数亿美元做数学！奥特曼：OpenAI还有发现没公开
10月29日发布的《Cheeky Pint》访谈里，奥特曼透露：OpenAI在数学研究上的投入，还涵盖了许多尚未公开的发现。
模型分析数据、提出设计，研究者筛选方案、开展实验，再把实验结果反馈给模型，继续改进设计。
从核对数学推导，到验证生物学设计，人类与AI正在把每一轮的结果，变为下一步探索的起点。
他希望找到一种方式，既让世界受益于知识的分享，也能够长期推动这些领域的研究者继续参与未来的科研。
成果公开之后，还需要帮助研究者读懂思路、核查推导，让这些发现成为后续研究的基础。
在GitHub上，数学研究者发起了独立修订项目oai-math-revised。
数学研究者发起oai-math-revised项目，协作修订OpenAI公开的数学研究手稿。
AI交出一篇数学论文，科研共同体还要把它变成别人读得懂、查得清、用得上的知识 。
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。
其数学仓库也明确说明，相关结果处于不同验证阶段，部分尚未附有可由计算机检查的形式化证明。
2026年9月受检的4922篇bioRxiv预印本中，846篇披露使用过大模型，占17.19%。
2025年9月，这个披露比例为6.40%。一年后，它已接近同月专用AI工具的18.94%。
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，则分别列入其他用途类别。
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，分头分析来自数百万小鼠脑细胞的已有实验数据。
在另一项研究中，生物技术公司Generate Biomedicines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，他们想把受体内部传递信号的部分缩短，同时保留功能。
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）
研究者从模型参与设计的方案中，挑出186个做首轮实验。结果出来后，再交给系统，继续修改方案、做实验。
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。
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，能不能反过来加速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）
再往前一步，如果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，就形成了RSI（递归自我改进）所设想的循环。
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。
https://cheekypint.transistor.fm/39/tran
https://epoch.ai/data-insights/biorxiv-llms-vs-ai-tools
https://openai.com/index/building-scientific-understanding-with-academic-communities/?utm_source=chatgpt.com