数亿美元做数学，奥特曼：OpenAI还有发现没公开

OpenAI在数学领域还有未公开的发现吗？

在10月29日播出的《Cheeky Pint》访谈中，奥特曼透露，OpenAI在数学研究上投入了大量资源，其中包含许多尚未公之于众的成果。

主持人John Collison追问：“除了那700个证明，还有其他发现吗？”

奥特曼回答：“有，当然有。”

近几个月来，OpenAI的数学成果频频引发关注。

这些成果公开后，研究人员开始拆解公开资料，理解其中的思路，并核查推导过程中的关键步骤。

与此同时，在生物学领域，AI提出的方案已经进入了实验阶段。

模型负责分析数据、提出设计方案，而研究人员则筛选方案、进行实验，再将实验结果反馈给模型，以进一步优化设计。

从核对数学推导到验证生物学设计，人类与AI正将每一轮的结果转化为下一步探索的起点。

重大发现需要公开

数学家该如何应对？

当主持人提到数亿美元的投入规模时，奥特曼表示认可。

但他补充说，这笔资金也涵盖了其他未公开的发现。

至于这些成果的公开方式，奥特曼承认存在两难。

奥特曼主张，重大的基础科学发现应当向世界公开。

他认为，人类有权享有基础科学知识，而重要发现应该公之于众。

但科研人员的职业发展和成就感，很大程度上依赖于发现本身。

他希望找到一种平衡，既能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于未来的科研工作。

成果公开后，还需要帮助研究者理解思路、核查推导，使这些发现成为后续研究的基础。

数学家正在为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。

该项目旨在协作修订OpenAI公开的数学研究手稿。

这个项目直接针对OpenAI一些数学手稿的两个不足：论述难以理解，以及引用不完整。

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提交一篇数学论文后，科研共同体需要将其转化为他人能读懂、可查证、能使用的知识。

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将这些手稿视为“原始研究数据”，并说明相关结果处于不同验证阶段。

其数学仓库也明确指出，部分结果尚未附有可由计算机检查的形式化证明。

手稿公开后，解释、核查和修订工作仍在继续。

让更多研究者理解这些结果，确认哪些方法可以沿用，新的研究才能在此基础上展开。

大约每六篇论文中

就有一篇披露使用了大型语言模型

在生物学领域，研究人员正主动将大型语言模型融入自己的工作。

10月30日，Epoch AI发布了一组生物学预印本的统计数据：

在2026年9月受检的4922篇bioRxiv预印本中，有846篇披露使用了大型语言模型，占比17.19%。

大约每六篇论文中，就有一篇。

生物学预印本中大型语言模型的使用披露比例持续上升。（图源：Epoch AI）

2025年9月，这一披露比例为6.40%。一年后，它已接近同期专用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篇预印本披露将大型语言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；而写作、文献综述、代码与计算，则分别列入其他用途类别。

Epoch的这些数据显示：大型语言模型已参与科研的多个环节。

具体到一项研究，模型负责哪些工作，而研究人员又如何判断、验证并利用其输出？

从数据分析

到接入实验反馈

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，分别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、细胞变化和可能的生物机制连接起来。

研究人员可以沿着这份图谱，挑选下一步要检验的线索，继续设计实验。

有了线索，接下来还需要实验提供反馈。

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，他们试图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。（图源：Generate Biomedicines）

CAR受体类似于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，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，继续修改方案并做实验。

经过三轮设计和筛选，团队得到了一个仅由45个氨基酸组成的信号结构，比用作对照的第二代CAR信号结构缩短约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维持得更久。

这套设计是在一轮轮实验反馈中逐步改进而来的。

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正进入科研的更多环节。

它寻找线索、提出设计，并根据验证结果调整方案。

如果我们将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。（图源：Google DeepMind）

由AI提出、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发现，这条路仍有许多可能性。

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，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 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。