OpenAI 数学研究投入数亿美元，还有未公开发现
OpenAI 在数学研究上还有多少东西没公开？10月29日发布的《Cheeky Pint》访谈里，奥特曼给出了一个耐人寻味的信号：OpenAI 在数学研究上的投入已经达到数亿美元量级，其中还包括不少尚未公开的发现。
主持人 John Collison 追问：除了已公开的那 700 个证明之外，还有别的成果吗？奥特曼的回答干脆利落："有，当然有。"
近几个月，OpenAI 的数学成果接连引爆热议。成果公开后，研究者开始拆解已发布的资料，理解其中的思路，核查推导的关键步骤。
而在生物学领域，AI 提出的方案已经走上了实验台。模型分析数据、提出设计，研究者筛选方案、开展实验，再把实验结果反馈给模型，继续改进设计。从核对数学推导到验证生物学设计，人类与 AI 正在把每一轮的结果变成下一步探索的起点。
重大发现要公开，数学家怎么办？
谈到数学研究的投入，主持人给出了数亿美元的量级，奥特曼表示认可。但他也补充，这笔投入还包括未公开的其它发现。至于这些成果该如何公开，奥特曼承认：其中存在两难。
奥特曼主张，重大基础科学发现应当公开。他认为，人类理应拥有基础科学知识，重大科学发现应该向世界公布。但科研人员的职业发展和成就感，很大程度上来自发现本身。他希望找到一种方式，既让世界受益于知识的分享，又能长期推动这些领域的研究者继续参与科研。成果公开之后，还需要帮助研究者读懂思路、核查推导，让这些发现成为后续研究的基础。
数学家正在给 AI 手稿补什么？
在 GitHub 上，数学研究者发起了独立修订项目 oai-math-revised。
这个项目直指 OpenAI 一些数学手稿的两处短板：论述难懂，引用不全。为此，项目发起者邀请学生、博士后、教授和数学爱好者共同参与，补充文献、理顺论述，识别并尽可能修正错误。AI 交出一篇数学论文，科研共同体还要把它变成别人读得懂、查得清、用得上的知识。如何支持这些后续工作，也成为成果发布时需要考虑的问题。
OpenAI 正在尝试调整成果的发布方式。10月26日，公司将当天新公布的相关研究手稿定位为「原始研究数据」，并介绍了邀请外部专家牵头、组织团队解释结果等不同做法。
其数学仓库也明确说明，相关结果处于不同验证阶段，部分尚未附有可由计算机检查的形式化证明。手稿公开之后，解释、核查和修订还要继续。让更多研究者读懂这些结果，确认哪些方法可以沿用，新的研究才能在此基础上展开。
每六篇左右，就有一篇披露用了大模型
在生物学领域，研究者正在主动把大模型用进自己的工作。10月30日，Epoch AI 发布了一组生物学预印本统计：2026年9月受检的4922篇 bioRxiv 预印本中，846篇披露使用过大模型，占17.19%。大约每六篇，就有一篇。
2025年9月，这个披露比例为6.40%。一年后，它已接近同月专用 AI 工具的18.94%。这些披露的环节涉及文献、写作、编程和研究分析等工作。当月有190篇预印本披露将大模型用于研究或分析，占全部受检预印本的3.86%。
按照 Epoch 的分类，这包括实验设计、数据标注和统计分析等；写作、文献综述、代码与计算，则分别列入其他用途类别。这些统计数据显示：大模型已经参与科研的多个环节。具体到一项研究，模型负责哪些工作，研究者又怎样判断、验证和使用它的输出？
从分析数据到接上实验反馈
最近公开的两项合作，展示了人类与 AI 如何接力推进研究。10月21日，OpenAI、PerturbAI 和 Scripps Research 公布了一项合作：数千个由 GPT-Rosalind 驱动的智能体，分头分析来自数百万小鼠脑细胞的已有实验数据。
据团队报告，这轮数据分析与解释用了32分钟。每个智能体围绕一种基因扰动，分析细胞反应、查找相关文献，再提出解释。这些分析结果最终汇成一份推理图谱，把基因、细胞变化和可能的生物机制连在一起。研究者可以沿着这份图谱，挑选下一步要检验的线索，继续设计实验。
有了线索，接下来还得让实验给出反馈。在另一项研究中，生物技术公司 Generate Biomedicines 正在用 AI 设计蛋白质、研发药物。10月27日，团队公布了借助 Claude Code 改造 CAR-T 受体的进展，他们想把受体内部传递信号的部分缩短，同时保留功能。
CAR 受体像 T 细胞的「识别和启动装置」：细胞外的部分识别目标，细胞内的部分传递信号，让 T 细胞作出反应。研究者从模型参与设计的方案中，挑出186个做首轮实验。结果出来后，再交给系统，继续修改方案、做实验。
经过三轮设计和筛选，团队得到一个仅由45个氨基酸组成的信号结构，比用作对照的第二代 CAR 信号结构短约70%。团队报告在体外实验中，使用相同剂量的 mRNA，采用新设计的 T 细胞表面出现了更多 CAR 受体，杀伤目标细胞的能力也维持得更久。这套设计，是在一轮轮实验反馈中逐步改出来的。
AI 科研，能通向 ASI 吗？
从一行行数学推导到一轮轮生物学实验，AI 正在进入科研的更多环节。它寻找线索、提出设计，再根据验证结果调整方案。如果我们把目光投向人工超级智能（ASI），另一个问题随之浮现：AI 做出的科研成果，能不能反过来加速 AI 自身的研发？
早在2025年，Google DeepMind 已披露：AlphaEvolve 将 Gemini 训练中的一项计算内核提速23%，使整体训练时间缩短1%。
由 AI 提出、经过验证的优化方案，已经用来改进模型训练。再往前一步，如果系统能够自主研发更强的下一代系统，再由下一代继续推动 AI 研发，就形成了 RSI（递归自我改进）所设想的循环。这样的循环若能持续，可能成为迈向 ASI 的一股推动力。
从一次局部优化，到持续推动新的发现，这条路仍有许多可能。面向 ASI 的未来，人类与 AI 或许会以今天难以想象的方式共同探索。而这一切，也许就从一次次尝试开始：更快地验证一个想法，更严谨地确认一项发现，让下一位研究者更早开启新的探索。
参考资料：
发表于 3 小时前
|
查看: 13|
回复: 0
/1 
