OpenAI奥特曼：数亿美元投入后仍有未公开数学发现，科研共同体正协助修订手稿

在10月29日发布的《Cheeky Pint》访谈中，OpenAI首席执行官山姆·奥特曼透露，公司在数学领域的巨额投入不仅带来了已公开的成果，还包含许多尚未公开的发现。面对主持人关于除700个证明外是否还有其他成果的追问，奥特曼明确表示确实存在此类内容，并承认将如何公开这些发现面临着平衡知识共享与研究人员职业成就感的双重挑战。近年来，OpenAI的数学与生物学成果接连引发热议。在数学领域，研究者正在GitHub上发起独立修订项目oai-math-revised，针对OpenAI公开手稿中论述难懂和引用不全的问题进行协作修订。该项目邀请学生、博士后及教授共同参与，旨在补充文献、理顺逻辑并修正错误，推动原始数据向可验证的知识转化。10月26日，OpenAI将当天公布的相关研究手稿定位为「原始研究数据」，并在其数学仓库中说明相关结果处于不同验证阶段，部分尚未附带可由计算机检查的形式化证明。公司正尝试调整发布方式，邀请外部专家牵头组织团队解释结果，并计划通过后续机制帮助全球研究者读懂思路、核查推导，为新的探索奠定基础。在生物学领域，大模型的应用比例正在快速上升。根据10月30日Epoch AI发布的统计数据显示，截至2026年9月受检的4922篇bioRxiv预印本中，有846篇披露使用了大模型，占比达17.19%，约每六篇中就有一篇涉及此类工具的使用。这些应用涵盖了文献写作、编程、数据标注及统计分析等多个科研环节。最新的合作案例展示了人类与AI接力推进研究的模式。OpenAI与PerturbAI、Scripps Research于10月21日公布的合作项目，利用数千个由GPT-Rosalind驱动的智能体分析了数百万小鼠脑细胞的实验数据，仅用32分钟便生成了将基因变化与生物机制相连的推理图谱，供研究者筛选下一步验证线索。生物技术公司Generate Biomedicines也展示了AI在药物研发中的闭环能力。10月27日，该团队公布了借助Claude Code改造CAR-T受体的进展，通过三轮设计筛选获得了一个仅由45个氨基酸组成的信号结构，长度较对照组短约70%。实验结果表明，新设计在相同mRNA剂量下能表达更多受体并维持更久的杀伤能力，这一过程完全基于实验反馈的迭代优化。关于AI科研是否能通向人工超级智能（ASI），Google DeepMind早在2025年便披露了AlphaEvolve的成果：该工具将Gemini训练中的一项计算内核提速23%，使整体训练时间缩短1%。这种由AI提出并经验证的优化方案已直接用于提升模型效率，若系统能持续自主研发更强的下一代系统，或将形成递归自我改进（RSI）循环，推动人类向ASI迈进。从数学推导的核查到生物学设计的实验反馈，以及AI对自身训练效率的提升，人类与AI正通过不断尝试与验证，共同探索科学发现的边界。每一次对原始数据的深入解读和每一个基于实验反馈的方案修正，都可能成为开启新探索领域的起点。