OpenAI未公开数学成果待解读，AI科研或指向ASI

近期，人工智能在科研领域的进展引发广泛关注，其中OpenAI在数学研究上的投入备受瞩目。在一次公开访谈中，相关负责人被问及除已公开的700个数学证明外，是否还有其他成果，他明确给出了肯定答复，并透露OpenAI在数学研究上的投入，还涵盖了许多尚未公开的发现。

随着OpenAI的数学成果陆续公开，不少研究者开始拆解这些资料，试图理解推导思路并核查关键步骤。不过，公开的数学手稿存在论述难懂、引用不全的问题，为此，有数学研究者在GitHub上发起了名为“oai-math-revised”的协作项目，邀请学生、博士后、教授及数学爱好者共同参与，补充相关文献、理顺论述逻辑，并尽可能修正其中的错误。

针对这些问题，OpenAI也在调整成果的发布方式，将新公布的研究手稿定位为“原始研究数据”，并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。只有当更多研究者能够读懂这些结果、确认方法的可用性后，新的研究才能在此基础上顺利展开。

除了数学领域，人工智能在生物学科研中的应用也日益普及。据行业观察的统计数据显示，2026年9月，受检的数千篇生物预印本中，有近17%的论文披露使用了大模型，相当于每六篇论文中就有一篇涉及大模型的应用。而在一年前，这一比例仅为6.4%，目前已接近同期专用AI工具的应用比例。

这些大模型的应用覆盖了科研的多个环节，包括实验设计、数据标注、统计分析、文献综述、代码编写等。具体到不同研究，模型承担的工作各不相同，研究者需要对模型的输出进行判断、验证，再将结果反馈给模型，推动其不断优化。

近期公开的两项合作案例，展现了人类与人工智能协同推进科研的模式。其一，相关机构联合开展的研究中，数千个由特定大模型驱动的智能体，仅用32分钟就完成了数百万小鼠脑细胞实验数据的分析与解释，每个智能体围绕一种基因扰动展开分析，最终形成了连接基因、细胞变化与生物机制的推理图谱，研究者可据此挑选下一步的实验线索。

另一项案例中，生物技术团队借助大模型设计蛋白质，用于研发药物。团队通过多轮设计与筛选，成功将CAR-T受体内部传递信号的结构缩短至仅45个氨基酸，相比对照的第二代结构缩短了约70%。体外实验显示，采用新设计的T细胞表面的CAR受体数量更多，杀伤目标细胞的能力也维持得更久，这一成果是在多轮实验反馈中逐步优化而来的。

人工智能在科研中的应用，也引发了关于其能否推动人工超级智能（ASI）发展的思考。此前有披露显示，某机构研发的AI系统曾优化了大模型的计算内核，使训练时间缩短了1%。如果未来能够形成AI自主研发更强系统、新系统再推动AI研发的循环，可能成为迈向人工超级智能的重要推动力。从局部优化到持续发现，这条道路仍有诸多可能，人类与AI的协同探索，或许会在未来带来更多意想不到的突破。