تحول مهمی که اکنون در آزمایشگاه‌های پیشرفته هوش مصنوعی رخ می‌دهد، از بهبود کیفیت پاسخ مدل‌ها فراتر رفته و به تغییر در خودِ فرایند تولید فناوری رسیده است. به گزارش مهر، تحول مهمی که اکنون در آزمایشگاه‌های پیشرفته هوش مصنوعی رخ می‌دهد، از بهبود کیفیت پاسخ مدل‌ها فراتر رفته و به تغییر در خودِ فرایند تولید فناوری رسیده است. داده‌های تازه منتشر شده از سوی اوپن‌ای‌آی تصویری کم‌سابقه از این گذار ارائه می‌کند. بر همین اساس، عامل‌های هوش مصنوعی به بخشی از نیروی عملیاتی تحقیق و توسعه تبدیل شده‌اند، پژوهشگران تعداد بیشتری آزمایش انجام می‌دهند، بخشی از گلوگاه‌های مهندسی به ماشین سپرده شده و افق وظایفی که عامل‌ها قادر به انجام آن هستند به‌تدریج روشن‌تر می‌شود. اهمیت این تحول در یک پرسش بنیادی نهفته است. چه اتفاقی می‌افتد وقتی هوش مصنوعی از «محصول پژوهش» به یکی از «عوامل تولید پژوهش هوش مصنوعی» تبدیل شود؟
اوپن‌ای‌آی این مسیر را در قالب حرکت به سوی «پژوهشگر خودکار هوش مصنوعی» صورت‌بندی کرده است. این سامانه تحت نظارت انسان می‌تواند بخشی از پژوهش یادگیری عمیق و هم‌ترازی را انجام دهد و از این طریق در بهبود نسل‌های بعدی مدل‌ها مشارکت کند. این شرکت اعلام کرده که تا سپتامبر ۲۰۲۶ به سطح «کارآموز پژوهشی خودکار» رسیده است. در این سطح، سامانه می‌تواند وظایف پژوهشی مشخصی را که انجام آن‌ها برای یک پژوهشگر ماهر چند روز زمان می‌برد، تحت هدایت انسان به سرانجام برساند. هدف بعدی، دستیابی به یک «پژوهشگر خودکار هوش مصنوعی» تا مارس ۲۰۲۸ است.
شاید مهم‌ترین داده گزارش، نسبت میان زمان فعالیت عامل‌ها و نیروی انسانی باشد. تا پیش از ژوئن ۲۰۲۶، مجموع زمان اجرای عامل‌های هوش مصنوعی در سازمان پژوهشی اوپن‌ای‌آی هنوز از مجموع نیروی کار انسانی کمتر بود. این نسبت طی چند ماه تغییر کرد و در نیمه اوت به ۳.۱ روز کاری عامل هوش مصنوعی به ازای هر روز کاری انسان رسید.
الگوی مصرف پژوهشگران نیز همین تغییر ساختاری را نشان می‌دهد. بر اساس داده‌های گزارش مذکور، پژوهشگر از نظر استفاده از عامل‌ها که در ابتدای سال مصرف محدودی داشت، تا نیمه اوت روزانه بیش از ۶۰۰ دلار توان استنتاجی با قیمت‌های «API» مصرف می‌کرد. هم‌زمان، اجرای چند عامل به‌صورت موازی رواج یافته و تعداد پژوهشگرانی که چهار عامل یا بیشتر را هم‌زمان به کار می‌گیرند افزایش یافته است.
این ارقام را نباید معادل افزایش ۳.۱ برابری بهره‌وری پژوهش تلقی کرد. خود اوپن‌ای‌آی نیز چنین استنتاجی ارائه نمی‌کند. پژوهش هوش مصنوعی یک زنجیره چندمرحله‌ای است و سرعت کل زنجیره را کندترین حلقه تعیین می‌کند. برای مثال، افزایش ظرفیت تولید کد، الزاماً به همان میزان ظرفیت طراحی فرضیه، تشخیص آزمایش ارزشمند، تفسیر نتایج یا تصمیم درباره مقیاس‌دهی یک روش را افزایش نمی‌دهد. اهمیت عدد ۳.۱ در جای دیگری است و مقدار نیروی شناختی ماشینی که می‌توان در اختیار یک پژوهشگر قرار داد، تابع مستقیمی از ساعات کاری او نیست.
دومین نشانه تحول در تعداد آزمایش‌ها دیده می‌شود. بر اساس داده‌های اوپن‌ای‌آی، تعداد آزمایش به ازای هر پژوهشگر فعال طی سال ۲۰۲۶ افزایش یافته و در اوت به بالاترین میزان از زمان آغاز ثبت این شاخص در ژانویه ۲۰۲۵ رسیده است. افزایش استفاده از پلتفرم «Codex» با این روند همبستگی دارد، هرچند افزایش قابل توجه ظرفیت محاسباتی اوپن‌ای‌آی نیز متغیر مهم دیگر است و مانع از نسبت‌دادن تمام رشد مشاهده‌شده به عامل‌های هوش مصنوعی می‌شود.