OpenAI为科研开设新博客,首篇解读GPT‑6 Astra粒子物理研究

  • 1天前

  • 来源:机器之心

11 月 15 日,OpenAI 宣布推出专门面向科学研究者的博客,旨在分享科学家如何借助 AI 开展研究,以及这些工作具体是如何完成的。与常见的产品更新或研究成果发布不同,这个新栏目不仅关注 AI 科研的新成果,还计划讨论研究人员如何使用模型、检查结果,以及判断方法的适用边界。

这也意味着,OpenAI 正在为 AI 科研建立一个更系统的公开交流渠道,将模型能力展示、实际科研方法和学术共同体的反馈放在同一个内容体系中。

      原文链接:https://openai.com/index/our-new-blog-for-science/

公开的研究方法

根据 OpenAI 的介绍,新博客将围绕三个方向展开。

第一类是研究成果与科学发现,包括 OpenAI 自身、合作机构以及更广泛科学界的新研究和阶段性进展;

第二类是方法与实践指南,介绍研究人员如何使用 OpenAI 模型进行科学计算、数据分析、文献探索和实验规划,并分享其他研究者可以借鉴的方法,同时说明如何检查结果、方法在哪些情况下会失效;

第三类则是科研人员的第一手经验,包括 AI 正在如何改变不同学科的研究方式,以及科研训练、成果归属和研究技能可能面临的变化。

这段时间以来,OpenAI 参与解决的科学问题范围正不断扩大。流体运动、准黎曼猜想、波与量子场,这些领域都能见到 AI 活跃的身影。OpenAI 正通过博客这一形式,将他们所了解、学习并实践出的惊艳分享给每一个正在观望的研究者。

客座文章

新博客并非只有一份栏目介绍。OpenAI 在同一天发布了首篇客座文章,由加州大学圣巴巴拉分校物理学家 Nathaniel Craig 撰写。他同时是 OpenAI 访问科学家,长期研究粒子理论。这篇文章介绍了他与 GPT-6 Astra 合作的一项理论物理工作:尝试为粒子物理标准模型建立一个候选的非微扰格点定义。

      图示:用于研究费米子的晶格框架。

这一问题涉及粒子物理学中的一个基础难题:如何在非微扰框架下,为完整的标准模型建立严格的数学定义。

Craig 此前已经想到一种可能的解决策略:将同一组规范场分别表示在一系列越来越精细的格点上,再比较相邻两级格点中的费米子态,由这些比较结果计算相位修正,最后将不同细化层级的修正累积起来,得到原始格点上的相位定义。

这正是 GPT-6 Astra 参与的关键部分。根据 Craig 的描述,Astra 首先提出了如何将给定的规范场正确映射到更精细格点上的方法;随后帮助证明,不同细化层级之间的比较结果会收敛到一个确定值;最后由模型主导完成了详细证明的构建。

该工作中,Craig 与 Astra 进行了多轮讨论,同时与格点场论专家 Maarten Golterman、Andreas Kronfeld 和 Yigal Shamir 交流。三位专家审阅了 Astra 参与构建的证明,并提出了进一步的问题,帮助 Craig 判断构造是否可靠。对应的预印本「A gauge-invariant measure for lattice chiral fermions」已于 10 月 6 日提交至 arXiv,包含完整的数学构造及辅助材料。

相关链接:https://arxiv.org/abs/2610.09093

扩展 AI 科学实践

在启动报告中,OpenAI 还列举了其他案例。

生物学领域,OpenAI 与 PerturbAI、Scripps Research 合作,使用由 GPT-Rosalind 驱动的数千个智能体,分析来自数百万个小鼠脑细胞的已有实验数据,整个分析过程耗时 32 分钟。智能体将基因扰动产生的影响与科学文献联系起来,提出了可供研究人员进一步实验检验的潜在生物学机制。

另一个案例来自抗菌药物研究。科学家 César de la Fuente 的团队使用 ChatGPT 和 Codex 开发算法,寻找潜在抗生素分子,随后再将候选分子实际合成并进行实验测试。

      图示:使用 Codex 协助开发算法加速抗生素发现。

从这些案例可以看到,OpenAI 希望展示的 AI 科研应用并不局限于数学证明或理论推导,也覆盖生物数据分析、药物分子发现和实验规划等不同领域。

不止于更强的模型

设立科学博客,某些程度上也算 AI 科研进入到新阶段的信号:当模型参与到数学证明、大规模生物数据分析中,并提出新的科学假设时,如何评估这些结果,逐渐成为与模型能力本身同样重要的问题。

对 OpenAI 而言,这个博客既是展示模型科研能力的窗口,也提供了一个向研究共同体解释方法、分享经验和讨论局限的渠道。对科研人员而言,真正值得关注的,则是后续内容能否提供足够具体、可复现的工作流程,包括数据来源、模型参与环节、验证方法和失败案例。

声明:此文版权归原作者所有,若有来源错误或者侵犯您的合法权益,您可通过邮箱与我们取得联系,我们将及时进行处理。邮箱地址:zhaobozhi@jnexpert.com

  • 生成式AI

推荐

    我要评论