先做个广告：如需代注册ChatGPT或充值 GPT4.0会员（plus），请添加站长微信：gptchongzhi
OpenAI前几天重磅推出了Deep Research产品，就是针对前沿专业市场的。
推荐使用GPT中文版,国内可直接访问：https://ai.gpt86.top
那我们就来聊一聊。
OpenAI 的 Deep Research 是一款于 2025 年 2 月推出的 AI 智能代理，旨在通过深度思考模式提升用户在知识获取和创意生成方面的效率。 它基于 OpenAI 即将发布的 o3 推理系统，配备专用工具和功能，专门设计用于执行复杂的研究任务。
核心功能：
智能化多步骤研究流程：能够自主规划研究路径，包括数据采集、分析和验证，最终输出高质量的研究成果，涵盖完整的引用来源和逻辑摘要
深度推理与智能调整能力：在研究过程中，模型会根据实时获取的信息动态调整研究方向，确保研究结果的准确性和全面性
专业级研究报告生成：生成的报告具备深度和细节，包括清晰的引用来源、数据可视化以及逻辑推导过程
自动搜索、解读、整合海量在线信息：能够自动搜索、解读和整合海量在线信息，生成专业级研究报告
创新性和领先性：
深度思考模式：采用了更为先进的自然语言处理技术，使得用户能够通过自然语言进行互动，提高信息获取的效率
精确的数据分析能力、优越的自然语言处理（NLP）表现、以及实时的学习与适应功能
模拟研究人员的行为：能够主动探索发现，深入挖掘那些“引起它兴趣”的内容，并尝试解决问题
降低信息收集与推理整合之间的壁垒：Deep Research 本质上降低了信息收集与推理整合之间的壁垒
能够处理多模态数据，还能高效地进行复杂任务的推理和决策，最终为用户提供全面且高质量的研究报告
Deep Research 与传统的 AI 工具相比，在模型的深度和广度上更具优势，使得其在数据处理和生成的效率上有显著提升。此外，通过引入自注意力机制，Deep Research 能够更好地捕捉上下文信息，从而在复杂的语境中完成任务时表现得更加精确，它可以自主发现、推理和整合在线信息。
总之，Deep Research不再是东拼西凑的一本正经的胡说八道了，而是有理有据、逻辑严密的专业分析了。这个产品可以提供非常严谨的研究分析。他致力解决模型幻觉问题，所有的研究是按框架进行的，所有的数据都有出处。他还可以帮助提供创新的思路。最后生成一个完整的报告。
有人用Deep Research做了一个【全球专业工作自动化市场潜力的估算】报告。我帖在后面大家感受一下。
报告的结论是人类有18%的就业岗位可能被Deep Research之类的研究型AI替代。而这些工作目前大都是高薪白领工作啊。
值得注意的是，做Deep Research需要模型在推理时进行多次迭代计算，而且很可能迭代的次数越多，生成的报告质量就越高。如果推理迭代产生的效果可以大大提升研究报告的价值，那么迭代算力的投入就是划算的。这其实是大大提高了推理需要的算力。因此如果这条路走通，世界对算力的需求不会是大大降低了，而是会大大提高了。
另一个需要考虑的就是国内的大模型厂商是否能够做出类似Deep Research的产品呢？从AI智能来看，至少Deepseek的R1是能达到研究生的水平的。但是Deep Research需要检索和整理的信息是海量的，如何保障结果的高质量和稳定性可能会需要多次的推理迭代，那么算力可能还是一个卡点。但Deepseek团队的工程能力很强，我们拭目以待！
当然，未来社会的结构又将发生巨变，大部分的白领可能要被优化。利润将进一步集中到几家大公司和科技企业。如果分配制度不进行巨大改革，1930年的大萧条可能又将重演...
提示：自动生成的报告是英文的，我用AI翻译为了中文，因此英文行文更好一些，而中文表达有些拗口，担待着看。
-----
全球工作自动化潜力估算：Deep Research
1. 各行业的研究密集型任务
全球知识型工作占比： 世界上有大量的工作涉及研究、分析或信息综合。根据最近的估算，全球大约有 19.6% 到 30.4% 的就业岗位属于“知识型工作”员、专业人员（如工程师、分析师、科学家）甚至一些文职岗位 。高收入经济体中，知识密集型工作占比更大（35%-54%的就业岗位），而低收入地区占比较小（亚太地区低于三分之一） 。这意味着大约 五分之一到三分之一 的全球劳动力日常从事研究和信息处理工作。
行业差异： 并非所有行业对知识型工作贡献相同。像专业服务、金融、信息技术、教育和公共行政 等行业往往拥有较高比例的研究密集型岗位。例如，这些行业中的许多工作涉及数据分析、撰写报告或合成知识以供决策。相比之下，农业、制造业、建筑业 或 酒店业 等行业的工作更多是手工或常规任务，较少涉及研究或分析工作。即使在传统的手工行业中，也有一些细分岗位（如制造业的研发部门、农业科学家）从事深度研究和分析。总的来说，经济上有价值的工作 中，大部分研究密集型岗位集中在知识密集型行业，这也是 Deep Research 能够发挥作用的核心领域。
2. 适合 Deep Research 自动化的行业
知识综合与分析任务： Deep Research 是一个旨在 “通过查找、分析和综合多来源数据” 来独立完成复杂分析任务的 AI 系统 。它在快速浏览大量知识、提取见解和进行数字实验或模拟方面表现突出 。实际上，这意味着它可以处理文献回顾、许多知识型工作岗位的核心任务。
高影响领域： Deep是那些员工花费大量时间收集和解释信息的行业：
科学研发和医疗健康： 在生物技术和气候科学等领域，研究人员需要处理庞大的数据集和文献。Deep Research 可以 “在几分钟内审阅所有研究论文，测试各种理论，提出新的想法” ，自动化大部分科学分析的繁重工作。在医疗健康领域，分析医学研究或患者数据以做出诊断和治疗指南也是知识型任务，AI 可以提供帮助，自动化医生和研究人员的部分工作。
金融和商业分析： 金融行业充满了数据和报告，例如金融分析师、市场研究员和商业顾问需要研究市场趋势或公司数据。Deep Research 可以快速编制市场统计数据，分析财务报告，甚至运行预测模型。金融分析师和市场研究员 的任务（如评估经济指标、撰写投资简报）可以由 AI 完全处理 。在企业环境中，像竞争对手分析、战略研究等任务也可以交给 AI 完成。OpenAI 的研究表明，像 金融分析师 这样的角色高度暴露于 AI 自动化，意味着他们的大部分任务可能会由 AI 完成。
法律和行政服务：法律研究和文件分析是自动化的理想领域。Deep Research 可以扫描判例法、法规和学术评论，综合出相关信息供法律专业人员参考。事实上，像 法律助理或律师助理 这样的职位涉及的文档总结和事实提取任务几乎可以完一般行政和政策工作中，撰写报告或备忘录也可以由 AI 完成。在政府政策分析领域，Deep Research 可以帮助政策分析员编写报告并分析大量数据，从而加速政策制定和实施。
信息和媒体： 以信息消化和生成为核心的行业，如新闻业、出版业和内容创作，可能需要花费大量时间收集事实和来源，Deep Research 可以自动化这些背景研究，快速提取数据和参考资料。需要注意的是，记者和作家 的任务几乎完全暴露于 AI 的影响。尽管人工判断在编辑工作中仍然至关重要，但收集信息和草拟内容的工作可以大大由 AI 完成。像市场营销和媒体公司中的研究型内容（如白皮书、市场分析报告等）也可以交由 AI 自动化完成。
AI 影响较小的领域： 需要注意的是，并非每一项知识工作都能够完全由 AI 自动化。Deep Research 可以处理常规分析和信息综合，但创新策略、新问题解决和人际沟通方面的工作 对 AI 来说较为复杂。例如，提出全新的科学理论或谈判商业合同涉及到创造性和判断力，这些 AI 仍然难以完全替代（OpenAI 与宾夕法尼亚大学的研究表明，那些需要高水平批判性思维和科学创新的岗位相对较少暴露于 AI 自动化 ）。因此，具有较高人际互动或原创思维要求的行业，其受 AI 影响的程度会较低。这个假设将在下一部分的估算中得以体现。
3. 对全球就业的影响加权
为了估算 Deep Research 能够自动化的全球就业总量，我们需要考虑每个主要行业的就业规模，以及其工作中涉及可自动化研究任务的比例。通过加权各个行业的影响力，我们可以得出大致的自动化影响。
专业服务（咨询、研发、工程）：该行业包括咨询公司、研究机构、工程服务等专业性工作。虽然该行业在全球就业中占比较小（大约 3%），但其岗位主要以知识型工作为主。我们假设该行业的 70% 工作任务（如数据分析、报告撰写等）可以通过 AI 完成。贡献： 如果该行业约占全球就业的 3%，且其中 70% 的任务可以由 AI 完成，那么约 2% 的全球工作任务可以通过 Deep Research 自动化。
金融和保险 – 全球范围内，金融行业的就业规模较小（约占 1–2%），但该行业的许多岗位（如银行分析师、贷款员、保险核保员等）涉及大量信息处理。我们假设该行业约有 50% 的任务（如财务建模、风险分析、文书工作）能够自动化。贡献： 该行业约占全球就业的 2%，其中 50% 的任务可以由 AI 完成，约 1% 的全球工作可以自动化。
信息技术和媒体 – 这一行业包括软件和 IT 服务、媒体和电信（约占全球就业的 2%）。这些岗位大多涉及知识型工作（如编写文档、数据审查、内容创作等）。我们假设约 50% 的任务（如编写代码文档、撰写文章或分析用户数据）可以通过 AI 完成。贡献： 该行业约占全球就业的 2%，其中 50% 的任务可以由 AI 完成，约 1% 的全球工作可以自动化。
教育和学术 – 教育行业在全球的就业人数约为 1亿+ 人 ，大约占全球就业的 3%。尽管教学本身仍需要人类，但学术研究和课程开发等任务可以得到 AI 的协助。我们假设约 20–30% 的教育工作任务（如准备教学材料、批改作业、学术研究）可以通过 Deep Research 完成。贡献： 该行业约占全球就业的 3%，其中 25% 的任务可以通过 AI 完成，约 0.8% 的全球工作可以自动化。
政府岗位（如公务员、监管机构等）通常占全球就业的 5%（或更多）。并非所有岗位都是研究型工作，但可以认为大约 1–2% 的全球就业岗位属于政策分析员、规划人员或行政人员，他们的工作任务主要是撰写报告和处理数据，而这些任务是可以通过 AI 自动化的。我们假设这些任务的 50% 可以自动化，从而贡献大约 0.5% 的全球工作自动化量。
制造业与工程 – 制造业占全球就业的 15–20%，但其中仅有一小部分岗位涉及研究或复杂的数据分析（主要是工程师和产品开发人员）。我们假设 10% 的制造业岗位涉及设计、工程或规划，这些岗位涉及知识型工作。在这些岗位中，Deep Research 可能能够自动化约 30–40% 的任务（如运行模拟或撰写技术报告）。贡献： 该行业约占全球就业的 15%，其中 10% 涉及研究或知识工作，且 35% 的任务可以自动化，约 0.5% 的全球工作可以自动化。
其他服务（零售、酒店、交通） – 这些行业占全球就业的 20% 或更多，但这些行业的工作并非以研究为主，只有少部分岗位（如公司管理或物流规划）涉及 Deep Research 所能自动化的任务。整体影响相对较小，仅占 0.5% 以下。
将各行业的贡献进行加权合计后，我们可以得出 Deep Research 对全球劳动市场的影响。
知识密集型行业和岗位（如专业服务、金融、IT、教育、政府研究等）总共约占全球就业的 20%–30%。这与之前的统计数据一致，即全球多达约 30% 的工作涉及大量的信息处理。
根据我们假设的自动化率（各行业的任务自动化程度从约 20% 到 70% 不等），我们发现 Deep Research AI 可能平均接管这些知识型岗位中约二分之一到三分之二的任务。
总体来看，如果 Deep Research AI 在全球范围内普遍部署，它可以完成约 10%–15% 的全球总工作时间（而非由人类完成）。我们通过计算各行业的就业占比，并根据 AI 能够处理的任务比例加权得出了这一结论。例如，一个知识密集型但员工较少的行业可能贡献几个百分点，而一个员工众多但知识内容较少的行业贡献较少。当所有行业的影响加总后，总体比例落在全球劳动总量的十几个百分点范围内。
4. 最终估算和关键假设
假设：
我们假设 Deep Research 能够自动化大部分常规的知识综合任务（信息收集、分析、报告撰写等），但 并非整个岗位 都能被替代。
我们假设 AI 在各个行业的采纳率为100%，即如果某个任务可以由 AI 完成，它将会交给 AI，现实中 AI 的采纳会是渐进的。
交叉验证：
这一估算结果与其他关于 AI 自动化潜力的研究相一致。例如，OpenAI 关于大型语言模型的研究发现，约 80% 的美国劳动者至少有 10% 的任务可能受到 AI 影响，而大约 19% 的劳动者可能有至少 50% 的任务受到当前 GPT 级别系统的影响。我们的全球估算（约 30% 的工作岗位中一半的任务可被 AI 处理）得出了类似的范围。
这一结果也与咨询公司对高端自动化的预测相当，例如，麦肯锡曾预测，在激进情境下，到 2030 年，自动化（包括 AI 和机器人）可能取代全球多达 14% 的劳动力。考虑到 Deep Research 主要针对特定的知识型工作，并假设其技术高度先进，我们的估算略高于这些较早的预测，这是合理的，因为 AI 的能力不断增长。我们还注意到，某些职业（如记者、会计师、研究人员等）可能几乎完全由 AI 处理，而其他职业的影响较小——这种差异已经纳入了我们的行业加权计算。
最终估算：
综合我们的计算范围，并考虑行业间的重叠，我们估计 Deep Research 可能最终自动化 15%–20% 的所有经济价值劳动（按就业份额计算）。如果取一个具体数值，这大约相当于 全球 18% 的工作任务 在理想条件下可由该 AI 处理。（最终估算：约 18%。）
这意味着全球近五分之一的工作，主要集中在信息密集型岗位，可以由 Deep Research AI 完成，从而 彻底改变这些职业。该比例是基于当前数据和合理假设的近似值，实际影响取决于技术进步和应用速度，但它提供了一个清晰的视角，展示了这种先进研究型 AI 对全球劳动市场的潜在重大影响。
网友评论