OpenAI总裁：AI已能创造新知识，400个数学难题被攻克

近日，OpenAI联合创始人兼总裁 Greg Brockman 做客播客 No Priors，这场对话一口气谈到了不少硬核话题：AI 在数学领域攻克开放难题的突破、AI 已经能创造新知识的判断、如何让人类看懂并监督 AI 的成果、从数学迁移到生物学与药物研发时遭遇的数据瓶颈、监管体系随技术重构的路径、主动型 AI Agent Dots 与无 UI 的交互方向、网络安全底层规律的剧变，以及让人类始终掌握主导权的使命。

Brockman 的判断很直接：整个世界与人类社会正在凝聚起来，共同拥抱这项技术，挖掘它的潜力去改善每个人的生活。在他看来，AI 能否创造新知识已经毋庸置疑——OpenAI 发布了近 400 个刚刚被攻克的重要开放性数学难题，整个数学界都在深入研读这些成果。不过真正让他兴奋的，并不是机器直接给出一个答案，而是人类装备这些工具之后，实现目标的能力杠杆被极大地放大了。

在生物学与药物研发方面，Brockman 直言药物研发是长期以来所有人期盼的头号应用场景，OpenAI 责无旁贷。但生物学面临一个严重的数据瓶颈，下游的监管审批、临床试验等环节同样需要重新审视。他还提到，Dots 是一个全天候在线的主动型 AI Agent，它代表的是产品交互形态的革新，而不是底层模型能力的跃迁。

网络安全方面，Brockman 抛出一个相当有冲击力的观点：未来的网络安全支出，应当远远超过软件开发支出。软件开发门槛正在消融，写软件几乎快变成免费，真正稀缺的是可靠、安全、值得托付的软件系统。在他看来，大家还没有深刻意识到网络安全领域的底层规律将发生多么剧烈的变革，而这恰恰是构建一个更安全世界的契机。

01 AI 已能创造新知识，价值在于洞察而不是答案

Brockman 指出，过去一千年里改善人类生活质量的根本驱动力，是技术与科学进步。如今人类拥有了大幅加速科学发现的能力。过去一直有人质疑 AI 能不能创造出新知识，事到如今，答案是绝对肯定的。当然，前方的路还很长，目前还无法直接创立一套全新的科学理论，但 AI 已经能够攻克悬而未决长达百年的数学难题。

他反复强调，真正令人兴奋的并不是机器直接给出答案，而是人类装备这些工具之后，能够实现哪些过去难以想象的壮举。人类实现自身目标的能力杠杆被极大放大了。手头有数学难题，可以直接借助 AI 攻克；同样的能力放到生物学，或者交给一位想把生意经营得更好的小企业主，那些过去遥不可及、却与目标高度契合的成果，如今都变得触手可及。

数学的价值，也不在于给出一份没人看得懂的证明。数学致力于揭示宇宙的底层结构，其中蕴含着一种深邃的美感，这种美感与意义在某种程度上见仁见智，关乎人类内心的共鸣。因此真正核心的，是从中提炼出的思想洞察。目前已经看到令人振奋的苗头：AI 完成的推导中确实蕴含着极其精妙的洞察，细分领域的专家常常惊叹于 AI 运用数学思想的奇特方式。

数学史上确实出现过人类无法直接理解的证明，四色定理就是最典型的例子——当时只是让计算机暴力穷举并检查成千上万种情况，过程毫无美感可言。Brockman 认为，如今正在迈入一个截然不同的机器科学发现新阶段。

02 让人类看懂并监督 AI

帮助人们拓展认知边界、更深刻地理解彼此和这个世界，是一项目前可能被外界低估的技术红利。而让人类能够理解 AI 的所作所为，也与 AI 安全和对齐密切相关。早在 2017 年，OpenAI 就在探讨辩论机制和迭代放大等技术，它们本质上是一体两面的。

当 AI 解决的问题复杂到人类无法直接检验正误时，可以借助另一个 AI 来监督。以总结一本书为例：除非把整本书通读一遍，否则很难判断 AI 给出的摘要写得好不好。但如果引入另一个 AI 专门负责挑刺，并指出原书里有一段包含极其关键的剧情转折而摘要完全漏掉了，那么无需读完整本书，就能立刻判断这个反驳有道理。

通过这类特定的训练方式，可以让 AI 更好地配合人类监督，确保人类始终掌握主导权——这是 OpenAI 看来关乎未来发展的根本原则。同时，也要让 AI 产出的成果为人类受众量身定制，让人从中有所领悟，而不是堆砌一堆抽象深奥的知识。

03 从数学到生物学：数据是最大的瓶颈，药物研发是头号方向

Brockman 总结了过去几年摸清的规律：当 AI 在某个特定维度展现出强大能力时，只要剖析清楚它为什么成功，在所有具备相似属性的其他探索领域，都应该预见到类似的突破。

数学率先实现变革，一方面是因为 AI 在基础能力和原始智能上跨过了一道门槛，另一方面人们通常认为是因为数学结果可检验。但这个说法现在已经不完全准确。最早确实从容易检验的问题入手，比如算术题的答案是一个具体数字，可以轻松训练 AI 核对。数学证明则极难检验——用代码编写的形式化证明可以通过程序检验，而 OpenAI 目前真正产出的是自然语言撰写的数学证明，检验难度要高出好几个数量级。

因此真正的核心原因是数据。在数学和理论物理领域可以获取海量训练数据，但生物学领域数据获取极其困难，存在严重的数据瓶颈。好在 OpenAI 一直在研发能够利用少量数据高效训练的技术。在数据充沛的领域，这也印证了深度学习的基本法则：算力、数据与算法的结合，直接决定了模型能力与最终成果。

药物研发是最清晰、最不言自明的首要方向。如果只能选一个领域做彻底的技术革命，最大程度提升全人类的生活质量，那就非药物研发莫属，这也是长期以来所有人期盼的头号应用场景，OpenAI 责无旁贷。

Brockman 的观点颇有启发性：人类其实非常不擅长研究生物学和研发药物。人类天生适合处理自然语言，因为语言契合人类与世界互动的方式，而生物学对人类的大脑是完全陌生的异域。但对神经网络而言，没有理由认为处理自然语言会比处理生物学更得心应手。既然神经网络已经在自然语言领域展现出惊人威力，从第一性原理出发，它也应该能破解生物学的底层语言。结合目前的进展，这条路走得通，在诸多维度上已经非常接近临界点。

接下来的演进路径，是把相同的模型与技术迁移到生物领域。一部分细分方向会迅速被攻克，过去极其繁琐的流程将大规模提速，研发流程的并行度可以大幅提升，各个环节的耗时也会显著缩短。但同时也会撞上其他瓶颈——有些瓶颈甚至与深奥的生物学理论毫无关系，比如监管审批材料的撰写。为申请临床试验准备全套申报材料往往要耗费整整一年，借助 AI 可以轻松完成这些文档工作。在基础数据完全空白的领域，湿实验室的技术创新和计算机模拟仿真的突破都将变得至关重要。

药物研发还包含很多不同的维度，比如罕见的单患者疾病。现实中有很多患者，能够治愈其病症的药物其实早就存在，相关研究隐藏在浩如烟海的学术文献里，只要精准定位到那篇与病症高度相关的论文，就能直接挽救一条生命。利用 AI 可以把这类文献挖掘的规模扩大成百上千倍，短期内就产生实实在在的医疗价值。此外，材料科学是另一个重点方向，往后还有一条长尾的科学领域，人类的探索边界都将被真正拓宽。

04 监管体系的重构

Brockman 认为，只要能确凿证明药物研发的底层规律已经改变，这种变革就会渗透到整个体系的各个环节，因为现有规则是围绕人类既有认知量身定制的。以自动驾驶汽车为例，现有的道路规则与安全法规完全围绕人类驾驶员制定。但如果自动驾驶的安全性达到人类司机的 10 倍甚至 100 倍，人们自然会开始思考如何重构整个交通体系，甚至可能出台新规，要求在特定区域内只允许自动驾驶汽车通行。当一个系统的产出能力发生质变，人们对它的认知也会随之改变，并最终倒逼监管体系革新。

全球各地的监管环境并非铁板一块，比如澳大利亚和美国在临床试验方面的法规就大相径庭，许多机构正把临床试验转移到监管政策更灵活、更契合其研发路径的地区。未来监管规则如何调整，很大程度上取决于能拿出多硬核的实证——也就是神经网络直接得出的结论，能否比一场真金白银的临床试验更可靠。目前还没到这一步。

在很多领域，整个社会都应该积极拥抱这样一种心态：既然可行性的边界已经发生根本性改变，就应该迅速围绕新现实重构规则，同时审慎评估所有连锁反应与潜在影响。涉及针对人体的长期追踪研究时，如果没有真正跨越一个完整的时间周期加以印证，很难让人完全信服神经网络在预测长期健康结局上的准确性。但 Brockman 相信，其中 80% 的潜在价值将在极短的时间内转化为现实。

05 Dots 与无 UI：主动型 AI Agent，消费级与企业级终将融合

Brockman 表示，Dots 彻底改变了 OpenAI 内部许多人的工作方式。它是一个主动型 AI Agent，全天候在线，时刻处于工作状态，哪怕人停下来休息，它依然在后台运转。以他自己的 Dots 为例，它会盯着那些本该处理的工作，比如漏发的消息、口头答应了别人却还没办的事项。每天早上醒来都能看到它整理好的待办清单，而且经常捕捉到他根本没交代过的细节——比如日历出现日程冲突时，它会主动提醒需要提前离开当前会议，才能赶上下一场活动。

Dots 的上下文感知能力极强，清楚他每天的行程安排，了解团队正在推进的项目，掌握邮箱和 Slack 里的信息动态，并把这些跨平台的信息融会贯通，甚至记得他最近一直在追问哪些问题，因此非常清楚他当下的核心关注点。它代表的是产品交互形态的革新，而不是底层模型能力的跃迁。底座是一个 Astra 级别的模型，并配备了专属的云端电脑，但在职场环境中，高水平的智能与全新的产品形态结合在一起，就彻底改变了游戏规则。他自己只用了一个 Dots，基本上帮他打理了工作中的方方面面。

职场助手与个人消费者助手最终一定会走向融合，只是不同场景下产品面临的现实制约截然不同。大众消费级产品的核心在于规模化扩张，并以免费或极低的成本提供服务；而在职场环境中，无论是追求效率的职场人、日理万机的高管还是独立贡献者，追求的都是极致的智能水平，只要多花钱能换来更高的产出回报，投入再多算力都是划算的。

本质上这是成本问题。OpenAI 倾注大量心血打造了全球规模最大的免费服务层级，把记忆等功能普及给所有免费用户，这是一项极其浩大的工程壮举。相比之下，只为极少数高端用户不计成本地实现同样的功能，在技术上要容易得多。单用户消耗的算力规模不同，有时会外化为产品形态的不同，比如高算力版本中内嵌更丰富的功能。

支付、差旅预订等功能显然更偏向个人消费者，但归根结底都是同一个 AI 在处理事务。OpenAI 的一大独特优势在于，ChatGPT 拥有 12 亿个人消费者，同时在代码生成与企业级服务市场处于领跑地位，业内没有第二家公司能同时握有这两大板块。因此核心战略之一就是把两者统一起来，避免双线作战。个人消费级产品与企业级产品之间的界限将日益模糊，一场创业者的文艺复兴也即将到来——苗头已经显现，他身边就有不少辞职创业的朋友感慨，没有一个值得信赖、能帮他们摆平各种初期创业门槛的 AI，绝不敢迈出这一步。过去那些长期固化的行业界限，都将被彻底打破。

在交互设计上，Brockman 抛出了一个很有代表性的判断：最好的 UI 就是没有 UI，这是 AI 交互的终极演进方向。用户真正需要的只是一个能够随时沟通的对象，可以直接语音对话，也可以在 Slack、iMessage 或任何常用平台上呼唤它，这正是 Dots 目前的体验。个人场景与职场场景之间存在根本性的差异：企业环境里有系统管理员和信息安全团队，涉及更多利益相关方，AI 并不完全属于个人，用户无法独自掌控它的所有行为并对结果负全责。这会反映在产品设计的细节上，比如每当推出新功能，企业客户往往希望自主把控上线时间，因此必须提供管理员后台与权限开关，部分功能可能处于受限状态。而在一个没有界面的产品里如何向用户呈现并解释这种受限，是一个持续存在的挑战。

一切都始于 ChatGPT 那个小小的文本输入框，而如今正迈向一个连输入框都不复存在的未来——这才是当年向人们许诺的真正的 AI。

在思考深度的自我校准上，OpenAI 已经做得非常出色。随着 GPT-6 向全量用户开放，AI 面对需要深度思考的复杂问题，可以先迅速给出初步回复，同时在后台继续深入推演，稍后再奉上更完善的解答。呼应无 UI 的理念，OpenAI 还推出了智能 UI 技术，让 AI 能够实时构建生成式 UI。产品没有固定界面、没有预设按钮或需要死记硬背的菜单，但 AI 可以根据需求，在视觉呈现上量身定制最契合的交互界面。比如预订机票时需要一个相对复杂的界面来直观对比各种航班，或者想知道如何组装一辆自行车时需要一个高度定制化的引导应用。放在过去可能需要程序员花上整整一个月开发，没有人会为组装一辆自行车专门雇人写一个一次性软件，但现在让 AI 在需要的那一刻实时生成一个专属应用，已经顺理成章。在他看来，AI 会主动适应并贴合人的需求，用户界面将在需要的那一瞬间幻化成最需要的形态，这也是目前的核心发力点，正全面渗透到产品设计的每一个角落。

06 网络安全：防御者窗口期、历史技术债与安全支出的逆转

网络安全的底层规律正在发生剧变，当下处于所谓的防御者窗口期。目前最顶尖的前沿 AI 能力可以帮助防御者加固自身系统，这些能力尚未在全社会广泛扩散，但与此同时，外部已扩散的通用模型能力正呈阶梯式不断攀升。各大模型厂商每次版本迭代，普通人触手可及的网络攻防能力都在水涨船高，近期发生的高调银行黑客事件，背后就有不同 AI 模型驱动的影子。因此防御者必须争分夺秒地利用好这个时间窗口。OpenAI 一直在全力推进 Daybreak 计划，以负责任的方式向防御方开放权限，让他们调用顶尖智能与强大模型，主动排查并修复自身系统中的安全漏洞。

这些安全隐患其实早就存在了。面对人类编写的每一行代码，在某种程度上都得打个问号：这段代码真的安全吗？写代码的程序员受过规范的安全培训吗？过去构建软件系统的方式从根源上就是不安全的，行业里每个人对此都心知肚明。这本质上是当年构建互联网时的路径选择。回顾互联网历史，总是先爆发了臭名昭著的蠕虫和病毒事件，大家才意识到需要杀毒软件；意识到风险后才觉得需要对传输加密，把 HTTP 请求升级为 HTTPS。所有安全机制都是系统建成之后才回过头去填补的，因为互联网诞生之初的核心设计目标是系统的韧性与连通性，而非安全性。

如今将迎来一个集中爆发的时刻，过去积累的巨额历史欠账、海量的技术债都将浮出水面。OpenAI 已经承诺投入 10 亿美元，专项支持一线安全防御人员获取并利用模型来构筑防线，同时也在深入研究并主动排查外部存在的各类安全漏洞，并积极思考如何协助全球提升应急响应能力、协调突发安全事件的处置，以及如何与各国政府及开源社区紧密配合，让防护措施平稳落地。OpenAI 与 CrowdStrike 等行业巨头深入合作，共同构建协同防御体系，同时手中掌握着最前沿的模型，自身必须率先完成一场深刻的安全转型。

这也是构建一个比过去安全得多的数字世界的机会。AI 可以让人以过去无法想象的效率偿还高筑的技术债，甚至让软件的形式化验证成为可能。既然现在的模型如此擅长数学定理证明，就可以用它严格证明软件系统的安全属性。形式化验证这项技术其实早就存在，只是过去成本太高，没人把它用在大型核心系统上，这一切都将迎来转机。

在 OpenAI 内部，已经践行了一种新的安全范式：每当有新一代模型发布，就第一时间将其用于自我加固，排查内部漏洞，直到把该模型所能发现的隐患彻底挖空。前阵子公司直接抽调了大约 25% 的生产工程师，要求他们手头的常规项目全部暂停，唯一任务就是加固系统安全。团队调用当时最顶尖的智能模型，对内部所有基础设施进行全方位渗透测试，对大量系统开展红队测试，并搭建了一套自动化工具链，以便日后随时复现这一流程，最终揪出并修复了一大批安全隐患，直到该模型再也找不出新的问题。随着下一代更强模型的问世，这套流程还得重新走一遍，并将成为常态。从长远看，由于如今很大一部分新代码是在 AI 辅助下编写的，也可以从源头入手，直接训练模型在落笔之初就写出符合安全规范的代码。只要以正确的方式应用这些模型，就能从根源上打造出更加坚不可摧的软件系统。

对于可能出现的过渡期，Brockman 对人类如何安然度过依然充满信心，但需要各方协同作战。防御方必须认识到网络安全的底层法则已经彻底改变，眼下的防御窗口期极为宝贵，而且绝不会永远敞开。在未来的世界里，一个组织的安全水位，不仅取决于是否做好了基础的安全建设——那更像是一笔一次性的固定投入——更取决于调用了何种量级的 AI 网络安全能力来武装自己。当真正完成向新范式的跃迁时，防御方完全有能力彻底压制攻击者，但这需要一场脱胎换骨的变革，要求每个组织重塑日常运营的安全理念，也需要全社会重新审视关键基础设施的防护问题，为那些长期缺乏安全预算与资源的机构补齐短板。

在此基础上，他有一种强烈的预感：未来的网络安全支出，实际上应该远远超过软件开发本身的支出。他承认自己的判断不一定完全准确，但软件开发的门槛正在消融，写软件几乎快变成免费，开发成本变得极其低廉。人们想要的不只是一堆代码，而是真正可靠、安全、值得托付的软件系统，软件系统的韧性才是核心价值所在，其重要性只会与日俱增。过去之所以陷入脆弱的局面，是因为编写高质量、高可靠性软件的客观门槛太高。每家企业都依赖着庞杂的软件供应链，却鲜有公司有能力全面审计自己的供应链。一旦某个环节爆出漏洞，比如有人上传了恶意软件包，瞬间就有一大批企业中招。过去单靠人类程序员不可能扭转这一局面，因为排查海量开源包、精通各类底层安全攻防技术是一门极其冷门而晦涩的学问，全世界掌握这种专长的人才屈指可数。如今这种被动挨打的局面必须彻底改变。

07 让人类始终掌握主导权

Brockman 表示，OpenAI 的使命是确保 AGI 造福全人类，其中"人类"二字重若千钧。人类必须牢牢把控方向盘，掌握对未来的主导权。哪怕有朝一日模型在各项能力上全面超越人类，这项技术也应当用来放大人类能动性。目前模型的能力分布呈锯齿状边界，在许多特定领域，AI 的表现显然已经超越了当今世上的任何人——哪怕是早期的 GPT-4，知识储备也远非单一人类可比。但越是如此，这一点就越发关键。

他以乔布斯为第一代 iMac 电脑顶部设计提手为例：初衷是让用户从心理上觉得自己能够彻底掌控这台机器，哪怕它再强大，也随时可以一把拎起它扔出窗外。对待 AI 必须秉持同样的精神内核，让人类始终坐在主驾驶位上，由人类的判断力与价值观掌舵。未来人类在各个领域的角色或许会更接近于公司的 CEO 或董事会成员，但核心前提是拥有那种级别的决策主导权。就像一位 CEO 手下有一群在各个专业维度上知识比他更渊博、点子比他更绝妙的精英团队，最核心的评判标准依然是：作为掌舵人的他对结果满意吗？这是真正想要的方向吗？有没有让生活变得更美好？

在 Brockman 看来，这是全人类应当共同坚守的愿景。它不仅关乎 AI，更关乎所有技术的本质。技术存在的终极意义，在于托举并升华人类文明。它是改善人类生活质量最根本、最强大的单一驱动力，这也是应当向 AI 索取的价值，是 OpenAI 矢志不渝的信念。