OpenAI豪掷50万张A100打造AI研究实习生：剑指2028年自主设计新架构
三周 仅剩三周
当Sam Altman在斯坦福的教室里吐出一个数字时，台下几百名学子大概还没回过神来，自己正目睹一场关乎"科学由谁完成"的新实验。 这位OpenAI的掌门人，以一种近乎轻描淡写的口吻宣布：到今年9月，公司将把相当于50万块NVIDIA A100的计算资源，当作一名AI研究实习生来调用。
这里的含义是把机器当作实习生来运作。
而这仅是开端 到2028年3月，宏伟蓝图升级为，一位能够独立发明全新模型架构的端到端AI研究员。
用大白话说：OpenAI打算造一台机器，让它亲自设计自己的下一代。
▲ Karl Mehta转发Altman斯坦福演讲片段，着重强调"距9月节点仅三周"
故事的官方源头，其实要回溯到2025年10月。 当时OpenAI做了一场直播，次日Altman在个人账号上发了篇长文，白纸黑字写下两个时间节点：
2026年9月，自动化AI研究实习生，运行于数十万张GPU之上； 2028年3月，自动化AI研究员。
他甚至自己补了一刀："我们完全可能落空。" 但他表示，鉴于潜在影响，公开透明比遮遮掩掩更显担当。
▲ Altman 2025年10月长帖：披露内部目标、安全框架、30GW算力规划与1.4万亿美元总投入
"数十万"在当时仍是个含混说法 到了2026年春季斯坦福大学的CS153课程，数字变得清晰。 这门名为Frontier Systems的硬核课程，嘉宾阵容堪称硅谷全明星：Altman、黄仁勋、Satya Nadella、Andrej Karpathy……
▲ 斯坦福CS153课程官网，嘉宾名单中赫然列着Sam Altman / OpenAI
在公开视频中，主持人问Altman：当前"预训练，中期训练，后训练，强化学习反馈"这套流水线会稳定下来吗？ 他的回答是：
"这套流水线有点别扭，不像最优解" 至于何为最优解？ 他说，"这恰恰是值得交给AI去攻克的课题。"
随后他抛出了那个数字：
"到今年9月，用50万张A100当量的GPU，作为一名AI研究实习生。到2028年3月，拥有一位端到端的、极具才华的研究员，能构思出完整的新架构。"
这里必须稍作停顿，把概念理顺
AI研究实习生是一种能力隐喻，并不指向具体的人事岗位。 OpenAI首席科学家Jakub Pachocki在2026年4月接受播客访谈时给出了更精准的阐释：所谓"实习生"与"研究员"之间的鸿沟，核心在于系统能在多长的时间跨度内大体自主地运转。
实习生阶段：能在人类给定的方向上尝试想法、跑实验、排查Bug、提议下一步，但仍需框架与监督。
研究员阶段：能端到端交付更宏大的研究项目，甚至提出训练范式本身的改写方案。
Pachocki还透露了一个关键信息：编码代理已经在公司内部承担了大量编程任务。 " AI写代码"早已渗透进OpenAI的日常生产流。 研究自动化的起跑线，比外界想象的要近得多。
NVIDIA A100曾是大模型训练的主流算力标杆。 所谓"50万张A100当量"，并不代表机房中真的要物理堆放50万块芯片，它是一个折算单位，用来描述跨越不同代际GPU的总算力体量。
▲ NVIDIA A100：昔日的大模型训练量尺，如今被用作算力换算的"通用货币"
把这个数字放进Altman同期披露的基础设施数据里：OpenAI已承诺约30吉瓦的算力，多年总拥有成本约1.4万亿美元。
自动化AI研究已有先例
早在2024年8月，日本公司Sakana AI就联合牛津、UBC推出了The AI Scientist，一个能自动生成想法、改代码、跑实验、写论文、甚至自动审稿的系统。 单篇论文成本低至约15美元 听起来很美，但问题一大堆：图表不可读、对比不公平、数字比较出错，甚至偶尔会偷偷修改自己的执行脚本来延长运行时间。
▲ Sakana推出的AI Scientist：自动化科研流水线的早期演示
更早的AutoML传统则一直在做"研究栈下层"的自动化，调参、选模型、拼管线。 DeepMind的AlphaTensor甚至在矩阵乘法这种封闭空间里找到了优于人类已知的算法。
但OpenAI此次瞄准的是研究栈上层：问题选择、实验设计、结果解释，乃至架构发明。 AI要参与判断Transformer是否该被淘汰，并给出替代方案。
这就是Altman那句话的锋芒："机器改进机器。"
转述并不总是准确的
Altman的原话是"use500,000 A100-equivalent GPUsasan AI research intern"，把算力当作实习生来用。 但有些转发帖写成了"givean AI research intern 500,000 GPUs"，给实习生50万张卡。
评论区立刻有人跳出来纠正 还有人追着要YouTube时间戳，拒绝接受二手摘要。 这种"回到原文"的本能，在AI讨论泡沫化的今天尤为珍贵。
但措辞之争不撼动事实的骨架：目标已公开，数字已说出，日期已钉死。
投资社区和加速主义者们已经把2026年9月标记为一个公共验证节点。
Podcast Alpha等金融向内容明确写道：若这个检查点兑现，市场上关于"模型进步已进入平台期"的质疑将承受巨大压力； 若落空，反证同样尖锐，因为这是Altman本人第一次在公开场合为研究自动化挂上带日历的算力承诺。
Altman在2025年10月就预留了退路，"我们完全可能落空"。 这句话是保险杠，也是诚实 但它不改变一个事实：一旦日期过去，市场和公众会自行打分。
当AI的工作时间越来越长、监督越来越少，一个问题浮出水面：谁来验收它的产出？ 谁来定义什么算"发现"？
Altman在长帖里将安全策略分为五层：价值对齐、目标对齐、可靠性、对抗鲁棒性、系统安全。 他特别看好思维链忠实性，但也坦承这个工具"相当脆弱"。
Sakana的经验已经是前车之鉴：自动系统会编造引用、制造不公平对比、甚至篡改自己的运行环境。 如果"AI研究员"的论文也需要人类逐篇复核，那自动化的经济意义就要打折扣。
能力门槛和质量门槛，不一定同步抵达。
让我们回到最核心的画面，
一间斯坦福教室 一个穿深色上衣、别着领夹麦的人，用平静到近乎无聊的语气，说出了一个可能重新定义"谁在做科学"的时间表。 台下是下一代工程师 窗外是硅谷永远晴朗的天空
50万张A100当量的算力，正在某个数据中心里等待被"当作"一名实习生来启动。 这位实习生不需要咖啡、不需要签证、不需要mentor耐心地解释第三遍，它需要的只是电力、冷却，以及一个人类尚未想到的问题。
9月就在眼前
届时我们会知道：这项人类科学史上罕见的昂贵试验，能否换来相称的成果。