数亿美元做数学！奥特曼：OpenAI还有发现没公开

　　新智元报道

　　OpenAI 还有数学发现没公开？

　　10 月 29 日发布的《Cheeky Pint》访谈里，奥特曼透露：OpenAI 在数学研究上的投入，还涵盖了许多尚未公开的发现。

　　主持人 John Collison 追问：还有那 700 个证明之外的成果吗？

　　奥特曼回答：

　　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，研究者开始拆解公开的资料，理解其中思路，核查推导中的关键步骤。

　　而在生物学领域，AI 提出的方案已经走上实验台。

　　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，变为下一步探索的起点。

　　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。

　　奥特曼认为，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，也能够长期推动这些领域的研究者继续参与未来的科研。

　　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。

　　数学研究者发起 oai-math-revised 项目，协作修订 OpenAI 公开的数学研究手稿。

　　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。

　　OpenAI 将这些手稿定位为「原始研究数据」，并说明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。

　　生物学预印本的大模型使用披露比例持续上升。（图源：Epoch AI）

　　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。

　　Epoch 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。

　　不同 CAR 受体的结构对比，图中灰色横带代表细胞膜。（图源：Generate Biomedicines）

　　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%。

　　AlphaEvolve 发现的算法优化，已被用于提升 Gemini 的训练效率。（图源：Google DeepMind）

　　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：

　　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

　　https://openai.com/index/building-scientific-understanding-with-academic-communities/?utm_source=chatgpt.com

　　编辑：元宇