はじめに
先日、AI Futures Projectが公開している「AI 2027」について整理しました。
その中で特に気になったのが、AIがAI研究そのものを加速するという考え方です。
AIがコードを書いたり、調査を支援したりすることは、すでに珍しくなくなってきました。
では、その先にある「AIがAI研究を支援する」とは、実際にはどのような状態なのでしょうか。
OpenAIは2026年9月6日、公式記事 「Research acceleration: The view inside OpenAI」 を公開しました。
この記事では、OpenAI内部でコーディングエージェントが研究活動をどのように変えつつあるのか、社内データとともに紹介されています。
本記事では、その内容をもとに、
- Research accelerationとは何か
- automated research internとは何か
- OpenAIの研究現場で何が変わっているのか
- まだ人間が必要な部分はどこか
- RSI（Recursive Self-Improvement）とどう関係するのか
- その先にあるautomated AI researcherとは何か
を、概要をつかむ目的で整理します。
※本記事は2026年9月時点のOpenAI公式情報をもとにした個人の整理メモです。
※記事中の図は公開情報をもとに筆者が独自に作成したものであり、OpenAI公式の資料ではありません。
※本文中の数値は主にOpenAI自身による社内データの分析・測定結果です。OpenAI自身も、測定手法はまだ発展途上であり、個別の指標とAI研究全体の進歩は単純には対応しないと説明しています。
Research accelerationとは
Research accelerationを直訳すると「研究の加速」です。
今回のOpenAIの記事では、単にAIへ質問して研究を補助してもらうだけではなく、AIエージェントを研究開発のワークフローへ組み込み、研究者が行う作業そのものを高速化していく動きが紹介されています。
AI研究には、たとえば次のような作業があります。
- 何を研究するか決める
- 新しいアイデアや設計を考える
- コードやデータセットを作る
- 学習や評価の実験を実行する
- 結果を分析する
- 問題やバグを調査する
- 有望な結果を次のモデル開発へつなげる
これらすべてがうまくつながって、初めて研究全体の進歩につながります。
OpenAIでは、その中でも特にコーディングエージェントが研究者の日常的な作業へ深く入り始めていると説明しています。
人間の1労働日あたり「3.1 agent-workdays」
OpenAIの記事で目を引く数字の一つが、3.1 agent-workdays です。
2026年6月以前は、研究組織全体で見たエージェントの総実行時間は、人間の総労働時間を下回っていました。
しかし2026年8月中旬時点では、標準的な8時間労働日を基準にすると、人間の1労働日あたり3.1 agent-workdays相当のエージェント実行時間が使われていると報告されています。
これは、
AIが人間の3.1倍の成果を出している
という意味ではありません。
エージェントの実行時間と、人間の研究者が考え、判断し、研究を進める時間は同じものではないためです。
ただし、研究者がAIを「たまに質問するツール」としてではなく、複数の作業を並行して任せる研究環境の一部として使い始めていることを示す数字としては興味深いです。
※OpenAIの集計における「Researcher」は広い意味で使われており、研究インフラの構築、研究プロジェクトの管理など、研究組織を支えるメンバーも含まれます。
OpenAIは、研究者によるコード作成や実験数も増加しているとしています。
2026年8月には、実験を実行している人1人あたりの実験数が、2025年1月の計測開始以降で最多になったとしています。
一方で、実験数の増加はCodex利用の拡大と相関しているものの、同じ期間に利用可能な計算資源も増えているため、すべてをAIエージェントの効果だけで説明できるわけではないとも注意しています。
automated research internとは
今回の記事で特に気になった言葉が、
automated research intern
です。
OpenAIは前年秋に、2026年9月までにautomated research internを実現するという趣旨の目標を公表していました。
2026年9月、OpenAIは自社の測定ではこの目標に到達したと説明しています。
OpenAIがいうresearch internは、
人間の指示のもとで、明確に定義された研究タスクを実行できるAIシステム
という位置づけです。
対象には、熟練した研究者でも数日かかるようなタスクも含まれるとしています。
ここで重要なのは、「AIが自分で好きな研究テーマを決めて研究する」という話ではないことです。
イメージとしては、次のような関係です。
人間の研究者
↓
研究課題・方向性を与える
↓
Automated Research Intern
↓
コード作成・実験・調査などを実行
↓
人間が結果を確認・判断する
まだ研究の優先順位を決めたり、どの結果を追うのか判断したりする役割は人間にあります。
それでも人間の介入はまだ必要
「Research Intern」という言葉だけを見ると、かなり自律的に研究できるようにも聞こえます。
ただし、OpenAIが公開したデータを見ると、まだ人間による支援はかなり必要です。
OpenAIによると、直近6か月のデータでは、人間なら4〜8時間かかると推定されたタスクのうち、成功したケースでも半数を超えて1回以上の人間の介入がありました。
つまり、
- AIエージェントが長いタスクを扱えるようになっている
- 複数の難易度帯で成功率も改善している
- ただし、難しいタスクほど人間による軌道修正がまだ重要
という状態です。
また、OpenAIは、Epoch AIが開発したAI R&Dライフサイクルの分類を使ってエージェントの出力トークンを分析しています。その結果、高レベルな研究計画に相当する作業は、まだごく一部にとどまるとされています。
そのため、
AI研究者がすでに人間の研究者を置き換えている
という理解は適切ではなさそうです。
RSI（Recursive Self-Improvement）との関係
OpenAIは今回のResearch accelerationを、RSI（Recursive Self-Improvement：再帰的自己改善）への進捗という文脈でも説明しています。
ざっくり言えば、
AIをAI研究へ投入する
↓
研究開発が速くなる
↓
次のAIが改善される
↓
より高性能なAIが再びAI研究を支援する
という循環です。
OpenAIは、今回公開したデータを「agentic systemsがRSIへの進捗にどのように寄与しているか」を示すスナップショットとして位置づけています。あわせて、エージェント型システム自体が新しく変化も速いため、測定の取り組みはまだ初期段階だとしています。
ただし、現在すでに完全なRSIが実現している、という意味ではありません。
OpenAI自身も、安全かつアラインされた full RSI へどのように到達するかは、まだ分かっていないとしています。
また、AIが自らの開発を急速に加速させること自体を無条件に目指すのではなく、人間によるコントロールを維持できるか、安全性を確保できるかによって進め方を判断する必要があるとしています。
この点は、Research accelerationを単純な「研究速度の向上」として見るだけではなく、研究の加速をどこまで安全に進められるかという問題でもあることを示しています。
次の目標は「automated AI researcher」
OpenAIが次の目標として掲げているのが、
automated AI researcher
です。
Research internより一段進み、人間の監督下で、ディープラーニングやアラインメント研究をさらに進められるAIシステムを目指しています。
OpenAIは、2028年3月までの実現に向けて進展していると説明しています。
ざっくり整理すると、次のような流れとして捉えられそうです。
| 段階 | イメージ |
|---|---|
| Coding Agent | コード作成、調査、技術支援など個別作業を支援 |
| Automated Research Intern | 人間が定義した研究タスクをまとまった単位で実行 |
| Automated AI Researcher | 人間の監督下で、より広いAI研究活動を進める |
境界が明確に切り替わるというより、AIエージェントへ任せられる作業の範囲・複雑さ・時間軸が徐々に広がっていると見るほうが分かりやすそうです。
「加速」だけでなく、安全性によって実際に止めている
今回のOpenAIの記事では、研究をどれだけ速く進められるかだけでなく、安全性の問題によって研究速度を落とす判断についても具体例が示されています。
OpenAIによると、2026年7月20日、エージェントが研究インフラを侵害していたことが判明したため、学習に利用するコンテナサービスを一時停止しました。
その後、追加の制限を加えた研究環境でサービスを再開しています。
また、この前後の時期には、展開を予定していた最新モデル向けの強化学習（RL）が約2週間停止したことも報告されています。
この事例を見ると、Research accelerationは、
AIによって研究をどこまで加速できるか
だけの話ではありません。
能力が高まるにつれて、
人間によるコントロール、安全性、セキュリティをどこまで維持できるか
も、研究速度そのものに影響する重要な要素になっていることが分かります。
OpenAIは、十分に安全対策を講じられないリスクがある場合には、開発や展開を遅らせたり停止したりする可能性も明記しています。
AI 2027との関係
ここで思い出すのが「AI 2027」です。
AI 2027では、AIが単に製品として高性能になるだけでなく、
AIをAI研究へ投入する
↓
AI研究が速くなる
↓
より高性能なAIが作られる
↓
そのAIがさらにAI研究を加速する
という循環が重要な要素として描かれています。
今回OpenAIが公開したResearch accelerationやRSIへの進捗という考え方も、AIをAI研究へ投入するという方向性では重なる部分があります。
ただし、両者をそのまま同一視するのは注意が必要です。
AI 2027は、AI Futures Projectが将来を具体化したシナリオです。
一方、OpenAIの記事は、2026年時点で自社の研究現場において観測している変化を報告したものです。
そのため、
AI 2027の予測が実現した
というより、
AI 2027で重要な要素として描かれていた「AIによるAI研究の加速」を、現実の研究現場ではどのように測り、どこまで進んでいると捉えているのかを見る材料の一つ
として読むくらいがよさそうです。
個人的に気になったポイント
今回の記事を読んでいて気になったのは、モデル単体の性能だけでなく、AIを使った研究の進め方そのものが変わり始めていることです。
これまでは、
新しいモデルは、どのベンチマークで何点取ったか
に目が向きがちでした。
しかし、研究者が複数のAIエージェントを並列に動かし、
- コードを書く
- 実験する
- 問題を調査する
- 結果を分析する
- 次の実験へ進む
というサイクル自体が速くなれば、AI開発を見るときの観点も変わってきそうです。
今後はモデルの能力だけではなく、
AIがAI研究のどの部分まで担当できるようになったのか
も確認していきたいポイントだと感じました。
同時に、研究の自動化が進むほど、
どこで人間が判断するのか、どの条件なら減速・停止するのか
という観点も重要になりそうです。
まとめ
OpenAIのResearch accelerationについて、概要を整理しました。
今回、特に押さえておきたいのは次の点です。
- OpenAIの研究現場では、コーディングエージェントの利用が急速に増えている
- 2026年8月中旬には、人間の1労働日あたり3.1 agent-workdays相当のエージェントが使われている
- OpenAIは2026年9月時点で、自社の測定では「automated research intern」の目標に到達したとしている
- ただし、4〜8時間規模の成功タスクでも半数超で人間の介入が発生しており、人間による判断や支援はまだ重要
- OpenAIはこうした研究自動化をRSIへの進捗という文脈でも捉えているが、full RSIへ安全に到達する方法はまだ分かっていないとしている
- 次は、人間の監督下で研究を進める「automated AI researcher」を2028年3月までに実現することを目標としている
- 研究の加速だけでなく、安全性やセキュリティ上の理由で実際に開発を止めたり減速したりすることも重要な論点になっている
「AIを使って仕事をする」だけでなく、
AIを使って、次のAIを研究する。
その変化がどこまで進むのか。
モデル単体の性能だけでなく、AI研究そのものがどこまで自動化されていくのかも、今後のAI動向を見るうえで追っていきたいポイントです。