OpenAI還有數學發現沒公開？
10月29日發佈的《Cheeky Pint》訪談裡，奧特曼透露：OpenAI在數學研究上的投入，還涵蓋了許多尚未公開的發現。
主持人John Collison追問：還有那700個證明之外的成果嗎？
奧特曼回答：
有，當然有。
近幾個月，OpenAI的數學成果接連引爆熱議。
成果公開後，研究者開始拆解公開的資料，理解其中思路，核查推導中的關鍵步驟。
而在生物學領域，AI提出的方案已經走上實驗台。
模型分析資料、提出設計，研究者篩選方案、開展實驗，再把實驗結果反饋給模型，繼續改進設計。
從核對數學推導，到驗證生物學設計，人類與AI正在把每一輪的結果，變為下一步探索的起點。
重大發現要公開
數學家怎麼辦？
談到數學研究的投入，主持人給出了數億美元的量級，奧特曼表示認可。
但他也補充，這筆投入，還包括未公開的其它發現。
至於這些成果該如何公開，奧特曼承認：其中存在兩難。
奧特曼認為，人類理應擁有基礎科學知識，重大科學發現應該向世界公佈。
但科研人員的職業發展和成就感，很大程度上來自發現本身。
他希望找到一種方式，既讓世界受益於知識的分享，也能夠長期推動這些領域的研究者繼續參與未來的科研。
成果公開之後，還需要幫助研究者讀懂思路、核查推導，讓這些發現成為後續研究的基礎。
數學家正在給AI手稿補什麼？
在GitHub上，數學研究者發起了獨立修訂項目oai-math-revised。
這個項目直指OpenAI一些數學手稿的兩處短板：論述難懂，引用不全。
為此，項目發起者邀請學生、博士後、教授和數學愛好者共同參與，補充文獻、理順論述，識別並儘可能修正錯誤。
AI交出一篇數學論文，科研共同體還要把它變成別人讀得懂、查得清、用得上的知識。
如何支援這些後續工作，也成為成果發佈時需要考慮的問題。
OpenAI正在嘗試調整成果的發佈方式。
10月26日，公司將當天新公佈的相關研究手稿定位為「原始研究資料」，並介紹了邀請外部專家牽頭、組織團隊解釋結果等不同做法。
其數學倉庫也明確說明，相關結果處於不同驗證階段，部分尚未附有可由電腦檢查的形式化證明。
手稿公開之後，解釋、核查和修訂還要繼續。
讓更多研究者讀懂這些結果，確認那些方法可以沿用，新的研究才能在此基礎上展開。
每六篇左右
就有一篇披露用了大模型
在生物學領域，研究者正在主動把大模型用進自己的工作。
10月30日，Epoch AI發佈了一組生物學預印本統計：
2026年9月受檢的4922篇bioRxiv預印本中，846篇披露使用過大模型，佔17.19%。
大約每六篇，就有一篇。
生物學預印本的大模型使用披露比例持續上升。（圖源：Epoch AI）
2025年9月，這個披露比例為6.40%。一年後，它已接近同月專用AI工具的18.94%。
這些披露的環節涉及文獻、寫作、程式設計和研究分析等工作：
當月有190篇預印本披露，將大模型用於研究或分析，佔全部受檢預印本的3.86%。
按照Epoch的分類，這包括實驗設計、資料標註和統計分析等；寫作、文獻綜述、程式碼與計算，則分別列入其他用途類別。
Epoch這些統計資料顯示：大模型已經參與科研的多個環節。
具體到一項研究，模型負責那些工作，研究者又怎樣判斷、驗證和使用它的輸出？
從分析資料
到接上實驗反饋
最近公開的兩項合作，展示了人類與AI如何接力推進研究。
10月21日，OpenAI、PerturbAI和Scripps Research公佈了一項合作：
數千個由GPT-Rosalind驅動的智能體，分頭分析來自數百萬小鼠腦細胞的已有實驗資料。
據團隊報告，這輪資料分析與解釋用了32分鐘。
每個智能體圍繞一種基因擾動，分析細胞反應、尋找相關文獻，再提出解釋。
這些分析結果最終匯成一份推理圖譜，把基因、細胞變化和可能的生物機制連在一起。
研究者可以沿著這份圖譜，挑選下一步要檢驗的線索，繼續設計實驗。
有了線索，接下來還得讓實驗給出反饋。
在另一項研究中，生物技術公司Generate Biomedicines正在用AI設計蛋白質、研發藥物。
10月27日，團隊公佈了借助Claude Code改造CAR-T受體的進展，他們想把受體內部傳遞訊號的部分縮短，同時保留功能。
CAR受體像T細胞的「識別和啟動裝置」：細胞外的部分識別目標，細胞內的部分傳遞訊號，讓T細胞作出反應。
研究者從模型參與設計的方案中，挑出186個做首輪實驗。結果出來後，再交給系統，繼續修改方案、做實驗。
經過三輪設計和篩選，團隊得到一個僅由45個氨基酸組成的訊號結構，比用作對照的第二代CAR訊號結構短約70%。
團隊報告在體外實驗中，使用相同劑量的mRNA，採用新設計的T細胞表面出現了更多CAR受體，殺傷目標細胞的能力也維持得更久。
這套設計，是在一輪輪實驗反饋中逐步改出來的。
AI科研
能通向ASI嗎？
從一行行數學推導到一輪輪生物學實驗，AI正在進入科研的更多環節。
它尋找線索、提出設計，再根據驗證結果調整方案。
如果我們把目光投向人工超級智能（ASI），另一個問題隨之浮現：AI做出的科研成果，能不能反過來加速AI自身的研發？
早在2025年，Google DeepMind已披露：AlphaEvolve將Gemini訓練中的一項計算核心提速23%，使整體訓練時間縮短1%。
由AI提出、經過驗證的最佳化方案，已經用來改進模型訓練。
再往前一步，如果系統能夠自主研發更強的下一代系統，再由下一代繼續推動AI研發，就形成了RSI（遞迴自我改進）所設想的循環。
這樣的循環若能持續，可能成為邁向ASI的一股推動力。
從一次局部最佳化，到持續推動新的發現，這條路仍有許多可能。
面向ASI的未來，人類與AI或許會以今天難以想像的方式共同探索。
而這一切，也許就從一次次嘗試開始：更快地驗證一個想法，更嚴謹地確認一項發現，讓下一位研究者更早開啟新的探索。 (新智元)