数亿美元做数学，奥特曼：OpenAI还有发现没公开
OpenAI是否还有一些尚未披露的数学成果？
在10月29日播出的《Cheeky Pint》访谈节目中，奥特曼透露，OpenAI在数学领域的投入，涵盖了多项尚未公开的发现。
主持人John Collison追问：除了那700个证明之外，还有别的吗？
奥特曼回应：
有的，确实有。
近几个月来，OpenAI在数学方面的突破频频成为焦点。
这些成果公布后，研究人员开始解析公开材料，理解其中的逻辑，并核实推导中的关键环节。
与此同时，在生物学领域，AI提出的方案已进入实验阶段。
模型分析数据、提出设计，研究人员筛选方案、进行实验，再将结果反馈给模型，以优化设计。
从核对数学推导到验证生物学方案，人类与AI正将每一轮的结果，转化为下一步探索的基石。
重大发现需公开
数学家何去何从？
当主持人提及数亿美元的投资规模时，奥特曼表示认可。
但他补充道，这笔资金还包括未公开的其他发现。
至于这些成果如何发布，奥特曼承认存在两难境地。
奥特曼主张，重要的基础科学发现应当公之于众。
他认为，人类有权享有基础科学知识，重大科学突破应对外公开。
然而，科研人员的职业发展和成就感，很大程度上源于他们的发现。
他希望能找到一种平衡，既让世界受益于知识共享，又能长期激励这些领域的研究者继续投身科研。
成果公开后，还需帮助研究者理解思路、核实推导，使这些发现成为后续研究的基础。
数学家正为AI手稿补充什么？
在GitHub上，数学研究人员发起了一个名为oai-math-revised的独立修订项目。
该项目针对OpenAI公开的数学手稿，指出其两大不足：论述晦涩、引用不全。
为此，项目发起者邀请学生、博士后、教授及数学爱好者共同参与，补充文献、梳理论述，识别并修正错误。
AI提交一篇数学论文后，科研共同体还需将其转化为他人可读、可查、可用的知识。
如何支持这些后续工作，也成为成果发布时必须考虑的问题。
OpenAI正在尝试调整成果发布方式。
10月26日，公司将其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策略。
OpenAI将这些手稿视为“原始研究数据”，并指出相关结果处于不同验证阶段。
其数学仓库也明确说明，相关结果验证程度不一，部分尚未提供计算机可检查的形式化证明。
手稿公开后，解释、核查和修订工作仍需继续。
让更多研究者理解这些结果，确认哪些方法可行，新的研究才能在此基础上推进。
约每六篇中
就有一篇提及使用大模型
在生物学领域，研究人员正主动将大模型应用于自身工作。
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篇提及使用大模型，占比17.19%。
大约每六篇中，就有一篇。
生物学预印本中提及使用大模型的比例持续上升。（来源：Epoch AI）
2025年9月，这一比例为6.40%。一年后，已接近同月专用AI工具的18.94%。
这些提及涉及的环节包括文献、写作、编程和研究分析等：
当月有190篇预印本提及将大模型用于研究或分析，占全部受检预印本的3.86%。
根据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、代码与计算则分别归入其他用途。
Epoch的这些数据显示：大模型已参与科研的多个环节。
具体到某项研究，模型承担哪些任务，研究人员又如何判断、验证并应用其输出？
从数据分析
到接入实验反馈
近期公开的两项合作，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，分别分析来自数百万小鼠脑细胞的现有实验数据。
据团队报告，这轮数据分析与解释耗时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，并提出解释。
这些分析结果最终汇成一份推理图谱，将基因、细胞变化与可能的生物机制联系起来。
研究人员可依据此图谱，选择下一步要验证的线索，并设计实验。
有了线索，还需让实验提供反馈。
在另一项研究中，生物技术公司Generate Biomedicines正利用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，目标是缩短受体内部传递信号的部分，同时保留其功能。
不同CAR受体的结构对比，图中灰色横带代表细胞膜。（来源：Generate Biomedicines）
CAR受体如同T细胞的“识别与启动装置”：细胞外部分识别目标，细胞内部分传递信号，使T细胞作出反应。
研究人员从模型参与设计的方案中，挑选了186个进行首轮实验。结果出来后，再交给系统，继续调整方案并开展实验。
经过三轮设计与筛选，团队获得一个仅由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%。
团队报告称，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，且杀伤目标细胞的能力更持久。
这套设计是在一轮轮实验反馈中逐步优化得出的。
AI科研
能否通向ASI？
从一行行数学推导到一轮轮生物学实验，AI正介入科研的更多环节。
它寻找线索、提出设计，并根据验证结果调整方案。
若我们将目光投向人工超级智能（ASI），另一个问题随之浮现：AI取得的科研成果，能否反过来加速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%。
AlphaEvolve发现的算法优化，已被用于提升Gemini的训练效率。（来源：Google DeepMind）
由AI提出并经过验证的优化方案，已用于改进模型训练。
再进一步，如果系统能自主研发出更强的下一代系统，再由下一代系统继续推动AI研发，便形成了RSI（递归自我改进）所设想的循环。
这种循环若能持续，可能成为迈向ASI的一股动力。
从一次局部优化到持续推动新发现，这条路仍有诸多可能性。
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，或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：
https://cheekypint.transistor.fm/39/transcript
https://www.theverge.com/ai-artificial-intelligence/1023054/altman-cheeky-pint-ai-math-interview
https://epoch.ai/data-insights/biorxiv-llms-vs-ai-tools
本文来自微信公众号“新智元”，作者：ASI启示录，编辑：元宇，36氪经授权发布。
发表评论