Varhaisia kokeita tieteen kiihdyttämiseksi GPT‑5:llä

Tiede muovaa kaikkea ihmisten terveydestä energiantuotantoon, kansallisesta turvallisuudesta aina ymmärrykseemme maailmankaikkeudesta. Jos tekoäly voi nopeuttaa tiedettä – lyhentämällä uusien ideoiden luomiseen kuluvaa aikaa tai siirtymällä ideasta testattuun tulokseen – siitä koituu hyötyä koko yhteiskunnalle.

Mutta innovaatioiden vauhti on yhä esteenä. Vaikka oikea idea olisi olemassa, sen muuttaminen tuotteeksi tai hoidoksi voi kestää vuosia. Äskettäisessä kyselyssä⁠(avautuu uudessa ikkunassa) 60 % yhdysvaltalaisista sanoi, että tieteelliset ja lääketieteelliset läpimurrot saavuttavat heidät liian hitaasti; 73 % sanoi, että tarvitsemme parempia keinoja nopeuttaa löytöjä; ja 69 % piti tieteellistä johtajuutta kansallisena prioriteettina.

Tänään julkaisemme artikkelin "Varhaisia kokeita tieteen kiihdyttämiseksi GPT‑5:llä⁠(avautuu uudessa ikkunassa)", joka on kirjoitettu yhteistyössä yliopistojen ja kansallisten laboratorioiden, kuten Vanderbiltin, UC Berkeleyn, Columbian, Oxfordin, Cambridgen, Lawrence Livermore National Laboratoryn ja The Jackson Laboratoryn kanssa. Se kokoaa yhteen varhaisia tapaustutkimuksia matematiikasta, fysiikasta, biologiasta, tietojenkäsittelytieteestä, tähtitieteestä ja materiaalitieteestä, joissa GPT‑5 auttoi tutkijoita yhdistämään tunnettuja tuloksia uudella tavalla, tekemään kattavaa kirjallisuuskatsausta, nopeuttamaan haastavia laskelmia ja jopa luomaan uusia todisteita ratkaisemattomista väitteistä. Artikkelissa käsitellään myös rajoituksia. Tavoitteenamme on antaa yhteisölle selkeä kuva siitä, mitä nämä järjestelmät voivat ja eivät voi tehdä nykyisin tutkimuksen alalla.

Nämä tapaustutkimukset osoittavat, kuinka asiantuntijoiden käsissä GPT‑5 nopeuttaa tieteellisiä löytöjä ja miksi tämä nopeutus on tärkeää:

• Biologia: lääketieteen tohtori Derya Unutmazin johtamassa tutkimuksessa tutkijat yrittivät kuukausien ajan selittää ihmisen immuunisolujen hämmentävää muutosta. GPT‑5 tunnisti todennäköisen mekanismin muutamassa minuutissa julkaisemattomasta kaaviosta ja ehdotti kokeen, joka todisti sen. Tällainen nopeus voi auttaa tutkijoita ymmärtämään sairauksia nopeammin ja kehittämään parempia hoitoja.
• Matematiikka: Toisessa tapauksessa tutkijat Mehtaab Sawhney ja Mark Sellke ratkaisivat vuosikymmeniä vanhaa avointa ongelmaa, jonka alun perin esitti Paul Erdős. He olivat jumissa viimeisessä vaiheessa, ja GPT‑5 esitti uuden idean siitä, miten yksi pariton luku rikkoo kuvion, mikä auttoi heitä saamaan todistuksen valmiiksi. Tällaiset edistysaskeleet vahvistavat matemaattisia perusteita, joihin monet algoritmit ja tietoturvatekniikat lopulta tukeutuvat.
• Algoritmit ja optimointi: Tutkijat Sébastien Bubeck ja Christian Coester testasivat, oliko robotiikassa ja reitityksessä yleisesti käytetty päätöksentekomenetelmä niin luotettava kuin ihmiset olettivat. GPT‑5 löysi uuden, selkeän esimerkin, joka osoittaa, että menetelmä voi epäonnistua, ja paransi myös optimoinnin klassista tulosta, matematiikkaa, jota käytetään ongelman ratkaisemisen parhaimman tavan selvittämiseen. Tämäntyyppinen edistysaskel auttaa insinöörejä ymmärtämään paremmin robotiikassa, reitityksessä ja muissa todellisissa sovelluksissa käytettyjä päätöksentekojärjestelmiä.

OpenAI for Sciencen tehtävänä on nopeuttaa tieteellistä löytämistä: auttaa tutkijoita tutustumaan enemmän ideoihin, testaamaan hypoteeseja nopeammin ja löytämään oivalluksia, jotka muuten veisivät huomattavasti aikaa. Toteutamme tämän yhdistämällä edistykselliset mallit oikeisiin työkaluihin, työnkulkuihin ja yhteistyöhön.

Teemme tiivistä yhteistyötä tutkijoiden kanssa akateemisessa maailmassa, teollisuudessa ja kansallisissa laboratorioissa. Nämä yhteistyöt auttavat meitä ymmärtämään, missä mallit ovat hyödyllisiä, missä ne epäonnistuvat ja miten ne voidaan integroida tieteelliseen prosessiin – kirjallisuuskatsauksesta ja todisteiden tuottamisesta mallintamiseen, simulointiin ja kokeelliseen suunnitteluun.

Lähestymistapamme yhdistää kaksi toisiaan täydentävää uskomusta. Erikoistuneet tieteelliset työkalut, kuten simulaatiomoottorit, proteiinitietokannat ja tietokonealgebrajärjestelmät, ovat välttämättömiä tehokkuuden ja tarkkuuden kannalta. Samalla perustamallien skaalaus avaa jatkuvasti uusia päättelykykyjä: ideoiden yhdistämistä eri aloilla, todistusten hahmottelua, mekanismien ehdottamista ja laajan kirjallisuuden selaamista käsitteellisesti pikemminkin kuin avainsanojen avulla. Kun on olemassa erikoistyökaluja, haluamme käyttää niitä; kun tarvitaan yleistä päättelyä, rakennamme malleja, jotka on suunniteltu käsittelemään sitä. Molemmat polut tukevat ja vahvistavat toisiaan.

Merkittävin edistys syntyy ihmisten ja tekoälyn yhteistyöstä. Tutkijat asettavat asialistan: he määrittelevät kysymykset, valitsevat menetelmät, arvioivat ideoita ja vahvistavat tulokset. GPT‑5 tarjoaa laajuutta, nopeutta ja mahdollisuuden tutkia monia suuntia samanaikaisesti.

GPT‑5:n tehokas käyttö on taito. Tutkijat oppivat esittämään kysymyksiä, milloin vastustaa, miten jakaa ongelmat vaiheisiin ja mitä validoida itsenäisesti. Tuottava työ muistuttaa usein vuoropuhelua – tutkija ja malli toistavat prosessia, kunnes lupaava suunta löytyy tai idea hylätään.

Näiden varhaisten tutkimusten perusteella GPT‑5 näyttää pystyvän lyhentämään osia tutkimusprosessista, kun asiantuntijat käyttävät sitä. Se ei toteuta projekteja tai ratkaise tieteellisiä ongelmia itsenäisesti, mutta se voi laajentaa tutkimuksen alaa ja auttaa tutkijoita pääsemään nopeammin oikeisiin tuloksiin.

• Yksi esiin nouseva kyky on käsitteellinen kirjallisuushaku. GPT‑5 pystyy usein tunnistamaan syvempiä yhteyksiä ideoiden välillä ja löytämään asiaankuuluvaa materiaalia eri kielillä ja vaikeasti saatavilla olevista lähteistä. Tutkijat raportoivat löytäneensä viittauksia, yhteyksiä ja teesejä, joita he eivät aiemmin tunteneet.
• Matematiikassa ja teoreettisessa tietojenkäsittelytieteessä, joissa rakenne on selkeä ja palautesilmukat ovat nopeita, GPT‑5 on erityisen hyödyllinen. Matemaatikot ovat käyttäneet GPT‑5:tä luodakseen käyttökelpoisia todistusluonnoksia minuuteissa, mikä on muuttanut työtä, joka muuten olisi voinut kestää päiviä tai viikkoja. Fysiikan ja laskennan toimialueilla malli voi ehdottaa yksinkertaistavia muunnoksia tai osoittaa vastaaviin rakenteisiin muilla aloilla.
• Biologiassa ja muissa empiirisissä tieteissä malli voi ehdottaa mekanismeja ja suunnitella kokeita näiden hypoteesien validoimiseksi märkälaboratoriossa.

Olemme jo ohittaneet sen vaiheen, jossa mallit vain tiivistävät olemassa olevaa tietoa. Nyt GPT‑5:n varhaiset panokset voivat merkityksellisesti auttaa tutkijoita asiantuntijoiden valvonnassa. Parannusvauhti viittaa mahdollisuuteen syvempään kiihtymiseen kykyjen ja työkalujen kehittyessä.

Nämä tapaustutkimukset ovat valikoituja esimerkkejä siitä, missä GPT‑5 on ollut hyödyllinen. Ne eivät ole systemaattinen otos, eivätkä ne kata kaikkia vikatyyppejä. Asiantuntijavalvonta on edelleen välttämätöntä. GPT‑5 voi joskus hallusinoida viittauksia, mekanismeja tai todistuksia, jotka vaikuttavat uskottavilta; se voi olla herkkä tukirakenteiden ja lämmittelyongelmien suhteen; se voi joskus jättää huomiotta aluekohtaisia hienouksia; ja se voi seurata tuottamattomia päättelyketjuja, ellei sitä korjata. Nämä ovat aktiivisia tutkimusalueita, ja työskentelemme yhteistyökumppaneiden kanssa mitataksemme ja lieventääksemme näitä epäonnistumisia tarkentaessamme tulevia järjestelmiä.

Yhdessä nämä varhaiset tutkimukset osoittavat, että GPT‑5 alkaa auttaa uudenlaisessa tieteellisessä työssä. Malli ei ole itsenäinen, mutta asiantuntijoiden käsissä se voi auttaa todistamaan teoreemoja, löytämään ja laajentamaan rakenteita, tuomaan esiin alojen välisiä yhteyksiä sekä luomaan mekanismeja ja kokeita, joita tutkijat voivat validoida.

Näemme myös kehityskaaren, jossa nämä järjestelmät paranevat ajan ja laskentatehon myötä. Jos GPT‑5 pystyy auttamaan merkittävällä tavalla joidenkin tutkimuskysymysten ratkaisemisessa 20 minuutissa, odotamme syvempiä tuloksia, kun mallit voivat viettää tunteja tai päiviä ongelman pohtimiseen. Yhdistettynä maailmanluokan tutkijoihin tämä viittaa mahdollisuuteen, että tieteellinen tuottavuus muuttuu ajan myötä merkittävästi.