奥特曼透露OpenAI数亿美元投数学，还有发现未公开

10月29日发布的《Cheeky Pint》访谈中，奥特曼透露OpenAI在数学研究上的投入涵盖许多尚未公开的发现。主持人追问是否还有700个证明之外的成果，奥特曼回答“有，当然有”。近几个月OpenAI数学成果接连引发热议，研究者开始拆解公开资料、核查推导步骤。生物学领域，AI提出的方案已走上实验台：模型分析数据、提出设计，研究者筛选方案、开展实验，再将结果反馈给模型继续改进。

谈及数学研究投入，主持人给出数亿美元量级，奥特曼认可，但补充这笔投入还包括未公开的其他发现。他承认成果公开存在两难：主张重大基础科学发现应当公开，人类理应拥有基础科学知识；但科研人员的职业发展和成就感很大程度上来自发现本身。他希望找到一种方式，既让世界受益于知识分享，也能长期推动研究者参与未来科研。

GitHub上，数学研究者发起独立修订项目oai-math-revised，协作修订OpenAI公开的数学手稿，直指部分手稿论述难懂、引用不全的短板，邀请学生、博士后、教授和数学爱好者补充文献、理顺论述、识别并修正错误。10月26日，OpenAI将当天新公布的研究手稿定位为“原始研究数据”，并介绍邀请外部专家牵头、组织团队解释结果等做法；其数学仓库也说明相关结果处于不同验证阶段，部分尚未附有可由计算机检查的形式化证明。

生物学领域，10月30日Epoch AI发布统计：2026年9月受检的4922篇bioRxiv预印本中，846篇披露使用过大模型，占17.19%，约每六篇有一篇；2025年9月该比例为6.40%，一年后接近同月专用AI工具的18.94%。其中190篇披露将大模型用于研究或分析，占3.86%，涉及实验设计、数据标注和统计分析等。

10月21日，OpenAI、PerturbAI和Scripps Research公布合作：数千个由GPT-Rosalind驱动的智能体分析数百万小鼠脑细胞的已有实验数据，每个智能体围绕一种基因扰动分析细胞反应、查找文献并提出解释，最终汇成推理图谱，研究者可据此挑选线索设计实验。10月27日，Generate Biomedicines公布借助Claude Code改造CAR-T受体的进展，从模型参与设计的方案中挑出186个做首轮实验，经三轮设计和筛选，得到仅由45个氨基酸组成的信号结构，比对照的第二代CAR信号结构短约70%；体外实验中相同剂量mRNA下，新设计T细胞表面出现更多CAR受体，杀伤目标细胞能力维持更久。

2025年Google DeepMind已披露，AlphaEvolve将Gemini训练中的一项计算内核提速23%，使整体训练时间缩短1%。若系统能自主研发更强下一代系统并持续推动AI研发，就形成RSI所设想的循环，可能成为迈向ASI的推动力。