Vores nye videnskabsblog
Vi lancerer OpenAI's videnskabsblog for at give forskere et sted, hvor de kan dele deres opdagelser med AI og fortælle, hvordan de arbejder. Vores mission er at sikre, at AGI kommer hele menneskeheden til gode, og at fremskynde videnskabelige opdagelser er en af de mest virkningsfulde måder, vi kan arbejde hen imod det mål på.
Vi vil udgive indlæg fra en bred vifte af videnskabelige discipliner, blandt andet:
Forskning og opdagelser: Nye videnskabelige resultater og nyt om igangværende forskning fra OpenAI, vores samarbejdspartnere og det bredere forskningsmiljø.
Metoder og praktisk vejledning: Eksempler på, hvordan forskere bruger vores modeller til opgaver som videnskabelige beregninger, dataanalyse, litteraturgennemgang og planlægning af eksperimenter. Vi vil dele fremgangsmåder, som andre kan tilpasse til deres behov, herunder hvordan arbejdet kan efterprøves, og hvor en metode kommer til kort.
Perspektiver fra forskningsmiljøet: Førstehåndsberetninger fra forskere, der bruger AI, om hvad de lærer, og hvordan disse nye muligheder påvirker deres fagområder. Vi vil også diskutere åbne spørgsmål om videnskabelig praksis, og hvordan vi kan gøre disse værktøjer nyttige for flere.
Videnskab udvider vores forståelse af verden og muliggør fremskridt – fra bedre lægemidler til nye energikilder. Mange af disse fremskridt begynder med grundlæggende spørgsmål, hvis praktiske betydning først bliver tydelig flere år senere.
I de seneste måneder har vi set, at vores modeller kan arbejde med en stadig bredere vifte af videnskabelige problemstillinger. I september udarbejdede et internt OpenAI-system et bevis vedrørende eksistens- og glathedsproblemet for Navier–Stokes-ligningerne, et mangeårigt spørgsmål om de ligninger, der beskriver væskers bevægelse. I begyndelsen af oktober offentliggjorde vi en bred vifte af matematiske resultater. Blandt dem var et resultat om kvasi-Riemann-hypotesen(åbner i et nyt vindue), som giver en skarpere grænse for fejlen i en klassisk formel til at anslå, hvor mange primtal der er mindre end et givet tal. Senere samme måned delte vi resultater inden for matematik, datalogi og fysik om, hvordan bølger koncentreres, grænserne for effektiv beregning og det matematiske grundlag for kvantefeltteori med vekselvirkninger.
Inden for biologi bruger forskere AI til at analysere komplekse datasæt, forbinde resultater på tværs af fagområder og udvikle nye hypoteser, der kan testes i laboratoriet. I samarbejde med PerturbAI og Scripps Research analyserede tusindvis af agenter baseret på GPT‑Rosalind eksisterende forsøgsdata fra millioner af musehjerneceller på 32 minutter. Ved at sammenholde virkningerne af geninaktivering med den videnskabelige litteratur identificerede de mulige biologiske mekanismer, som forskere kan teste. Forskere udvikler også deres egne tilgange: César de la Fuentes team bruger ChatGPT og Codex til at udvikle algoritmer, der identificerer molekyler med mulig antibiotisk virkning, som de derefter fremstiller og tester i laboratoriet.
Disse nye evner åbner muligheder og ændrer den videnskabelige praksis. Inden for matematik rejser systemer, der genererer beviser, spørgsmål om, hvordan nye argumenter efterprøves, forklares og indarbejdes i faget. Inden for de eksperimentelle videnskaber giver udforskningen af flere hypoteser både muligheder og udfordringer, når forskere skal vælge, hvilke eksperimenter de vil gennemføre. På tværs af fagområder overvejer forskere, hvad disse værktøjer betyder for uddannelse, kreditering af bidrag og de færdigheder, deres arbejde kræver. Betydningen vil variere fra fag til fag, og forskningsmiljøerne bør være med til at forme brugen af disse værktøjer.
Vi håber, at denne blog hjælper flere med at forstå, hvordan AI forandrer videnskaben, og hvordan de kan bruge den til at udforske nye spørgsmål og gøre deres egne opdagelser.
- 2026


