科研自动化！ openai新模型Astra解决了10个科学开放问题的意义 如果今天公布内测信息OpenAI的Astra真的解决了数学、量子复杂性和理论计算机科学中的10个重大开放问题，那么真正重要的不是“解决了10道题”，而是AI可能已经跨过了原创科学发现的能力门槛。 这些问题横跨高维几何、群论、算子代数、复杂度理论、量子复杂性、格理论、编码理论和组合数学。其中不少属于菲尔兹奖长期关注的数学方向，及理论计算机科学几十年来最核心的开放问题。真正令人震撼的不是单个问题，而是同一个系统跨越多个学科完成原创研究。 这意味着模型获得的不是某个领域的知识，而是一套更底层的科研能力：能够发现新的证明、构造新的数学对象、在巨大的搜索空间中寻找正确路径、长期保持数百页推导的一致性，并创造新的证明工具和Reduction。这已经不是回答问题，而是开始创造知识。 其中最值得关注的例子之一，是首次证明Closest Vector Problem（CVP）和Nearest Codeword Problem（NCP）即使允许多项式级误差近似，仍然是NP-hard。过去人们知道精确求解困难，也知道部分近似困难，但这次首次把困难性推进到了多项式近似因子。更重要的是，它采用了全新的Reed–Solomon编码方法，而不是沿用过去几十年的证明框架。这说明模型不仅能够完成长证明，更可能已经开始创造新的数学工具和跨领域方法。 astra这些能力并不仅限于这些学科，而属于科学发现本身。 科研本质上都包含相同的循环： 发现规律 → 提出假说 → 设计方案 → 验证 → 提炼理论 → 再次发现。 这次的10个问题只是这个循环中最容易验证的特例。 因此，这些能力理论上可以迁移到大量科学领域。 在材料科学中，模型可能不仅搜索新材料，还能自动发现决定材料性能的隐藏变量，提出新的结构—性能理论，设计新的催化剂、电池材料和超导材料，并指导下一轮实验。 在生命科学中，它可能不仅预测蛋白结构，而是逐渐理解基因调控网络、细胞程序和疾病机制，自动提出新的药物靶点、蛋白设计和实验方案，将零散实验总结为统一理论。 在超导研究中，最大的价值可能不是找到一个新材料，而是提出新的配对机制、有效理论和设计原则。目前高温超导最大的困难不是不会计算，而是不知道真正的物理机制。如果模型能够不断从模拟和实验中提炼规律，它可能帮助建立新的理论框架，而不仅是筛选材料。 在核聚变中，模型可以参与等离子体控制、磁场优化、反应堆结构设计和新的运行模式发现。聚变本质上是一个超大规模动态控制问题，而不是单纯材料问题。 在量子计算中，迁移路径更加直接。数学能力可以用于设计新的量子算法、量子纠错码、量子复杂度证明、量子芯片布局以及新的编码结构，而图片中的成果本身就已经涉及量子复杂性理论。 这些领域真正的瓶颈并不是计算能力，而是科研循环速度。 过去，一个循环往往需要： 提出假说 → 做实验 → 等几个月 → 失败 → 再重新猜。 接下来AI将越来越快的完成： 自动提出理论 → 自动设计候选 → 大规模模拟 → 自动实验 → 更新理论， 科研速度提升的将不是某一个环节，而是整个科研过程的加速。(rick awsb ($people, $people))