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：

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。

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。

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。

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：

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：

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？

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：

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。

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：

编辑：元宇