AI協助科學研究：GPT-5加速實驗創新，打造由人工智能驅動的平臺

科學塑造了從人類健康、能源生產到對宇宙的理解的方方面面。如果人工智能能夠加速科學發展——縮短產生新想法或從想法到經過驗證的結果的時間——那么這些益處將在社會中疊加。

但在這里，創新的開發速度依舊是一個限制。即使有了好的創意，將其轉化為實際產品也需要一定時間。在近期調查中，60% 的美國人表示科學和醫學突破傳達得太慢；73% 的人表示我們需要更好的方法來加快發現進程；69% 的人將科學領導力視為人類的首要任務。

在 OpenAI 與范德堡大學、加州大學伯克利分校、哥倫比亞大學、牛津大學、劍橋大學、勞倫斯利弗莫爾國家實驗室和杰克遜實驗室等大學和國家實驗室合作者共同撰寫的論文「Early science acceleration experiments with GPT-5」中，他們詳細闡述了 GPT-5 幫助研究人員以新穎方式綜合已知結果，進行有力的文獻綜述，加速艱難計算，甚至生成未解命題的新證明。

相關信息：https://openaiglobalaffairs.substack.com/p/speeding-up-science-with-corrected

這些案例研究表明，在專家手中，GPT-5 正在加速科學發現，以及為什么這種加速很重要：

• 生物學：由 Derya Unutmaz 醫學博士領導的一項研究中，科學家們花費數月時間試圖解釋人類免疫細胞中一個令人費解的變化。GPT-5 在幾分鐘內從一份未發表的圖表中識別出可能的機制，并提出了一項實驗來證明它。這種速度可以幫助研究人員更快地理解疾病，并開發出更好的治療方法。
• 數學：另一個案例中，研究人員 Mehtaab Sawhney 和 Mark Sellke 正在解決由 Paul Erd?s 最初提出的、持續數十年的開放性問題。他們卡在了最后一步，而 GPT-5 貢獻了一個關于某個奇數如何打破模式的新想法，幫助他們完成了證明。這樣的進展加強了眾多算法和安全性技術最終所依賴的數學基礎。
• 算法與優化：研究人員 Sébastien Bubeck 和 Christian Coester 正在測試一種在機器人和路徑規劃中常用的決策方法，以求證它是否像人們所假設的那樣可靠。GPT-5 發現了一個新的、清晰的例子，表明該方法可能會失敗，并改進了優化中的一個經典結果，即用于確定解決問題最佳方法的數學方法。這類進展有助于工程師更好地理解機器人和路徑規劃中使用的決策系統以及其他現實應用中的決策系統。

OpenAI for Science 是什么？

OpenAI for Science 的使命是加速科學發現：幫助研究人員探索更多想法，更快地測試假設，并發現原本需要大量時間才能揭示的見解。這需要 OpenAI 團隊通過將前沿模型與合適的工具、工作流程和合作相結合來實現這一目標。

團隊為了獲取模型的評估，通常會與學術界、工業界和國家實驗室的研究人員緊密合作，從文獻綜述和證明生成到建模、模擬和實驗設計這些反饋中獲取改進的方向。

這其中的方法結合了兩種互補的信念。專業的科學工具與擴展基礎模型。前者對于效率和精確性至關重要。后者則解鎖全新的推理能力：跨領域連接思想、勾勒證明、提出機制等。團隊希望使用者在專業工具可用的時候積極采納；對于那些需要一般推理的，團隊也在構建針對性模型，這兩者是相互強化的。

GPT-5 在科學工作中的當前狀態

科學家設定如下議程：定義問題、選擇方法、批判思想并驗證結果。在這個過程中，GPT-5 貢獻了廣度、速度以及在并行探索許多方向的能力；研究人員學習如何提出問題、何時提出異議、如何將問題分解為步驟，以及什么需要獨立驗證。這就像迭代——對話并反饋直到放棄或給出解答。

早期研究中，專家使用 GPT-5 似乎能夠縮短研究工作流程的部分環節。它不會自主運行項目或解決科學問題，但它可以擴展探索的廣度，并幫助研究人員更快地接近正確結果。

一項新興的能力是概念性文獻檢索。GPT-5 通常能夠識別思想之間的深層關系，并跨語言和難以獲取的來源檢索相關材料。在數學和理論計算機科學領域，GPT-5 可以在幾分鐘內生成可行的證明大綱，將原本可能需要數天或數周的工作轉變為高效完成。在生物學和其他經驗科學中，該模型可以提出機制并設計實驗，以在濕實驗室中驗證這些假設。

實驗中的案例研究

GPT-5 能在科學前沿重新發現已知結果，比如說，尋求數學中的優化。它協助探討了梯度下降訪問的值序列在隨時間形成凸曲線（沒有凹陷的曲線）的情況，并給出了一個更清晰、更標準的證明，甚至從頭推導出了最優界限。

相關鏈接：https://arxiv.org/abs/2503.10138

此外，它還能將一個新的幾何結果與其他領域聯系起來。它指出了與一個凸幾何中的得證定理相關的密度估計、學習理論和多目標優化方面的工作，并提出了具體的參考文獻，有些甚至連提問者都未曾見過。

同樣，GPT-5 也可以作為合作伙伴，在多個組合學案例中，GPT-5 迅速發現候選結構中的缺陷或遺漏的情況，并提出了更簡單的替代方案或反例；在其他情況下，它停滯不前或未能取得進展。盡管這未能達到提問者對于完全合著的標準，其在壓縮時間等方面上還是卓有成效。

局限性與下一階段發展

專家監督仍然至關重要。GPT-5 有時會虛構看似合理的引用、機制或證明；它可能對框架搭建和預熱問題敏感；有時會忽略特定領域的細微之處；若未得到糾正，它還可能遵循無益的推理路徑。對于這些活躍的研究領域，研發團隊正與合作伙伴合作，在優化未來系統時測量并緩解這些缺陷。

綜合來看，這些早期研究表明，GPT-5 開始幫助進行新型科學工作。該模型并非自主，但在專家手中，它可以幫助證明定理、重新發現和擴展結構、揭示跨領域的聯系，并為科學家生成機制和實驗以進行驗證。

可以看到，這些系統隨著時間的推移和計算能力的提升而不斷改進。如果 GPT-5 能夠在 20 分鐘內對某些研究問題提供有意義的幫助，團隊預計模型的推理效果將會隨著時間而遞增。結合世界一流的科學家，這指向了科學生產力隨時間發生飛躍式進步的可能性。