2025 年 11 月 21 日，OpenAI 官方播客更新到第10期。這一次的主題是：AI 如何改變科學研究。OpenAI for Science 負責人Kevin Weil 在節目中說：也許人們感受到 AGI 最深刻的方式，會是通過科學。他們給自己定的目標：把未來 25 年的科學研究，壓縮到 5 年內完成。這不是說說而已。黑洞物理學家、核聚變專家、免疫學家已經在用 GPT-5 改變自己的研究方式。驗證路徑從幾個月壓縮到幾小時，文獻檢索能跨語言、跨學科找到概念聯絡，推導公式可以平行探索十幾條路徑。科研加速，已經開始了。第一節｜25年壓縮到5年，OpenAI要幹什麼？在第 10 期官方播客裡，Kevin Weil 這次談的不是新功能，而是一個新問題：能不能幫助科學家們，把科研工作大幅壓縮？為此，OpenAI 專門成立了一個團隊，由 Kevin 從首席產品官轉任負責人，目標是用AI模型加速科學發現。他們不是在用 AI 寫論文，而是改變了一個前提：假如你是科學家，給你一個模型，這個模型讀過你所在領域幾乎所有文獻，而且可以在 20 分鐘內跑完你原本需要 6 個月才能驗證的路徑，科研會變成什麼樣？Kevin說，在真實的科研場景裡，這種加速每天都在發生。核心改變是：AI 讓科學家能嘗試更多可能。不是替你做判斷，而是讓更多原本不敢嘗試的方向變得可驗證。科學家的時間，正在被 AI 重構。第二節｜黑洞物理學家、核聚變專家：他們為什麼信了？Alex Lupsasca，不只是 OpenAI 的研究科學家，還是范德堡大學的物理學教授，主攻方向是黑洞理論。起初，他跟很多科研同行一樣，對 ChatGPT 保持距離。“它挺有趣，但我以為至少還得好多年，才能真正幫到我的研究。我是個懷疑者，直到我看到它做出了連我自己都做不到的事。”他說的那一刻，就是他把一個求解脈衝星磁場的偏微分方程，輸給了GPT-5。這個方程，他自己推了好幾天都沒推出來。模型不僅識別了結構，還用 11 分鐘找出一條1950年代挪威數學期刊裡的冷門恆等式，並給出完整推導。雖然最終結果因為一個多餘的係數出錯了，但主幹是對的。用 Alex 的話說，這就像一個天才研究生，會在最後的 LaTeX 算式裡打錯一個負號，但推理鏈是完整的。這樣的轉變不止發生在 Alex 身上。Kevin 本來以為要去勞倫斯利弗莫爾國家實驗室推銷 GPT-5，結果核聚變專家 Brian Spears 剛坐下就打開筆記本開始演示：我用你們的模型，從本科題開始，一路問到了 20 年經驗的研究問題，它都能回答。最後一個問題，GPT-5 甚至說：“我沒有權限訪問你們的模擬工具，但如果你有，你應該從那開始。”這已經不只是程式設計助手了。它能理解不同領域的專業知識，看懂物理模擬，還能給出研究層面的建議。這類故事指向一個共同的拐點：科學家開始把 GPT-5 當作一個真正的合作者，而不只是工具。真正改變他們認知的，是那些原本不會去問的問題，現在可以問了。比如文獻檢索。Alex在研究一個黑洞方程時，發現結果裡有一個三階導數項，這種情況極少見。他將公式貼給 GPT-5 問：“這是什麼？”模型回覆：“這是共形橋方程（Conformal Bridge Equation）。”然後給出了論文線索。他完全沒聽過。這種場景在反覆上演：有人在研究高維最佳化，明知道應該有人做過，但找不到。GPT-5 用概念推理，找出了一篇埋在德語博士論文裡的研究，不同學科、不同術語，但解決的是同一個問題。Kevin說：“你今天必須在科學裡高度專業化。但專業化的代價是，你就不瞭解其他相關領域了。GPT 是那個讀過幾乎所有領域論文、精力無限、沒有情緒的合作者。”一位數學家對他說：我最近一篇論文，有個方向不是我擅長的，原本打算放棄。但現在我決定回頭深入，因為我覺得 GPT-5 能幫我入門。用 Alex 的話說：你平常研究只敢試一條路。現在有個合作者，能幫你同時試十條路。那條可能通，那條有風險，都給你標出來。你自己決定往那走。第三節｜ GPT-5怎麼參與科研？兩種核心能力那麼，GPT-5作為合作者，具體是怎麼參與科研的？OpenAI 論文裡總結了兩種典型能力。第一種能力：“腳手架式”協作OpenAI把這種模式叫做 Scaffolding（腳手架式協作）。具體怎麼做？人類科學家只提供一個任務目標。GPT-5 會嘗試生成 10 到 20 條不同的路徑，裡面包含不同公式、變換、思路假設。人類在過程中做的事情，是標記錯誤、指出那條邏輯斷了，而不是給出正確路線。Kevin 強調，這和提示詞寫得好不好完全是兩件事。最有效的方式是讓模型自己探索，你只指出那裡錯了，它就會調整。幾輪下來，它能找出你根本想不到的解法。Alex 在研究黑洞對稱性的時候，就採用了這個方法。比如：他先給GPT-5一道簡單題練手（在平直空間下的簡化方程），模型思考了9分鐘，給出了完整的對稱性分析，精確寫出了3個生成元。 再給它複雜版的真實問題，它花了18 分鐘，推匯出了他自己用特殊技巧才搞定的結果。第二種能力：驗證輔助GPT-5 並不是說了就一定對，它也會自信地給出錯誤結果，甚至會犯很簡單的符號錯誤。正因為如此，OpenAI 在GPT-5 科研應用中專門設計了一個機制：驗證通道（Verification pipeline）。核心機制是人負責找錯，AI 負責改錯：GPT-5 給出推理草案；人類研究者不必手動重做，而是標記可能有誤的推導步驟；GPT-5 會在此基礎上重新演繹、解釋或重構過程；有時還會自動生成程式碼，來模擬驗證假設。這種方式最早在蛋白工程、T細胞模擬的實驗中用過：GPT-5 生成的實驗設計，後來在實驗室中復現效果一致。腳手架式協作和驗證輔助這兩種能力，關鍵不在於你的提示詞寫得多好，而在於你的科研流程能不能把它們用起來。第四節｜誰會最先吃到紅利？那麼，這種新型協作會遇到什麼問題？Kevin 提出了一個關鍵概念：低通過率問題。很多前沿科研問題，GPT-5 是有能力解決的，但可能要試上 20 次才成功一次。如果你只試了3次，沒成功，就會以為模型還不行。其實它能行，只是你沒給它機會。OpenAI 論文裡明確寫道：GPT-5不是高度可信系統，仍會出錯。但它適合探索空間大、驗證成本低的科研流程。最適合用的，是那些模型成功率很低但不是零的問題。這意味著試錯成本被改寫了。OpenAI 的 13個案例顯示：GPT-5 已經能把研究路徑大幅壓縮。誰會最先吃到紅利？第一類：AI基礎設施與模型提供者OpenAI、Google DeepMind、Anthropic等模型廠商；AWS、Azure、CoreWeave  等 GPU 雲端運算服務商。他們是科研計算力+智能代理的底座，正在定義下一代科研工具的基礎語言。第二類：高科研密度行業玩家藥企、生物公司、新材料研發、新能源系統設計者。他們原本受限於驗證周期、試驗成本，如今得以提前試錯、平行探索。GPT-5能給出假設、文獻依據、模擬程式碼，讓科學家在正式實驗前完成預演驗證。第三類：AI科學工具創業者這是一條還沒被捲爆的新賽道：聚焦科學研究場景的 AI 產品，比如蛋白建模、科研協作平台、圖表生成、公式分析器、科研文獻智能檢索。這類工具，不是Copilot，而是Lab Partner。他們會抓住這一波實驗室 SaaS 的機會。結語｜科學的下半場Kevin Weil 有個判斷：也許人們最先真正感受到 AGI 的，不是寫作、不是辦公、不是消費，而是科學。Alex Lupsasca 的感受更直接：它不是完美的，但它是目前最值得我投入時間的合作者。這不是對未來的預言，而是 2025 年正在發生的事。在 GPT-5 出現以前，科學家判斷一條路徑要不要做，往往靠經驗、直覺，以及資源有限的賭注。現在，可以在十條路徑中試一遍、刪八條，再沿著剩下的兩條向前走。OpenAI 沒有試圖把 GPT-5 做成萬能科學家。他們要做的，是讓模型與人一起，在認知邊界上試錯。科學研究從象牙塔被拉入產業主戰場。模型廠商、藥企、材料公司、AI科學工具創業者，正在成為這一波加速的受益者。時間軸被改寫，紅利已經在分配。 (AI 深度研究員)