OpenAI 披露 GPT-5 科研實驗：攻克數學難題、數分鐘揪出免疫機制

科學家卡在一個未解難題的最後一步幾個月甚至幾年，這種痛苦搞科研的人都懂。OpenAI 最近聯手牛津、劍橋、伯克利和勞倫斯利弗莫爾等頂尖高校與國家實驗室，發了一篇論文，專門講他們怎麼用 GPT-5 幫科學家搬開這些絆腳石。

這篇論文整理了數學、生物、物理和計算機等多個學科的一線案例。這不是給論文潤色文字，而是實打實參與到了前沿科研的核心推演中。

幫數學家攻堅，替免疫學家猜機制

最顯眼的一個成果在純數學領域。研究員 Mehtaab Sawhney 和 Mark Sellke 當時正在啃數學家保羅·埃爾德什幾十年前留下的一道未解難題。兩人卡在最後一步動彈不得，結果 GPT-5 提出了一個新思路，指出了某個奇數是如何打破原有規律的，順著這個提示，他們最終把整個證明補全了。

在生物學上也是類似的故事。Derya Unutmaz 的團隊困惑於人類免疫細胞裡的一種奇怪變化，苦思冥想了幾個月都沒頭緒。他們把一張還沒發表的圖表丟給 GPT-5，模型幾分鐘內就猜出了可能的生物機制，甚至直接設計了一個實驗方案，後來實驗還真做成了。

另外在演算法與最佳化領域，研究人員 Sébastien Bubeck 和 Christian Coester 想測試機器人和路徑規劃裡常用的某種決策方法到底靠不靠譜。GPT-5 直接構造出一個全新的具體反例，證明這套方法在某些情況下會失效，順手還改進了一個經典的最佳化理論結果。

除了硬核解題，研究人員發現它在文獻檢索上也變聰明了。它不再只是對關鍵詞做全文匹配，而是能在不同語言和冷門文獻之間做概念層面的跳躍關聯，幫學者翻出之前完全不知道的相關論文。

還沒到放手讓它自跑的時候

不過 OpenAI 自己也把話說得很剋制。論文裡展示的案例全都是精挑細選的成功樣本，根本算不上系統性評測，更沒把模型踩坑翻車的全貌呈現出來。

現在的 GPT-5 離獨立搞科研差得還很遠。它經常會煞有介事地捏造論文引用，胡編看似合理但完全錯誤的生物機制或數學證明；如果一開始沒有給它做好問題鋪墊，它還會順著錯誤的邏輯一路跑偏。

說白了，它現在必須綁著頂級專家一起用。專家負責定方向、提要求、挑刺和下地做溼實驗驗證，模型負責提供發散的腦洞和高速並行推演，誰也離不開誰。

為什麼重要

我們認為，OpenAI 這次展示的思路挺聰明。過去幾年做 AI for Science 的團隊大多扎堆在專用模型裡，比如預測蛋白質結構的 AlphaFold 或是專門做流體模擬的小模型。OpenAI 換了一條路，用通用大模型的跨領域概念聯想能力，去填補專家思維裡的盲區，再結合專用的代數系統或模擬工具。

對一線科研人員來說，如果你平時深陷在複雜的推導或者冷門文獻裡，現在完全值得把大模型拉進工作流，當成一個不知疲倦的討論搭子。但它的門檻極高，使用者必須具備一眼識破模型胡說八道的能力，否則就會被幻覺帶進溝裡。

隱患也恰恰在這裡。科學研究容不得半點虛假，模型這種看起來頭頭是道但暗藏漏洞的生成能力，很可能會生產出大量看似嚴謹實則有毒的低劣科研垃圾。未來學術界可能不得不把大量精力花在防範 AI 製造的假證明和假機制上。

看起來，只要把推演時間和算力拉長，未來模型能做的事情還會更多。但至少在當下，它依然只是一把極其鋒利、卻隨時可能劃傷自己的快刀。