Tidlige eksperimenter i at fremskynde videnskab med GPT‑5

Videnskab former alt fra menneskers sundhed til energiproduktion til national sikkerhed og endog vores forståelse af universet. Hvis AI kan accelerere videnskaben og forkorte den tid, det tager at generere nye ideer, eller at gå fra en idé til et testet resultat, så vil fordelene forstærkes på tværs af hele samfundet.

Tempoet for innovation er dog stadig en begrænsning. Selv når den rigtige idé findes, kan det tage år at omsætte den til et produkt eller en behandling. I en nylig undersøgelse⁠(åbner i et nyt vindue) sagde 60 procent af folk i USA, at videnskabelige og medicinske gennembrud når dem for langsomt. 73 procent sagde, at vi har brug for bedre måder at fremskynde opdagelser på og 69 procent identificerede videnskabelig ledelse som en topprioritet for nationen.

I dag udgiver vi “Early science acceleration experiments with GPT‑5⁠(åbner i et nyt vindue)”, som er en artikel, der er medforfattet med samarbejdspartnere fra universiteter og nationale laboratorier, herunder Vanderbilt, UC Berkeley, Columbia, Oxford, Cambridge, Lawrence Livermore National Laboratory og The Jackson Laboratory. Artiklen beskriver tidlige casestudier inden for matematik, fysik, biologi, datalogi, astronomi og materialevidenskab, hvor GPT‑5 hjalp forskere med at syntetisere kendte resultater på en nyskabende måde, udføre omfattende litteraturgennemgange, accelerere komplekse beregninger og endda generere nye beviser for uløste propositioner. Artiklen dokumenterer også begrænsninger. Vores mål er at give samfundet et klart billede af, hvad disse systemer kan og ikke kan gøre i forskningsmiljøer i dag.

Disse casestudier viser, hvordan GPT‑5 i eksperternes hænder fremskynder videnskabelige opdagelser, og hvorfor denne acceleration er vigtig:

• Biologi: I en undersøgelse ledet af Derya Unutmaz, cand.med., brugte forskere flere måneder på at forklare en gådefuld ændring i menneskers immunceller. GPT‑5 identificerede den sandsynlige mekanisme i løbet af få minutter fra et upubliceret diagram og foreslog et eksperiment, der beviste det. Denne type hastighed kan hjælpe forskere med at forstå sygdomme hurtigere og udvikle bedre behandlinger.
• Matematik: I et andet tilfælde arbejdede forskerne Mehtaab Sawhney og Mark Sellke på at løse et årtiers gammelt åbent problem, der oprindeligt blev foreslået af Paul Erdős. De stødte på et problem på det sidste trin, men GPT‑5 foreslog en ny idé om, hvordan et ulige tal bryder mønsteret, hvilket hjalp dem med at færdiggøre beviset. Fremskridt som disse styrker de matematiske grundlag, som mange algoritmer og sikkerhedsteknikker i sidste ende er afhængige af.
• Algoritmer og optimering: Forskerne Sébastien Bubeck og Christian Coester undersøgte, om en almindelig beslutningsmetode, der blev anvendt i robotik og routing, var lige så pålidelig, som folk troede. GPT‑5 fandt et nyt, klart eksempel, der viser, at metoden kan fejle, og forbedrede også et klassisk resultat inden for optimering, som er den matematik, der bruges til at finde den bedste måde at løse et problem på. Denne type fremskridt hjælper ingeniører med bedre at forstå de beslutningssystemer, der anvendes i robotik, routing og andre virkelige anvendelser.

OpenAI for Sciences mission er at fremskynde videnskabelige opdagelser for at hjælpe forskere med at udforske flere ideer, teste hypoteser hurtigere og afdække indsigter, der ellers ville tage betydelig tid. Det gør vi ved at parre banebrydende modeller med de rette værktøjer, arbejdsgange og godt samarbejde.

Vi arbejder tæt sammen med forskere på tværs af akademia, industrien og nationale laboratorier. Dette samarbejde hjælper os med at forstå, hvor modellerne er nyttige, hvor de fejler, og hvordan vi kan integrere dem i den videnskabelige proces, lige fra litteraturgennemgang og bevisgenerering til modellering, simulering og eksperimentelt design.

Vores tilgang kombinerer to komplementære overbevisninger. Specialiserede videnskabelige værktøjer, såsom simuleringsmotorer, proteindatabaser og computeralgebrasystemer, er afgørende for effektivitet og præcision. Samtidig fortsætter skalering af grundlæggende modeller med at åbne nye ræsonneringsevner ved at forbinde idéer på tværs af områder, skitsere beviser, foreslå mekanismer og navigere i omfattende litteratur konceptuelt i stedet for gennem brug af nøgleord. Hvor der findes specialiserede værktøjer, ønsker vi at bruge dem. Hvor avanceret tænkning er nødvendig, bygger vi modeller, der er designet til at håndtere sådanne muligheder. Begge metoder forstærker hinanden.

Den mest meningsfulde fremgang kommer fra menneske–AI-teams. Forskere sætter dagsordenen ved at definere spørgsmål, vælge metoder, kritisere ideer og validere resultater. GPT‑5 bidrager med omfang, hastighed og evnen til at udforske mange retninger på samme tid.

Effektiv brug af GPT‑5 er en færdighed. Forskere lærer, hvordan der skal stilles spørgsmål, hvornår der skal kritiseres, hvordan problemer opdeles i trin, og hvad der skal valideres uafhængigt. Produktivt arbejde ligner ofte en dialog, hvor forskeren og modellen itererer, indtil en lovende idé fremkommer, eller ideen kasseres.

På tværs af disse tidlige studier ser GPT‑5 ud til at kunne forkorte dele af forskningsarbejdsgangen, når det anvendes af eksperter. Det styrer ikke projekter og løser ikke videnskabelige problemer autonomt, men det kan udvide mulighederne for udforskning og hjælpe forskere med at bevæge sig hurtigere mod korrekte resultater.

• En ny evne er konceptuel litteratursøgning. GPT‑5 kan ofte identificere dybere relationer mellem ideer og finde relevant materiale på tværs af sprog og mindre tilgængelige kilder. Forskere har meddelt, at de har fundet referencer, forbindelser og teser, som de ikke tidligere kendte til.
• GPT‑5 er især nyttig inden for matematik og teoretisk datalogi, hvor strukturen er tydelig, og feedback-loops er hurtige. Matematikere har brugt GPT‑5 til at generere brugbare bevisopstillinger på få minutter, hvilket har transformeret arbejde, der ellers kunne have taget dage eller uger. Inden for fysik og beregningsdomæner kan modellen foreslå forenklede transformationer eller pege på analoge strukturer inden for andre områder.
• Inden for biologi og andre empiriske videnskaber kan modellen foreslå mekanismer og designe eksperimenter for at validere disse hypoteser i vådlaboratoriet.

Vi har allerede passeret det punkt, hvor modeller kun opsummerer eksisterende viden. Nu kan tidlige bidrag fra GPT‑5 meningsfuldt assistere forskere under eksperttilsyn. Tempoet i forbedringerne antyder potentialet for en dybere acceleration, efterhånden som kapaciteter og værktøjer udvikles.

Disse casestudier er udvalgte eksempler på, hvor GPT‑5 har været nyttig. De er ikke en systematisk stikprøve, og de dækker ikke hele spektret af fejlsituationer. Eksperttilsyn er stadig vigtigt. GPT‑5 kan nogle gange frembringe citater, mekanismer eller beviser, der virker plausible. Den kan være følsom over for opbygning og startproblemer. Den overser nogle gange domænespecifikke elementer, og den kan følge uproduktive metoder til avanceret tænkning, hvis den ikke korrigeres. Disse er aktive forskningsområder, og vi samarbejder med partnere for at måle og afbøde disse fejl, mens vi forbedrer fremtidige systemer.

Samlet set viser disse tidlige undersøgelser, at GPT‑5 er begyndt at hjælpe med nye typer videnskabeligt arbejde. Modellen er ikke autonom, men i eksperthænder kan den hjælpe med at bevise teoremer, genopdage og udvide strukturer, afdække tværfaglige forbindelser og generere mekanismer og eksperimenter, som forskere kan validere.

Vi ser også en udvikling, hvor disse systemer forbedres med mere tid og beregning. Hvis GPT‑5 kan hjælpe meningsfuldt med nogle forskningsspørgsmål på 20 minutter, forventer vi dybere resultater, når modellerne kan bruge timer eller dage på at tænke over et problem. Kombineret med forskere i verdensklasse peger dette på muligheden for en trinvis ændring i videnskabelig produktivitet over tid.