在《Cheeky Pint》10月29日发布的访谈中，奥特曼透露，OpenAI在数学领域的投入，还包括一些尚未公之于众的发现。

主持人John Collison追问：除了那700个证明，还有别的成果吗？

奥特曼回应：有，确实有。

近几个月，OpenAI的数学突破接连成为热点。

成果公开后，研究人员开始剖析公开的材料，领会其中的逻辑，验证推导过程中的关键环节。

而在生物领域，AI设计的方案已经进入了实验阶段。

模型分析数据、提出构想，研究人员筛选方案、执行实验，再将实验结果反馈给模型，持续优化设计。

从核对数学推导，到验证生物设计，人类与AI正将每一轮的结果，转化为下一轮探索的基石。

重大发现需公开 数学家何去何从？

谈到数学研究的资金投入，主持人提到了数亿美元的规模，奥特曼对此表示认同。

但他也指出，这笔资金还涵盖了其他未公开的发现。

至于这些成果如何公开，奥特曼承认，这存在一个两难局面。

奥特曼主张，基础科学领域的重大发现应该向公众开放。

奥特曼认为，人类有权获取基础科学知识，重大科学发现应当向全球公布。

但科研人员的职业发展和成就感，很大程度上源于他们的发现本身。

他希望找到一种方法，既能让世界受益于知识共享，也能长期激励这些领域的研究者继续参与未来的科研。

成果公开后，还需要协助研究人员理解思路、验证推导，让这些发现成为后续研究的基础。

数学家正在为AI手稿补充什么？

在GitHub上，数学研究人员发起了一个独立修订项目，名为oai-math-revised。

数学研究人员发起了oai-math-revised项目，共同修订OpenAI公开的数学研究手稿。

该项目直指OpenAI部分数学手稿的两个短板：论述晦涩难懂，引用不够完整。

为此，项目发起者邀请学生、博士后、教授和数学爱好者共同参与，补充参考文献、理清论述逻辑，识别并尽可能修正错误。

AI提交一篇数学论文后，科研共同体还需将其转化为他人能读懂、可查证、能应用的知识。

如何支持这些后续工作，也成为成果发布时需考虑的问题。

OpenAI正在尝试调整成果的发布方式。

10月26日，公司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不同做法。

OpenAI将这些手稿定位为“原始研究数据”，并说明相关结果处于不同的验证阶段。

其数学仓库也明确指出，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。

手稿公开后，解释、核查和修订工作仍需继续。

让更多研究人员读懂这些结果，确认哪些方法可以沿用，新的研究才能在此基础上展开。

每六篇左右 就有一篇披露使用了大模型

在生物领域，研究人员正主动将大模型融入自己的工作。

10月30日，Epoch AI发布了一组生物学预印本统计数据：

在2026年9月受检的4922篇bioRxiv预印本中，有846篇披露使用了大型语言模型，占比17.19%。

大约每六篇中就有一篇。

生物学预印本中披露使用大型语言模型的比例持续上升。（图源：Epoch AI）

2025年9月，这一披露比例为6.40%。一年后，它已接近同月专用AI工具的18.94%。

这些披露涉及的环节包括文献回顾、写作、编程和研究分析等：

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%。

根据Epoch的分类，这包括实验设计、数据标注和统计分析等；写作、文献综述、代码与计算等，则分别归入其他用途类别。

Epoch的这些数据显示：大模型已参与科研的多个环节。

具体到一项研究，模型负责哪些工作，研究人员又如何判断、验证并利用其输出？

从分析数据 到接入实验反馈

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现有实验数据。

据团队报告，这轮数据分析与解释耗时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，并提出解释。

这些分析结果最终汇总成一张推理图谱，将基因、细胞变化和可能的生物机制联系起来。

研究人员可以依据这张图谱，挑选下一步要验证的线索，继续设计实验。

有了线索，接下来还需让实验提供反馈。

在另一项研究中，生物技术公司Generate Biomedicines正利用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，他们希望缩短受体内部传递信号的部分，同时保留其功能。

不同CAR受体的结构对比，图中灰色横带代表细胞膜。（图源：Generate Biomedicines）

CAR受体如同T细胞的“识别和启动装置”：细胞外的部分识别目标，细胞内的部分传递信号，促使T细胞做出反应。

研究人员从模型参与设计的方案中，挑选出186个进行首轮实验。结果出来后，再交给系统，继续修改方案、执行实验。

经过三轮设计和筛选，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，且杀伤目标细胞的能力维持得更久。

这套设计是在一轮轮实验反馈中逐步优化出来的。

AI科研 能通向ASI吗？

从一行行数学推导到一轮轮生物学实验，AI正进入科研的更多环节。

它寻找线索、提出设计，再根据验证结果调整方案。

如果我们把目光投向人工超级智能（ASI），另一个问题随之浮现：AI做出的科研成果，能否反过来加速AI自身的研发？

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%。

AlphaEvolve发现的算法优化，已被用于提升Gemini的训练效率。（图源：Google DeepMind）

由AI提出、经过验证的优化方案，已用于改进模型训练。

再进一步，如果系统能够自主研发出更强的下一代系统，再由下一代继续推动AI研发，就形成了RSI（递归自我改进）所设想的循环。

这样的循环若能持续，可能成为迈向ASI的一股推动力。

从一次局部优化，到持续推动新发现，这条路仍有诸多可能。

面向ASI的未来，人类与AI或许会以今天难以想象的方式共同探索。

而这一切，也许就从一次次尝试开始：更快地验证一个想法，更严谨地确认一项发现，让下一位研究者更早开启新的探索。

参考资料：

https://cheekypint.transistor.fm/39/transcript

https://www.theverge.com/ai-artificial-intelligence/1023054/altman-cheeky-pint-ai-math-interview

https://epoch.ai/data-insights/biorxiv-llms-vs-ai-tools

https://openai.com/index/building-scientific-understanding-with-academic-communities/?utm_source=chatgpt.com

本文来自微信公众号“新智元”，作者：ASI启示录，编辑：元宇，36氪经授权发布。