奥特曼谈OpenAI数学投入：数亿美元，还有发现未公开
OpenAI未公开数学发现，AI深度参与科研并推进ASI探索
OpenAI在数学研究上还有没公开的成果？10月29日发布的《Cheeky Pint》访谈里，奥特曼把这层意思讲了出来：公司在数学上的投入，还包含许多尚未对外公布的发现。
主持人John Collison接着追问，那700个证明之外，是否还有别的成果。奥特曼的回答很直接。
他说：有，当然有。
近几个月，OpenAI的数学成果接连引发热议。成果公开之后，研究者动手拆解公开的资料，弄懂其中的思路，并核查推导里的关键步骤。
生物学领域也一样，AI给出的方案已经进了实验室。模型分析数据、提出设计，研究者负责筛选方案、做实验，再把实验结果回传给模型，让它继续改进设计。
从核对数学推导到验证生物学设计，人类和AI正在把每一轮的结果，变成下一步探索的起点。
重大发现要公开
数学家怎么办？
聊到数学研究的投入，主持人给出的量级是数亿美元，奥特曼表示认可。不过他补充说，这笔钱还包括其它没有公开的发现。
这些成果该怎么公开？奥特曼承认这里面有两难。
他的主张是，重大基础科学发现应当公开。奥特曼认为，基础科学知识本就该属于人类，重大科学发现应该向全世界公布。
可科研人员的职业发展和成就感，很大程度上就来自发现本身。他希望找到一种方式，让世界从知识分享中受益，也能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，还得帮研究者读懂思路、核查推导，让这些发现成为后续研究的基础。
数学家正在给AI手稿补什么？
数学研究者在GitHub上发起了一个独立修订项目oai-math-revised。
这个项目由数学研究者发起，协作修订OpenAI公开的数学研究手稿，直指其中一些手稿的两处短板：论述难懂，引用不全。
项目发起方因此把学生、博士后、教授和数学爱好者都拉了进来，一起补文献、顺论述，把能找出的错误尽量识别并修正。
一篇数学论文从AI手里交出来，到成为同行读得懂、查得清、用得上的知识，中间还得靠科研共同体接手。
这些后续工作怎么支撑，也成了成果发布时要一并考虑的事情。
成果发布的方式，OpenAI正在试着调整。
10月26日，公司把当天新公布的相关研究手稿定性为「原始研究数据」，同时介绍了请外部专家牵头、组织团队解释结果等几种不同做法。
OpenAI给这批手稿的定位是「原始研究数据」，并说明相关结果处在不同的验证阶段。
其数学仓库同样写明了这一点：相关结果处于不同验证阶段，其中部分还没有可由计算机检查的形式化证明。
手稿公开只是开头，解释、核查和修订都得接着做。
只有让更多研究者读懂这些结果、确认哪些方法能继续用，新的研究才谈得上在此基础上展开。
每六篇左右
就有一篇披露用了大模型
生物学领域里，研究者已经在主动把大模型用进自己的日常工作。
10月30日，Epoch AI公布了一组生物学预印本统计：
2026年9月受检的4922篇bioRxiv预印本里，846篇披露使用过大模型，占17.19%。
算下来，大约每六篇就有一篇。
生物学预印本中披露使用大模型的比例在持续上升。（图源：Epoch AI）
2025年9月，这一披露比例还是6.40%。一年之后，它已接近同月专用AI工具的18.94%。
披露涉及的环节包括文献、写作、编程和研究分析等工作：
当月有190篇预印本披露把大模型用于研究或分析，占全部受检预印本的3.86%。
按Epoch的分类，这类用途涵盖实验设计、数据标注和统计分析等；写作、文献综述、代码与计算则归入其他用途类别。
Epoch的这组统计说明：大模型已经介入科研的多个环节。
落到一项具体研究上，模型承担了哪些工作，研究者又该如何判断、验证并使用它的输出？
从分析数据
到接上实验反馈
近期公开的两项合作，展示了人与AI怎样接力把研究往前推。
10月21日，OpenAI、PerturbAI和Scripps Research公布了一项合作：
数千个智能体由GPT-Rosalind驱动，分头去分析已有的实验数据，这些数据来自数百万个小鼠脑细胞。
按照团队的说法，这轮数据分析和解释一共花掉32分钟。
每个智能体盯住一种基因扰动，先分析细胞反应，再去查相关文献，然后给出解释。
这些分析结果最后汇总成一份推理图谱，基因、细胞变化以及可能的生物机制在其中被串联起来。
研究者顺着这份图谱走，可以挑出接下来要验证的线索，继续设计实验。
线索有了，下一步还得让实验本身给出反馈。
另一项研究里，生物技术公司Generate Biomedicines正借助AI设计蛋白质、开发药物。
10月27日，该团队公布了用Claude Code改造CAR-T受体的进展，目标是缩短受体内部负责传递信号的那部分，同时保住原有功能。
图为不同CAR受体的结构对比，灰色横带表示细胞膜。（图源：Generate Biomedicines）
CAR受体相当于T细胞的「识别和启动装置」：朝外的部分负责识别目标，朝内的部分负责传递信号，促使T细胞作出反应。
研究者从模型参与设计的方案里挑出186个，先做第一轮实验。结果出来后再交回系统，让它继续改方案、继续做实验。
三轮设计和筛选下来，团队拿到一个信号结构，只由45个氨基酸组成，比作为对照的第二代CAR信号结构短了约70%。
团队报告称，体外实验中，在相同剂量的mRNA下，采用新设计的T细胞表面出现的CAR受体更多，杀伤目标细胞的能力也维持得更久。
这套设计并非一次成型，而是一轮轮实验反馈中逐步改出来的。
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涉足的科研环节越来越多。
它去找线索、提设计，再依据验证结果调整方案。
把目光投向人工超级智能（ASI），另一个问题就冒出来了：AI做出的科研成果，能不能反过来加快AI自身的研发？
2025年，Google DeepMind已经披露过：AlphaEvolve把Gemini训练中的一项计算内核提速23%，整体训练时间因此缩短1%。
AlphaEvolve找到的算法优化，已被用来提升Gemini的训练效率。（图源：Google DeepMind）
由AI提出、并经过验证的优化方案，已经用于改进模型训练。
再往前走一步，假如系统能自己研发出更强的下一代系统，下一代又接着推动AI研发，RSI（递归自我改进）所设想的循环就转起来了。
这样的循环若能一直转下去，或许会成为通往ASI的一股推力。
从一次局部优化，到持续催生新发现，这条路还有不少可能。
迈向ASI的路上，人和AI未来的协作方式，可能今天根本想不到。
这些变化或许就始于一次次试验——想法验证得更快，发现确认得更扎实，下一位研究者也能更早动手开辟新方向。
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
