分享一篇 OpenAI 联合多所世界顶尖大学的研究，这份报告揭示了一个重要趋势： > 前沿大模型正在从单纯的效率工具，进化为具备实质性「智力贡献」能力的科研合作伙伴 。 这份名为《使用 GPT-5 加速科学的早期实验》的报告由 OpenAI 联合牛津大学、剑桥大学、哥伦比亚大学、哈佛大学、加州大学伯克利分校及劳伦斯利弗莫尔国家实验室等机构共同发布 。 报告详细记录了 AI 在生物、物理、数学等领域的实战案例，证明在专家引导下，科学发现的周期在特定任务中正在经历数量级的压缩 。以下是几个标志性的「科研范式转变」时刻。 1️⃣ 生物医学：不仅做分析，更能提出 Novel Mechanism 在针对 T 细胞代谢调控的研究中，GPT-5 Pro 展现了惊人的洞察力。它重新解读了复杂的流式细胞术数据，并提出了一个人类专家未曾设想的机制：2-DG 对 T 细胞的影响并非单纯源于糖酵解抑制，而是通过干扰 N-linked 糖基化驱动 。 基于此假设，它像资深 PI 一样设计了清晰的实验决策树，包括使用甘露糖（Mannose）进行挽救实验 。更令人印象深刻的是，它预测在 CAR-T 制备中进行短暂 2-DG 处理可增强对 CD19+ 癌细胞的杀伤力，这一预测随后与实验室未发表的内部数据高度一致 。 作者明确表示，GPT-5 在此案例中的贡献已达到「共同研究者（Co-investigator）」水平，足以被列为新论文的共同作者 。 2️⃣ 惯性约束核聚变（可控核聚变）：6个月的工作量压缩至 6 小时 在可控核聚变的关键技术路径「惯性约束核聚变」（ICF）领域，物理学家利用 AI 搭建了一个热核燃烧波传播模型。 这并非 AI 的全自动表演，而是一场高效的人机协作：人类专家负责物理目标的设定与参数调优，修正 AI 早期不合理的「数值胶带」方案；而 GPT-5 则在几分钟内完成了 PDE 建模、数值代码编写，并最终协助推导了解释数值结果的理论公式 。 研究者评估，这套流程将原本需要「两名优秀博士后耗时数月」的工作（约 6 个人月），压缩到了「6 个人时」，实现了约 1000 倍的效率提升 。 3️⃣ 纯数学：攻克沉寂已久的「未解之谜」 在著名的 Erdős 问题数据库中，GPT-5 协助数学家解决了长期悬而未决的 Problem #848 。在这个过程中，AI 提出了「必要条件 + 稳定性分析」的关键新思路，成功连接了对角与非对角约束，填补了证明逻辑中的关键一环 。 作者形象地将最终的证明描述为「人类数学家前后包夹，中间的关键一步由 GPT-5 完成」。 4️⃣ 深度文献挖掘：跨越学科的「知识虫洞」 在一项凸几何研究中，作者希望寻找类似的定量结果，却收到了一个看似跑题的推荐。GPT-5 敏锐地关联到了多目标优化领域中 Papadimitriou & Yannakakis (2000) 的经典结果 。 尽管这两个领域表面看似无关，但 AI 识别出了底层的数学同构性。受此启发，作者成功改进了自己的定理，消除了原有的对数因子 。 这种跨越学科壁垒的联想能力，往往是人类专家受限于专业背景难以具备的 。 5️⃣ 客观局限与启示 值得注意的是，GPT-5 并非全知全能。报告强调，它经常自信地犯错（Hallucination），甚至试图用错误的数学推导来迎合用户的预期 。目前的成功高度依赖人类专家的「脚手架（Scaffolding）」引导，即由人类将大问题拆解为可验证的子步骤，并严格甄别结果的真伪 。 6️⃣ 结论 我们正在进入「AI 辅助发现（AI-assisted Discovery）」的新时代。AI 的角色正从处理数据的工具，进化为能够进行假设生成和逻辑推理的合作伙伴 。 未来的科研竞争力，将取决于科学家能否精准地向 AI 提问，并具备在它一本正经胡说八道时迅速纠错的能力。 我也翻译为了中文（不过能读懂的人应该是看原文的吧😆）： https://randomarea.com/early-science-acceleration-experiments-with-gpt-5/(Zhixiong Pan)