Automating（自动化）在当下 AI 语境中，指的是用模型和智能体替代人工完成研发、测试、运营等重复性工作，它正处于从工具辅助走向'自动化 AI 研发'的关键转折点。这一话题既涉及工程实践层面的落地，也引发了关于智能爆炸等前沿风险的严肃讨论。
Automating 的近期进展
最受关注的是围绕自动化 AI 研发可能引发'智能爆炸'的讨论。Pachocki、Hinton、Bengio 等多位知名研究者联合发文，探讨如果 AI 自动化研发环节，算法改进速度可能超过人类掌控能力，带来失控风险。相关解读文章《如果自动化 AI 研发引发"智能爆炸"会怎样？》也进一步梳理了这一假设的技术链条与争议点（Pachocki、Hinton、Bengio 等发文：AI 自动化研发或引发智能爆炸、What if automating AI R&D…）。
工程层面，Browser Use 展示了在不存在 API 或 MCP 接口的场景下实现自动化的路径，即通过浏览器智能体直接操作图形界面，填补了自动化工具链的空白（Automating stuff where API or MCP don't exist）。LangChain 则探讨了模型评估与环境工程的自动化，把通常依赖人工经验的评测流程交给系统自身迭代（LangChain 探讨模型评估与环境工程自动化）。
学术研究也在跟进：arXiv 上的 ProCARE 提出基于证据契约的现实世界研究自动化方法（ProCARE: Real-World Study Automation via Profile-Grounded Evidence Contracts），Turbo Harness 则研究针对不同实例自适应优化测试框架（Turbo Harness: Instance-Adaptive Harness Optimization）。Grab 的工程博客介绍了通过仿真驱动 AI 主导的研究流程（Powering AI-led research through simulation）。
当前焦点与观察点
第一，人才与组织层面的信号。有报道称 Anthropic CFO Krishna Rao 提到部分资深研究人员的工作重心正向自动化方向转移，前 Anthropic 研究员 Jacob Coxon 的动向也被业内解读为相关信号。头部实验室把'自动化研发'视为提升模型迭代速度的核心杠杆，这使该话题从技术讨论上升为竞争策略问题。
第二，风险与治理的博弈。支持者认为自动化研发能加速科学进步；Hinton、Bengio 等人则警告，一旦 AI 参与改进 AI 本身，改进速度可能呈递归式上升，人类难以监督。这种分歧目前没有定论，但已推动安全研究与对齐工作获得更多资源。
第三，落地边界仍在扩展。从没有 API 的场景、模型评估流程，到公益组织在 Cloudflare 上的自动化实践（Building for good: How civil society organizations are automating on Cloudflare），automating 正从单一脚本工具演进为覆盖研究、评测与业务运营的体系能力。值得持续观察的是：自动化研发的实际产出效率是否有可信度量、智能爆炸假设能否被建模验证，以及企业在推进自动化的同时如何设置人工审查与安全边界。