Automated AI Researcher

OpenAI 表示，

现在正在朝：

2028 年 3 月创建 Automated AI Researcher

前进。

和 Research Intern 不同，

这代表 AI 能负责：

更长时间。

更复杂。

更高级

的研究工作。

真正敏感的地方是：

如果 AI 不只研究其他问题，

还能开始研究：

怎么让下一代 AI 更强，

整个发展速度就可能：

加快。

这就是所谓：

Recursive Self-Improvement。

简称：

RSI。

所以 OpenAI 自己也没有把这件事只当成生产力好消息

OpenAI 同一份报告明确说：

研究自动化可以：

提升研究速度。

也可以帮助：

Alignment。

Safety。

Cyber Defense。

但公司同时承认：

目前并不知道：

如何安全走到完整、

对齐的人机 Recursive Self-Improvement。

而且：

能力进步

不保证：

安全与 Alignment

会同步进步。

如果风险变得无法接受，

OpenAI 表示：

可能：

放慢。

甚至停止：

某些模型的 Development 或 Deployment。

这点其实和这几天的 OpenAI Agent 事故直接连在一起

SasaDaily 才刚连续追踪：

OpenAI Agent

离开原本预期工作边界。

Hugging Face Incident。

Wiki Incident。

OpenAI 甚至一度暂停：

部分最新模型的 Reinforcement Learning。

所以今天的 Research Intern 新闻，

不能只看成：

「AI 又更强了。」

真正有意思的是：

OpenAI 一边证明：

AI 已经能帮自己加速研究，

另一边又不得不创建：

更强：

Monitoring。

Sandbox。

Safety Controls。

因为：

帮你做研究的 AI

如果同时开始：

自己找出没预期的路，

风险也会一起增加。

第二则｜Claude 花 11 天，把费马最后定理变成电脑可完整检查的证明

第二件事情，

发生在：

数学。

Anthropic 公布：

Claude 大致自主工作：

11 天

完成了：

第一套端到端、

Computer-checked

的：

Fermat's Last Theorem

形式化证明。

费马最后定理：

不是 Claude 新发现的。

这一点一定要先说清楚。

Andrew Wiles

早在 1990 年代就已经完成：

人类正式证明。

Claude 做的新事情是：

把那套复杂数学证明，完整翻成电脑证明助手 Lean 可以一步一步验证的形式。

为什么「形式化」这么麻烦？

人类数学家写证明时，

会省略很多：

大家都知道的步骤。

例如：

「由此可得。」

「显然。」

「使用前面的定理。」

数学家可以：

自己补。

但 Lean 不行。

电脑需要知道：

每一步。

每个条件。

每一个 Definition。

每一条 Logical Link。

如果少一个，

Proof 就过不了。

所以把一篇：

人类看得懂的数学证明

改写成：

机器能验证的 Proof，

本身就是：

非常庞大的工程。

Claude 最后写出了约 1,300 万行 Lean

Anthropic 表示，

整套 Formalization：

大约：

1,300 万行 Lean Code。

一路证明：

30,300 个 Theorems。

最终 Proof 使用其中约：

29,500 个。

而且这不是：

单一 Claude Chat

从头一路打到尾。

研究团队使用：

多个 Claude Agents

一起处理：

不同 Sub-theorem。

Definition。

Intermediate Proof。

再透过：

Prove2Me

这套协作系统，

维护：

Theorem Dependency Graph。

让不同 Agent 知道：

自己现在应该证明哪一块。

这其实也是一个「AI 工作流程」故事

前几次 Agent 尝试：

并没有直接成功。

Anthropic 说，

早期 Agent 很快开始：

失去 Project State。

彼此合作也变差。

真正成功的一个重要改变，

不是突然换成：

更聪明的 Prompt。

而是加入：

更好的工作结构。

Prove2Me 会帮忙：

保存：

每个 Theorem 的关系。

让不同 Agent：

平行工作。

搜索已完成成果。

重复利用。

这又一次说明：

Agent 做长工作时，

问题不只在：

模型 IQ。

还在：

怎么把工作拆开、保存状态、互相交接。

但数学有一个 AI 特别喜欢的优势：答案可以被机器验

Claude 最后不是说：

「相信我，费马最后定理是真的。」

而是把 Proof

交给：

Lean。

Lean 可以：

逐条检查。

如果其中有一个逻辑步骤：

不成立，

就不能通过。

这让这个案例和：

AI 写一般报告

有一个非常大的差别。

数学 Formal Verification

有很清楚的：

Acceptance Condition。

通过。

或：

不通过。

这可能比「AI 会不会解更难数学题」更重要

未来 AI 可能一天：

产生几百。

几千。

甚至更多：

新的数学想法。

真正的问题很快可能变成：

人类根本看不完。

如果每篇 AI Proof

都要由：

几名数学家

花几个月验证，

研究速度最后还是：

卡在人。

所以 Anthropic 认为：

Formalization

很可能成为：

AI Science

非常重要的一层。

AI：

提出。

另一个系统：

形式化。

Proof Assistant：

检查。

人类：

理解与判断：

到底重要不重要。

这和一般上班族其实也有同一个原则

你的工作可能不是：

证明数学定理。

但问题完全一样。

如果 AI 一天可以替你做：

100 份分析。

真正瓶颈很快就会从：

「产生答案」

变成：

「我怎么知道哪一份真的对？」

所以 AI 愈快，

Validation

反而会：

愈值钱。

能不能：

核对。

重现。

测试。

Compare。

才开始变成：

工作流程里真正重要的设计。

第三则｜AT&T 反而开始把更多任务作交给比较便宜的 Open Models

第一则和第二则看起来都在说：

AI 能力飞快增加。

照理说企业是不是应该：

全部改用最强的 AI？

AT&T 的答案刚好不是。

《New York Times》最新报导指出，

AT&T 过去大量使用：

OpenAI。

Anthropic

等 Closed Models。

处理：

Customer Service。

Call Transcription。

Coding。

但今年开始，

公司重新思考：

模型成本。

到 5 月，Open Models 约占 AT&T AI 使用量 20%

现在：

已经变成：

40%。

AT&T 的 Chief Data and AI Officer：

Andy Markus

甚至表示，

未来几个月可能：

升到：

60%。

更值得注意的是：

他说和今年稍早相比，

部分 AI 成本：

最多降低：

80%。

这不是：

Open Model 一定比 Closed Model 好。

而是企业开始发现：

很多任务作根本没有必要：

每次都叫最强、

最贵的 Frontier Model。

就像公司不会每一趟交通都叫跑车

简单工作：

可能只需要：

便宜。

快速。

稳定。

例如：

大量 Call Transcription。

固定分类。

标准 Customer Service。

简单 Summarization。

这些如果有：

一个能力已经足够的 Open Model，

公司真正会问的是：

为什么我要一直付 Frontier Model 价格？

而：

复杂 Coding。

高难度 Reasoning。

Image／Video Generation。

高风险 Decision。

仍然可能：

继续使用 Closed Frontier Models。

这就是：

Model Routing。

「Open Model」也不完全等于「Open Source」

这点也要分清楚。

现在大家很常把：

Open-source AI

全部讲成同一类。

实际上至少有：

Open-source Model。

也有：

Open-weight Model。

Open-weight

通常公开：

Model Weights。

让企业可以：

下载。

部署。

Fine-tune。

但不一定把：

完整 Training Data。

Training Code。

所有开发细节

全部公开。

所以今天比较安全的说法是：

AT&T 正增加：

Open Models

的使用。

而不是宣称：

所有工作都已经改成完全 Open-source。

AT&T 目前也没有直接使用中国 Open Models

这点很重要。

目前很多强大的 Open Models

来自：

中国公司。

例如：

DeepSeek。

Moonshot。

Alibaba。

但 AT&T 表示：

虽然会研究中国模型，

目前并没有：

实际使用。

主要仍采：

美国公司的：

Gemma。

Llama

等选择。

原因包括：

Regulation。

Data Privacy。

这提醒企业：

便宜

不是：

唯一条件。

还要一起看：

数据。

法律。

供应链。

部署位置。

OpenRouter 的数据也显示企业模型使用方式正在变

报导引用 OpenRouter

美国使用数据指出：

一年前：

Open Models

约只占：

10%。

到上个月：

已经约：

58%。

这组数据当然不能代表：

所有美国企业。

因为它只反映：

OpenRouter 平台上的使用。

但方向非常值得注意。

AI 市场开始从：

「大家都去用同一个最强模型」

变成：

「不同任务找不同模型。」

这可能才是企业 AI 真正走向成熟的样子

公司一开始导入 AI：

通常很简单。

全公司：

ChatGPT。

或者：

Claude。

或者：

Gemini。

但当 AI 使用量开始：

放大，

Finance 很快就会问：

一个月到底花多少？

这一万个：

简单分类工作

有必要用：

同一颗最强模型吗？

如果答案是：

没有，

企业就会开始：

Routing。

以前我们比较的是「模型能力」

接下来开始比较：

Task Economics。

一个工作：

做一次要多少钱？

需要多久？

正确率多少？

失败一次的成本多高？

需要放在哪里？

数据能不能出去？

可以不可以：

自己 Fine-tune？

需要不需要：

Vendor Support？

这些东西加起来，

才是：

企业真正的 AI 成本。

这和 8 月 SasaDaily 写过的 Notion AI Model Picker 是同一条路

当时我们就看到：

Notion 已经开始把模型显示成：

速度。

能力。

成本

不同的选项。

而不是永远预设：

最强模型。

现在 AT&T 提供的是：

更大规模的企业版本。

简单工作：

便宜模型。

高难度工作：

强模型。

敏感工作：

可能本地部署。

真正高风险：

甚至：

回到人。

把今天三则新闻放在一起，会看到一个很明显的转折

第一则：

OpenAI 说：

AI 已经可以承担：

研究实习生等级的部分工作。

第二则：

Claude 展示：

Agent 可以协作完成：

1,300 万行的庞大 Formalization。

第三则：

AT&T 却告诉我们：

能力变强之后，不是所有工作都要使用最强模型。

这三件事其实刚好是：

AI 工作流程的三层问题。

第一层｜能不能做？

以前最大问题是：

AI 会不会？

现在愈来愈多任务作：

答案开始变成：

会。

Coding。

Research。

Analysis。

Formalization。

Customer Service。

第二层｜怎么知道做对？

这就是：

Claude 的 Lean Proof

特别重要的地方。

AI 能产生很多答案，

但最理想的工作是：

有：

Test。

Verifier。

Source。

Evaluation。

Acceptance Condition。

人才能不用：

每次从头读完。

第三层｜值不值得用这个模型做？

如果：

一个小模型

已经有：

95 分。

而 Frontier Model：

98 分。

但价格差：

5 倍。

10 倍。

甚至更多，

某些大量、

低风险工作

就不一定需要：

98 分。

这时 AI 使用开始真正变成：

Business Decision。

对一般上班族也一样

未来你可能不是：

每天只开一个 ChatGPT。

而是：

不同工作

自然分到：

不同 AI。

例如：

简单整理：

快速模型。

研究：

深度模型。

公司机密：

Local／Private Model。

重要决策：

AI 先分析，

人核准。

这就像今天我们早就不会问：

「电脑哪一台最好？」

而会问：

这台电脑：

拿来做什么？

AI 很可能也会走到：

一样的阶段。

对公司来说，「一个 AI 全包」甚至可能开始变成风险

第一：

成本集中。

Provider 涨价，

全部一起受影响。

第二：

模型供应风险。

某个 Provider：

改政策。

停模型。

你所有流程都要跟着改。

第三：

任务不匹配。

让 Frontier Model

做大量简单工作，

可能只是在：

浪费钱。

第四：

数据问题。

有些工作可以 Cloud。

有些不能。

所以未来真正成熟的企业 AI 可能不是「我们公司用 Claude」

而是：

我们这条工作流，哪一步用哪一个模型。

例如：

Email Classification：

Open Model。

Customer Draft：

Mid-tier Model。

复杂法律分析：

Frontier Model。

正式送出：

Human Approval。

这已经不是：

AI Tool Adoption。

而是：

AI Architecture。

今天 OpenAI 的研究进展还带出另一个更大的问题

如果 AI 开始：

替 AI Researcher 做研究，

而 AI Researcher 又在：

改善下一代 AI，

研究速度就可能：

自己加速。

OpenAI 自己也承认：

真正需要控制的不只是：

Model Capability。

还包括：

Pace。

也就是：

发展速度。

如果能力成长开始比：

Safety。

Monitoring。

Governance

更快，

就会出现：

新的风险。

所以 AI Research Automation

和：

AI Safety

从现在开始会：

愈来愈难分开。

Anthropic 的数学案例反而示范一条比较安心的路

AI 做很多。

甚至：

做得比人快非常多。

但最后：

有一个外部系统可以：

Verify。

这可能是：

AI 未来最理想的工作形态之一。

AI 产生。

系统验证。

人做判断。

而不是：

AI 产生。

↓

人因为看起来很专业，

直接相信。

AT&T 则补上最后一块：不要把「最强」误认成「最适合」

真正的 AI ROI

不是：

每个人都拿到：

最强模型。

而是：

让每个任务得到：

刚好足够的能力。

太弱：

工作失败。

太强：

成本浪费。

所以企业 AI 下一阶段可能不像：

模型排行榜。

反而更像：

物流公司安排车队。

小包裹：

不用出动大卡车。

大货：

不能骑机车。

危险品：

还要专门流程。

AI Model

也会逐渐：

分工。

今天三则新闻真正共同指向的是：AI 正从产品变成劳动与基础设施

当 AI 只是：

Chatbot，

我们会问：

「哪一个比较聪明？」

当 AI 变成：

每天替研究员跑工作。

替企业处理数百万次任务。

甚至参与：

AI 自己的下一轮研究，

问题就会变成：

谁分配工作？

谁验收？

谁控制成本？

什么时候必须停？

一般人真正需要学的也因此正在改变

以前：

学 Prompt。

当然还有用。

但未来更重要的能力可能变成：

拆工作。

选模型。

设置验收。

判断高低风险。

知道什么可以：

自动。

什么需要：

Review。

什么一定：

由人决定。

AI 愈强，

这些能力：

反而愈重要。

今天最值得记住的一句话

当 AI 还很弱时，

最大的问题是：

「它到底会不会做？」

当 AI 开始能当研究实习生、

能协作完成千万行的形式化证明、

又有大量便宜模型可以选时，

新的问题变成：

「哪一步真的该交给它、怎么证明它做对，以及到底需要多强的 AI 才够？」

这可能才是：

AI 从 Demo

走向真正生产力工具

的分水岭。

今天，和 AI 一起进步一点。

每天学会一个 AI 技巧。

每天节省一点时间。

每天提升一点能力。

SasaDaily，陪你一起成长。

推荐阅读

今日 AI 工具｜2026/07/31：Claude Science，把论文、数据分析、程序与科学图表放进同一个可追溯研究空间

AI 一分钟教学｜2026/07/31：请 AI 分析数据时，要求它留下「数据源、处理步骤、重现方式」

今日 AI 工具｜2026/08/18：Notion AI Model Picker，不必永远用最强模型，直接比较速度、能力与成本再选