AI R&D Taxonomy

AI R&D Taxonomy 是 Epoch AI 于 2026 年发布的前沿 AI 研发任务分类法（首发于其 Gradient Updates 博客《Toward an ONET for AI R&D》）。它仿照美国劳工部覆盖各种职业的 ONET 职业信息体系，把 AI 研发全流程拆成六个阶段，目的是给"AI 系统在研发流程中承担了哪些工作"提供一套可比较的测量语言。目前尚无稳定中文译名，“AI 研发任务分类"仅为方便表述。

六个阶段：

1. Decide：决定做什么、继续什么、往哪分配资源
2. Design：研究想法与工程设计规格
3. Build：代码与数据集
4. Run：训练/评测运行、硬件、serving
5. Analyze：实验、模型、部署与外部工作分析
6. Communicate：发现、反馈、状态、决策的传递

OpenAI 的应用：给 agent token 归类

OpenAI 在《Research acceleration: The view inside OpenAI》中用它给 2026 年 1–8 月研究组织的 coding agent token 分类。发现：

• 所有类别的用量都在增长
• 1 月的主导类别是研究与基础设施代码（Build 侧），此后继续扩张
• 技术求助（Analyze/Communicate 侧）与监控训练运行（Run 侧）增长显著
• 高层规划（Decide）在 agent 输出 token 中仍占极小份额

这个结果给出了一个量化基线：agent 渗透 AI 研发的方式是从写代码、排障、盯运行等"执行侧"任务起步，而"决定做什么"仍几乎完全由人类承担。逐类别的具体发现收录于 Codex 的内部用量一节。

用法注意

该分类法面向的是"研发流程中的工作类型”，而不是任务难度——OpenAI 在同一报告中对难度的代理是"人类完成任务的估算时长"，两者是正交的维度。对 agent token 分类也需要口径说明：分类对象是 agent 的输出 token，只能反映 agent 在做什么，不能直接推出人类工作量被替代的比例。

相关词条

• Codex — OpenAI 用该分类法测量内部 agent 用量的载体，报告数据收录于其内部用量一节
• Autoresearch（自动研究） — agent 参与研发循环的结构化描述
• Human-Agent Teams（人机团队） — 六阶段视角下的人机分工