奥特曼称 OpenAI 仍有未公开数学发现,科研发布与验证难题浮现

奥特曼称 OpenAI 仍有未公开数学发现,科研发布与验证难题浮现

N
News Editor
2026-11-02 00:19:13
Sam Altman 在 10 月 29 日的《Cheeky Pint》访谈中表示,OpenAI 在数学研究上的投入达到数亿美元,且除已公开内容外仍有未披露发现。OpenAI 同时调整研究发布方式,将部分手稿定义为「原始研究数据」,并承认结果处于不同验证阶段。另一边,Epoch AI 统计显示,2026 年 9 月 bioRxiv 预印本中有 846 篇披露使用大模型,占比 17.19%。从数学推导核查到生物实验迭代,AI 正进入科研更多环节。

OpenAI 首席执行官 Sam Altman 表示,公司在数学研究上的投入不只对应已经公开的成果,仍有一些发现尚未对外披露。

奥特曼称 OpenAI 仍有未公开数学发现,科研发布与验证难题浮现 2

在 10 月 29 日发布的《Cheeky Pint》访谈中,主持人 John Collison 追问,除了外界已知的「700 个证明」之外,是否还有别的成果。Altman 回答:「有,当然有。」

数亿美元投入之外,还有未公开成果

谈到 OpenAI 对数学研究的投入时,主持人给出的量级是数亿美元,Altman 表示认可。但他同时补充,这笔投入还包括一些尚未公开的发现。

Altman 说,重大基础科学发现应当公开。按他的说法,人类理应拥有基础科学知识,重要科学成果应该向世界公布。

不过,他也提到其中存在两难。科研人员的职业发展和成就感,很大程度上来自发现本身。如何在知识共享与研究者持续投入之间找到平衡,仍是一个现实问题。

在他看来,成果公开之后,工作并没有结束。研究者还需要帮助同行读懂思路、核查推导,让这些发现真正成为后续研究的基础。

奥特曼称 OpenAI 仍有未公开数学发现,科研发布与验证难题浮现 3

数学手稿公开后,修订和核查仍在继续

OpenAI 近期公开数学成果后,研究者开始拆解已发布资料,理解其中思路,并核查推导中的关键步骤。

在 GitHub 上,数学研究者发起了独立修订项目 oai-math-revised,协作修订 OpenAI 公开的数学研究手稿。

该项目指出 OpenAI 一些数学手稿存在两处短板:论述难懂、引用不全。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,并识别和尽可能修正错误。

这也意味着,AI 交出一篇数学论文后,科研共同体还要继续把它变成别人读得懂、查得清、用得上的知识。如何支持这些后续工作,也成为成果发布时需要考虑的一部分。

10 月 26 日,OpenAI 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做法。

奥特曼称 OpenAI 仍有未公开数学发现,科研发布与验证难题浮现 4

OpenAI 还说明,这些结果处于不同验证阶段。其数学仓库也明确写道,部分结果尚未附有可由计算机检查的形式化证明。

手稿公开之后,解释、核查和修订并未停止。只有让更多研究者读懂这些结果,确认哪些方法可以沿用,新的研究才可能在此基础上展开。

Epoch AI:bioRxiv 预印本中 17.19% 披露使用大模型

在生物学领域,研究者已经主动把大模型纳入自己的工作流程。

10 月 30 日,Epoch AI 发布了一组生物学预印本统计。数据显示,在 2026 年 9 月受检的 4922 篇 bioRxiv 预印本中,有 846 篇披露使用过大模型,占比 17.19%。按这一比例计算,大约每 6 篇就有 1 篇。

作为对比,2025 年 9 月这一披露比例为 6.40%。一年后,这一数字已接近同月专用 AI 工具的 18.94%。

奥特曼称 OpenAI 仍有未公开数学发现,科研发布与验证难题浮现 5

这些披露覆盖的环节包括文献、写作、编程和研究分析等工作。

其中,当月有 190 篇预印本披露将大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,这部分用途包括实验设计、数据标注和统计分析;写作、文献综述、代码与计算则被列入其他用途类别。

这组统计显示,大模型已经进入科研流程的多个环节。具体到单项研究,模型负责哪些工作,研究者又如何判断、验证并使用它的输出,仍是实际研究中的关键问题。

从数据分析到实验反馈,AI 参与生物研究迭代

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用了 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,再提出解释。最终,这些分析结果被汇总成一份推理图谱,把基因、细胞变化和可能的生物机制连接起来。

奥特曼称 OpenAI 仍有未公开数学发现,科研发布与验证难题浮现 6

研究者可以沿着这份图谱,挑选下一步要检验的线索,继续设计实验。

另一项研究来自生物技术公司 Generate Biomedicines。该公司正在用 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。研究目标是缩短受体内部传递信号的部分,同时保留功能。

CAR 受体可以理解为 T 细胞的「识别和启动装置」:细胞外部分负责识别目标,细胞内部分负责传递信号,触发 T 细胞作出反应。

研究者从模型参与设计的方案中,挑出 186 个进入首轮实验。结果出来后,再把数据交回系统,继续修改方案并开展实验。

奥特曼称 OpenAI 仍有未公开数学发现,科研发布与验证难题浮现 7

经过 3 轮设计和筛选,团队得到一个仅由 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,杀伤目标细胞的能力也维持得更久。

这套设计并非一次完成,而是在一轮轮实验反馈中逐步改出来的。

AI 科研能否反过来加速 AI 研发

从数学推导到生物学实验,AI 正在进入科研的更多环节:寻找线索、提出设计,再根据验证结果调整方案。

围绕人工超级智能(ASI),一个更进一步的问题也随之出现:AI 产出的科研成果,能否反过来加速 AI 自身的研发。

奥特曼称 OpenAI 仍有未公开数学发现,科研发布与验证难题浮现 8

文中提到,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%。

这意味着,由 AI 提出并经过验证的优化方案,已经被用于改进模型训练效率。

如果再往前一步,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,就会形成 RSI(递归自我改进)所设想的循环。

原文认为,这样的循环若能持续,可能成为迈向 ASI 的一股推动力。

不过,至少从当前公开案例来看,AI 在科研中的角色仍建立在公开、解释、核查、实验验证和持续修订这些环节之上。无论是数学手稿还是生物设计,结果要真正进入后续研究,仍离不开研究共同体的参与。

本文最初由 Bit.Fan 发布。 欲了解更多加密货币新闻与市场洞察,请访问 www.bit.fan.
8900

免责声明:

本平台展示的市场信息、项目资料与第三方内容仅用于行业信息分享,不构成任何形式的投资建议或收益承诺。

加密资产交易具有较高风险,用户应充分评估自身风险承受能力并独立作出决策,相关盈亏及法律责任由用户自行承担。

奥特曼称 OpenAI 仍有未公开数学发现,科研发布与验证难题浮现 | Bit.Fan