最新 11 月 21 日消息，OpenAI 官方昨天发布《GPT-5 科学加速报告》论文，展示科学家们如何在日常工作中使用 AI。

论文中写道，数学家使用 GPT-5 证明公式，物理学家们用来搞对称性分析，而免疫学家则用 GPT-5 来细化假设并设计实验。

OpenAI 研究员 Noam Brown 表示，他否认“生成式 AI 只会简单复述互联网内容”的观点，他认为 GPT-5 等模型捕获了人类写作过程的完整谱系，而强化学习（Reinforcement learning）可以推动 AI 模型超越“复读”水平。

他将 GPT 与谷歌的“阿尔法狗”（AlphaGo）下棋机器人做对比：阿尔法狗先学习人类棋谱，随后通过强化学习创造当时被视为错误但最终是正确的棋法。

Noam 认为，真正的科学比下围棋复杂得多，虽然 AI 尚未超越顶尖科学家，但大语言模型已经在实际研究中作出有意义的贡献，他提出，未来科学领域可能会迎来类似围棋界的“黑 37 手”时刻。

最新注：“黑 37 手”指的是阿尔法狗与韩国九段棋手李世乭在 2016 年 3 月第一局比赛中的第 37 手落子，当时阿尔法狗执黑，在上方第 5 线靠近星位的位置下了第 37 手，这一举动被当时的职业选手认为极不合理、违背常规棋理。

然而，随着棋局进行到后场，这一招却成为全局制胜的关键，它证明了 AI 拥有创造性思考能力，它不只是模仿人类下棋，而是计算和探索了人类未曾想到的路径，代表 AI 能创造新知识，而不是照搬旧知识。

回到正文，GPT-5 的明显强项之一是，帮助研究人员找到被大量出版物和术语变化掩盖的相关论文，最终实验证明 GPT-5 能在数秒内生成完整证明，而对比之下，英国数学家蒂莫西・高尔斯需要一个小时以上才能完成同样的推理任务。

在生物学中，研究人员通常会问 GPT-5：某化合物为何会导致某种表现型，最终 GPT-5 可以提供合理的因果链和实验关系。

同时 GPT-5 还可以扮演一名“技术批评者”，分析实验可能失败的原因，但并非在所有场景中都有效，有时 GPT-5 需要质疑后才会自我纠正，但这一过程可为科学家提供有价值的洞察。

不过 GPT-5 并非完美，它并未解决版权归属和原创性问题，有时候还会夸大不完整性结果，并且存在“偏科”现象，在数学、理论物理、算法等形式化学科上表现得比其他学科更好。

总体来说，科学家已经使用 GPT-5 处理实际科研任务，存在实用性但并未突破常规，同时人类仍然主导绝大部分研究方向与审查。