20 November 2025

Eksperimen awal dalam mempercepat ilmu pengetahuan dengan GPT‑5

Apa yang kami pelajari dari kolaborasi dengan para ilmuwan

Grafik bergaya kolase yang menampilkan bentuk dan warna abstrak. Bagian kiri atas menunjukkan blok oranye redup dengan teks yang sebagian terlihat. Bagian kanan atas berisi diagram percabangan dengan panah hitam tipis yang menyebar dari titik hitam pusat, serta lingkaran oranye kecil yang menandai berbagai titik. Bagian kiri bawah menampilkan perpaduan lembut gradasi oranye, merah muda, dan ungu. Bagian kanan bawah menampilkan angka hitam besar “5” pada latar belakang biru muda.

Memuat…

Ilmu pengetahuan membentuk segala aspek, mulai dari kesehatan manusia hingga produksi energi, dari keamanan nasional hingga pemahaman kita tentang alam semesta. Jika AI dapat mempercepat ilmu pengetahuan—mempersingkat waktu yang dibutuhkan untuk buat ide-ide baru, atau untuk beralih dari ide ke hasil yang diuji—manfaatnya akan bertambah di seluruh masyarakat.

Namun, laju inovasi tetap menjadi kendala. Bahkan ketika ide yang tepat ada, mengubahnya menjadi produk atau perawatan dapat memakan waktu bertahun-tahun. Dalam survei baru-baru ini⁠(terbuka di jendela baru), 60 persen orang di AS mengatakan terobosan ilmiah dan medis mencapai mereka terlalu lambat; 73 persen mengatakan kita memerlukan cara yang lebih baik untuk mempercepat penemuan; dan 69 persen mengidentifikasi kepemimpinan ilmiah sebagai prioritas nasional utama.

Hari ini, kami merilis “Early science acceleration experiments with GPT‑5⁠(terbuka di jendela baru),” sebuah makalah yang ditulis bersama dengan kolaborator di universitas dan laboratorium nasional termasuk Vanderbilt, UC Berkeley, Columbia, Oxford, Cambridge, Lawrence Livermore National Laboratory, dan The Jackson Laboratory. Makalah menghimpun studi kasus awal di bidang matematika, fisika, biologi, ilmu komputer, astronomi, dan ilmu material di mana GPT‑5 membantu para peneliti mensintesis hasil yang sudah diketahui dengan cara baru, melakukan tinjauan pustaka yang mendalam, mempercepat perhitungan yang rumit, dan bahkan buat bukti baru dari proposisi yang belum terpecahkan. Makalah ini juga mencatat keterbatasan. Tujuan kami adalah untuk memberikan komunitas pandangan yang jelas tentang apa yang dapat dan tidak dapat dilakukan sistem ini saat ini dalam konteks penelitian.

Studi kasus ini menunjukkan bagaimana, di tangan para ahli, GPT‑5 mempercepat penemuan ilmiah, dan mengapa percepatan tersebut penting:

Biologi: Dalam sebuah studi yang dipimpin oleh Derya Unutmaz, M.D., para ilmuwan menghabiskan berbulan-bulan mencoba menjelaskan perubahan yang membingungkan dalam sel kekebalan manusia. GPT‑5 mengidentifikasi mekanisme yang mungkin dalam beberapa menit dari bagan yang belum dipublikasikan dan menyarankan eksperimen yang membuktikannya. Kecepatan seperti ini dapat membantu para peneliti memahami penyakit lebih cepat dan mengembangkan perawatan yang lebih baik.
Matematika: Dalam kasus lain, peneliti Mehtaab Sawhney dan Mark Sellke sedang menangani masalah terbuka yang telah ada selama puluhan tahun dan awalnya diusulkan oleh Paul Erdős. Mereka terjebak pada langkah terakhir, dan GPT‑5 menyumbangkan ide baru tentang bagaimana satu angka ganjil merusak pola, yang membantu mereka menyelesaikan pembuktian tersebut. Kemajuan seperti ini memperkuat fondasi matematika yang pada akhirnya diandalkan oleh banyak algoritma dan teknik keamanan.
Algoritma & optimasi: Peneliti Sébastien Bubeck dan Christian Coester sedang menguji apakah metode pengambilan keputusan umum yang digunakan dalam robotika dan perutean dapat diandalkan seperti yang diasumsikan orang. GPT‑5 menemukan contoh baru yang jelas yang menunjukkan bahwa metode tersebut dapat gagal dan juga meningkatkan hasil klasik dalam pengoptimalan, yaitu matematika yang digunakan untuk mencari cara terbaik dalam memecahkan masalah. Jenis kemajuan ini membantu para insinyur lebih memahami sistem pengambilan keputusan yang digunakan dalam robotika, perutean, dan aplikasi dunia nyata lainnya.

Apa itu OpenAI untuk Ilmu Pengetahuan?

Misi OpenAI untuk Ilmu Pengetahuan adalah mempercepat penemuan ilmiah: membantu para peneliti menjelajahi lebih banyak ide, menguji hipotesis lebih cepat, dan mengungkap wawasan yang sebaliknya akan memakan waktu lama. Kami melakukan ini dengan memasangkan model terdepan dengan alat, alur kerja, dan kolaborasi yang sesuai.

Kami menjalin kerja sama erat dengan para peneliti di berbagai bidang, termasuk akademisi, industri, dan laboratorium nasional. Kolaborasi ini membantu kami memahami di mana model berguna, di mana model gagal, dan bagaimana mengintegrasikan model ke dalam proses ilmiah—mulai dari tinjauan literatur dan pembuatan bukti hingga pemodelan, simulasi, dan desain eksperimental.

Pendekatan kami menggabungkan dua keyakinan yang saling melengkapi. Alat ilmiah khusus, seperti mesin simulasi, basis data protein, dan sistem aljabar komputer, sangat penting untuk efisiensi dan presisi. Pada saat yang sama, pengembangan model dasar skala besar terus membuka kemampuan penalaran baru: menghubungkan ide-ide lintas bidang, menyusun bukti, mengusulkan mekanisme, dan menavigasi literatur yang luas secara konseptual daripada berdasarkan kata kunci. Di mana alat khusus ada, kami ingin menggunakannya; di mana penalaran umum diperlukan, kami membangun model yang dirancang untuk menanganinya. Kedua jalur tersebut saling memperkuat.

Bagaimana para ilmuwan bekerja dengan GPT‑5 hari ini

Kemajuan yang paling berarti berasal dari tim manusia–AI. Para ilmuwan menetapkan agenda: mereka mendefinisikan pertanyaan, memilih metode, mengkritik ide, dan memvalidasi hasil. GPT‑5 memberikan kontribusi dalam hal keluasan, kecepatan, dan kemampuan untuk menjelajahi banyak arah secara bersamaan.

Menggunakan GPT‑5 secara efektif adalah sebuah keahlian. Para peneliti belajar bagaimana mengajukan pertanyaan, kapan harus menolak, bagaimana memecah masalah menjadi beberapa langkah, dan apa yang harus divalidasi secara mandiri. Pekerjaan yang produktif sering kali tampak seperti dialog—peneliti dan model beriterasi hingga muncul arah yang menjanjikan atau ide tersebut dibuang

Keadaan terkini GPT‑5 dalam pekerjaan ilmiah

Di berbagai studi awal ini, GPT‑5 tampaknya dapat mempersingkat bagian dari alur kerja penelitian ketika digunakan oleh para ahli. GPT‑5 tidak menjalankan proyek atau memecahkan masalah ilmiah secara mandiri, tetapi dapat memperluas area eksplorasi dan membantu para peneliti bergerak lebih cepat menuju hasil yang benar.

Salah satu kemampuan baru yang muncul adalah pencarian literatur konseptual. GPT‑5 sering kali dapat mengidentifikasi hubungan yang lebih mendalam antara ide-ide dan mengambil materi yang relevan lintas bahasa serta sumber yang kurang dapat diakses. Para peneliti melaporkan menemukan referensi, koneksi, dan tesis yang sebelumnya tidak mereka ketahui.
Dalam matematika dan ilmu komputer teoretis, di mana strukturnya jelas dan masukannya cepat, GPT‑5 sangat berguna. Para matematikawan telah menggunakan GPT‑5 untuk menghasilkan kerangka bukti yang layak dalam hitungan menit, mengubah pekerjaan yang sebelumnya mungkin memakan waktu berhari-hari atau berminggu-minggu. Dalam domain fisika dan komputasi, model dapat mengusulkan transformasi yang menyederhanakan atau menunjuk ke struktur analog di bidang lain.
Dalam biologi dan ilmu-ilmu empiris lainnya, model dapat mengusulkan mekanisme dan merancang eksperimen untuk memvalidasi hipotesis-hipotesis ini di laboratorium.

Kami telah melampaui titik di mana model hanya merangkum pengetahuan yang ada. Sekarang, kontribusi awal dari GPT‑5 dapat secara berarti membantu para peneliti di bawah pengawasan ahli. Laju peningkatan menunjukkan potensi percepatan yang lebih dalam seiring dengan kemajuan kemampuan dan alat.

Seperti apa ini dalam praktik: beberapa studi kasus

Penemuan kembali hasil yang sudah diketahui secara independen di garis depan ilmu pengetahuan

Memperketat teorema dalam optimasi konveks

Optimasi adalah matematika untuk menemukan opsi “terbaik”—seperti kehilangan pelatihan terendah atau rute terpendek dalam jaringan. Gradient descent adalah metode optimasi dasar yang mengambil langkah-langkah kecil berulang ke bawah pada suatu fungsi. Sebuah teorema terbaru⁠(terbuka di jendela baru) oleh Guy Barzilai, Ohad Shamir, dan Moslem Zamani menanyakan kapan urutan nilai yang dikunjungi oleh penurunan gradien membentuk kurva konveks dari waktu ke waktu (kurva tanpa penurunan), yang membuat perilaku algoritma lebih mudah untuk dianalisis dan dikendalikan. Versi pertama dari makalah menunjukkan hal ini hanya untuk ukuran langkah yang sangat kecil dan konservatif.

Sébastien Bubeck memberikan versi hasil yang lebih lemah kepada GPT‑5 dan bertanya apakah kondisinya dapat diperbaiki, dan model tersebut mengusulkan batas ukuran langkah yang lebih tajam serta bukti yang lebih bersih dan lebih standar yang kemudian dia periksa dengan cermat secara manual; dengan lebih banyak waktu berpikir, proses internal model bahkan memperoleh batas optimal dari awal.

Kontribusi GPT‑5: GPT‑5 membantu Sébastien Bubeck menjelajahi kondisi ukuran langkah yang lebih tajam dan menyarankan bukti yang lebih bersih untuk teorema optimasi konveks baru-baru ini, yang ia verifikasikan secara independen.

Bacalah selengkapnya di halaman 3.(terbuka di jendela baru)

Mengungkap simetri tersembunyi di sekitar lubang hitam

Dalam relativitas umum, lubang hitam yang berputar dijelaskan oleh solusi Kerr, dan gelombang yang bergerak di sekitarnya memenuhi persamaan diferensial yang rumit. Fisikawan mencari simetri dari persamaan semacam itu—transformasi yang membuatnya tetap tidak berubah—karena simetri mengarah pada kuantitas yang terjaga dan struktur yang sederhana. Karya terbaru oleh Alex Lupsasca menunjukkan bahwa persamaan gelombang Kerr memiliki struktur simetri tersembunyi yang membentuk aljabar SL(2,ℝ), yang membantu menjelaskan mengapa respons pasang surut tertentu menghilang.

Ketika kami bertanya langsung kepada GPT‑5 Pro tentang masalah Kerr secara keseluruhan, pada awalnya gagal dan tidak melaporkan adanya simetri yang menarik. Setelah Lupsasca memberikan versi "pemanasan" yang lebih sederhana dari struktur yang sama di ruang datar, kami kembali ke kasus Kerr; kali ini, setelah sekitar 18 menit penalaran internal, model tersebut menghasilkan satu set lengkap generator simetri yang menutup ke dalam SL(2, ℝ), yang sesuai dengan hasil manusia.

Kontribusi GPT‑5: GPT‑5 Pro merekonstruksi aljabar simetri tersembunyi SL(2,ℝ) dari persamaan gelombang lubang hitam Kerr setelah diberikan masalah pemanasan yang sesuai, dan Lupsasca mengonfirmasi hasilnya.

Wawasan mekanistik dalam imunologi

Pertanyaan kunci dalam imunoterapi modern, terutama dalam pengobatan kanker CAR-T yang mengandalkan sel T yang dimodifikasi secara rekayasa, adalah bagaimana menjaga sel T yang baik tetap aktif dan tahan lama tanpa mendorongnya ke dalam keadaan lelah dan tidak berfungsi. Literatur mapan telah menunjukkan bahwa pembatasan sementara metabolisme glukosa dapat memprogram ulang sel T secara tahan lama menjadi lebih proinflamasi. Dalam sebuah studi sebelumnya, Derya Unutmaz dan koleganya secara singkat merawat sel T CD4+ manusia (sebuah kelas kunci dari sel kekebalan) dengan 2-deoxyglucose (2DG), sebuah senyawa yang mengganggu metabolisme glukosa. Setelah menghapus 2DG dan kemudian mempersiapkan sel T CD4+ dengan IL-2 (molekul sinyal yang memberi tahu sel T untuk berkembang biak), mereka mengamati pergeseran yang bertahan lama menuju keadaan proinflamasi mirip Th17—subtipe sel T yang terlibat dalam perlindungan dan penyakit autoimun—dan menghabiskan waktu berbulan-bulan untuk bereksperimen dan membaca untuk mencapai mekanisme yang masuk akal yang menjelaskan efek ini.

Bertahun-tahun kemudian, dia memberikan GPT‑5 Pro sebuah gambar sitometri aliran yang belum dipublikasikan yang menunjukkan berbagai subset sel T setelah perlakuan dengan tingkat glukosa dan 2DG yang bervariasi—dan menanyakan apa yang mungkin menjelaskan data tersebut dan eksperimen apa yang harus dilakukan selanjutnya. Dalam sekitar selusin menit diskusi bolak-balik, model tersebut menyarankan bahwa gangguan glikosilasi terkait-N (bagaimana sel menempelkan rantai gula ke protein) selama priming adalah pendorongnya, dan memprediksi bahwa sel T memori (bukan sel T naif) yang bertanggung jawab. GPT‑5 kemudian mengusulkan eksperimen lanjutan yang spesifik, termasuk eksperimen penyelamatan manosa yang elegan yang memulihkan N-glikosilasi tanpa memulihkan glikolisis. Laboratorium sebelumnya telah melakukan eksperimen penyelamatan mannose, dan hasilnya persis sesuai dengan prediksi model.

GPT‑5 Pro kemudian dapat menganalisis data yang tidak dipublikasikan dari sel T CD8+ yang dipaparkan dengan 2DG, dan memprediksi bahwa paparan 2DG sementara selama pembentukan CAR-T akan meningkatkan efisiensi pembunuhan terhadap garis sel kanker target. Prediksi GPT‑5 Pro sesuai dengan data eksperimen laboratorium yang belum dipublikasikan.

Kontribusi GPT‑5: GPT‑5 menganalisis data yang belum dipublikasikan untuk menghasilkan hipotesis mekanistik yang tidak terduga dan berharga, mengidentifikasi subpopulasi sel T yang aktif, dan menyarankan eksperimen lanjutan, yang kemudian diuji dan dikonfirmasi oleh laboratorium Unutmaz.

Bacalah selengkapnya di halaman 11(terbuka di jendela baru)

Pencarian literatur mendalam

Menghubungkan hasil geometri baru ke bidang lain

Nikita Zhivotovskiy dan rekan-rekannya membuktikan teorema baru dalam geometri konveks—studi tentang bentuk “berperilaku baik” di mana setiap garis antara dua titik tetap berada di dalam bentuk. Geometri konveks mendasari banyak model dalam pembelajaran mesin dan statistik. Setelah teorema selesai, pertanyaan alami selanjutnya adalah: di mana lagi hasil ini dapat berguna?

Alih-alih menebak istilah pencarian dan memindai literatur secara manual, Zhivotovskiy memberikan pernyataan formal teorema kepada GPT‑5 dan menanyakan area mana yang mungkin dapat hubungkan. Model tersebut mengacu pada penelitian dalam estimasi densitas, teori pembelajaran, dan optimisasi multi-objektif, serta mengidentifikasi referensi spesifik, termasuk beberapa yang belum pernah dilihatnya dan beberapa dalam bahasa lain.

Kontribusi GPT‑5: GPT‑5 membantu Nikita Zhivotovskiy mengidentifikasi koneksi dan referensi konkret di beberapa bidang, termasuk materi yang belum pernah ia temui.

Membersihkan—dan berkontribusi terhadap—database masalah Erdős

Paul Erdős mengajukan lebih dari seribu masalah, banyak di antaranya dilacak di situs web publik. Beberapa masalah masih terdaftar sebagai “terbuka” meskipun solusi ada di jurnal yang kurang dikenal atau makalah non-bahasa Inggris. Mehtaab Sawhney dan Mark Sellke menggunakan GPT‑5 sebagai asisten pencarian literatur pada database ini: untuk setiap masalah yang dianggap terbuka, mereka memintanya untuk mencari solusi atau kemajuan besar sebagian.

GPT‑5 menemukan solusi lengkap untuk beberapa masalah yang masih ditandai terbuka, mengidentifikasi hasil parsial yang substantif untuk yang lain, dan menandai kesalahan cetak dalam satu pernyataan masalah. Untuk Masalah Erdős #848, komentar manusia di situs yang sama telah menguraikan sebagian besar strukturnya; GPT‑5 mengusulkan perkiraan densitas kunci, dan Sawhney serta Sellke mengoreksi dan memperketatnya menjadi bukti lengkap yang menyelesaikan masalah tersebut.

Kontribusi GPT‑5: GPT‑5 membantu menemukan solusi yang terlewat dan mengusulkan perkiraan densitas yang kemudian disempurnakan oleh Sawhney dan Sellke menjadi bukti lengkap untuk Masalah Erdős #848.

Kode penghindar klik: sebuah kisah peringatan

Kode koreksi kesalahan menambahkan redundansi ke data sehingga Anda dapat memulihkan informasi bahkan ketika bit-bit rusak. Proyek ini meneliti jenis kode biner khusus di mana setiap posisi sesuai dengan tepi dalam grafik, dan tujuannya adalah untuk mengesampingkan kode apa pun yang terlihat seperti "klik" (sekumpulan node yang terhubung sepenuhnya). Tantangannya adalah menentukan berapa banyak pemeriksaan paritas yang secara mendasar diperlukan untuk mencegah kesalahan terstruktur ini. GPT‑5 membingkai ulang pertanyaan menggunakan persamaan kuadrat pada bidang hingga dan menyoroti hasil klasik, teorema Chevalley–Warning, yang segera menunjuk ke batas bawah yang benar—menunjukkan bahwa hanya sekitar setengah dari batasan yang diperlukan seperti yang diperkirakan sebelumnya.

Sebuah kejutan tak terduga muncul setelahnya: batasan yang persis sama, dan bukti yang pada dasarnya sama, telah muncul bertahun-tahun sebelumnya dalam sebuah makalah penelitian singkat. GPT‑5 telah mereproduksi argumen tanpa mengutip sumbernya, hanya mengidentifikasi pekerjaan sebelumnya ketika ditanya lagi dalam sesi baru. Ini menggarisbawahi pelajaran penting untuk matematika berbantuan AI: model dapat buat penalaran yang benar dan elegan, tetapi mereka mungkin tidak dapat diandalkan untuk mengaitkan dari mana ide-ide tersebut berasal. Verifikasi yang cermat dan perhatian terhadap atribusi tetaplah penting.

Kontribusi GPT‑5: GPT‑5 memberikan reformulasi kunci dan teorema klasik yang mengarah ke batas bawah yang optimal. Namun, model tersebut tidak mengidentifikasi publikasi sebelumnya sampai diminta secara eksplisit, menekankan perlunya pemeriksaan manusia yang cermat terhadap atribusi.

Bacalah selengkapnya di halaman 28(terbuka di jendela baru)

Bekerja sama dengan AI

Menggunakan GPT-5 sebagai mitra penelitian dalam bidang kombinatorik

Tim Gowers, seorang kombinatorialis pemenang Medali Fields, melakukan serangkaian eksperimen yang memperlakukan GPT‑5 sebagai “mitra penelitian” daripada sekadar alat untuk menyelesaikan soal-soal pekerjaan rumah. Dia memberikan model pertanyaan kombinatorik yang sulit yang sedang dia pikirkan secara aktif dan meminta model untuk menyarankan konstruksi, menemukan contoh tandingan, atau mengkritik argumen parsial.

Dalam beberapa kasus, GPT‑5 dengan cepat mengidentifikasi kelemahan atau kasus yang terlewat dalam konstruksi kandidat dan mengusulkan alternatif yang lebih sederhana atau contoh kontra; dalam kasus lain, model tersebut terhenti atau gagal membuat kemajuan. Kesimpulan keseluruhan Gowers adalah bahwa model ini sudah berguna sebagai kritikus yang sangat cepat dan sangat berpengetahuan luas yang dapat menguji ide-ide dan menyimpan waktu, meskipun belum memenuhi standarnya untuk penulisan bersama secara penuh.

Kontribusi GPT‑5: GPT‑5 bertindak sebagai kritikus cepat untuk Tim Gowers, menemukan kekurangan, kasus yang terlewatkan, dan alternatif yang lebih sederhana selama pekerjaan eksplorasi kombinatorik.

Bacalah selengkapnya di halaman 31(terbuka di jendela baru)

Menafsirkan model kosmologi

Kosmologi menggunakan model yang disederhanakan untuk menggambarkan perilaku skala besar alam semesta, termasuk energi gelap dan riwayat ekspansi. Model-model tersebut sering kali memiliki beberapa bentuk matematis yang setara, dan kesalahan kecil dalam perhitungan aljabar dapat menggagalkan perhitungan. Robert Scherrer menggunakan GPT‑5 untuk memeriksa keabsahan derivasi, mengeksplorasi versi sederhana dari model kosmologis, dan menerjemahkan antara parameterisasi yang berbeda dari energi gelap.

GPT‑5 sangat berguna dalam menangkap kesalahan aljabar, menyarankan formulasi yang setara dari ide fisika yang sama, dan mengarahkan Scherrer ke hasil yang ada dalam literatur yang sesuai dengan model yang dia kembangkan secara independen. Ini mengurangi gesekan antara memiliki ide di atas kertas dan mengubahnya menjadi bentuk yang dapat dibandingkan dengan data.

Kontribusi GPT‑5: GPT‑5 membantu Robert Scherrer dengan memeriksa derivasi, menyarankan formulasi yang setara, dan menunjukkan hasil yang sesuai dalam literatur.

Bacalah selengkapnya di halaman 37(terbuka di jendela baru)

Mendukung fisika fusi dan plasma

Fisika fusi dan plasma melibatkan pemodelan plasma panas dan padat di mana perubahan kecil dalam kondisi awal dapat menyebabkan perilaku yang sangat berbeda. Menjalankan dan menafsirkan simulasi ini mahal dan memakan waktu. Pekerjaan ini menggunakan GPT‑5 untuk membantu membangun dan menganalisis model reaksi-difusi yang disederhanakan dari propagasi pembakaran termonuklir, menafsirkan keluaran kompleks, dan menjelajahi bagaimana profil densitas yang berbeda memengaruhi kinerja pembakaran. Model ini membantu menjalankan sapuan parameter dan mengidentifikasi punggungan profil optimal di mana front pembakaran bergerak paling cepat.

GPT‑5 juga membantu dalam mengusulkan penjelasan teoretis untuk pola-pola numerik ini, menggunakan argumen keseimbangan daya untuk menjelaskan mengapa profil tertentu berkinerja lebih baik, dan mengusulkan aturan teknik sederhana untuk membimbing desain masa depan. Meskipun model tersebut terkadang menghasilkan simulasi yang tidak stabil atau kesimpulan yang terlalu percaya diri, pengawasan ahli memungkinkan koreksi yang cepat, sehingga lebih cepat untuk beralih dari "sesuatu yang aneh terjadi dalam rezim ini" menjadi "inilah penjelasan yang masuk akal dan uji yang konkret."

Kontribusi GPT‑5: GPT‑5 membantu membangun model fisika yang disederhanakan, menjelajahi ruang parameter, dan mengusulkan penjelasan fisika.

Bacalah selengkapnya di halaman 40(terbuka di jendela baru)

Hasil ilmiah baru yang diperoleh dengan AI

Memecahkan masalah teori bilangan Erdős

Paul Erdős mengajukan masalah tentang menemukan himpunan bilangan bulat positif terbesar dengan aturan mengejutkan: untuk setiap dua angka dalam himpunan, hasil kali dari dua bilangan tersebut ditambah satu harus selalu dapat dibagi oleh faktor prima yang merupakan kuadrat sempurna. Erdős menebak seperti apa bentuk himpunan terbesar semacam itu seharusnya, tetapi masalah tersebut belum terpecahkan selama puluhan tahun.

Sawhney dan Sellke menjelajahi struktur masalah dan kemudian meminta GPT‑5 untuk membantu menganalisis bagaimana satu angka “yang tidak pada tempatnya” akan mempengaruhi keseluruhan set. GPT‑5 menyarankan cara yang lebih jelas untuk menunjukkan bahwa jika bahkan satu angka tidak sesuai dengan pola tertentu, hal itu memaksa terjadinya kontradiksi di hampir semua angka lainnya. Ide tersebut ternyata adalah langkah yang terlewatkan. Dengan itu, para peneliti menyelesaikan pembuktian lengkap yang menunjukkan bahwa tebakan asli Erdős benar.

Kontribusi GPT‑5: GPT‑5 memunculkan wawasan kunci tentang bagaimana satu angka membatasi semua angka lainnya, memungkinkan para penulis untuk menyelesaikan pembuktian Masalah Erdős 848.

Batas bawah baru untuk algoritma daring

Algoritma online membuat keputusan langkah demi langkah tanpa mengetahui masa depan—misalnya, memutuskan bagaimana memindahkan sistem ketika kendala terungkap dari waktu ke waktu. Dalam masalah pengejaran tubuh konveks, algoritma harus tetap berada di dalam wilayah konveks yang bergerak sambil menjaga pergerakan total tetap kecil. Pertanyaan utama adalah rasio kompetitif terbaik: seberapa buruk algoritma online dapat bekerja, dalam skenario terburuk, dibandingkan dengan algoritma offline ideal yang melihat seluruh urutan secara keseluruhan sebelumnya.

Christian Coester menggunakan GPT‑5 untuk melakukan brainstorming pada contoh dan konstruksi sulit yang mungkin memaksa algoritma online apa pun untuk berkinerja buruk. Model ini menyoroti suatu konstruksi geometris tertentu yang, setelah disempurnakan dan diperiksa oleh Coester, menghasilkan batas bawah yang lebih bersih dan lebih kuat pada rasio kompetitif dibandingkan yang diketahui sebelumnya.

Kontribusi GPT‑5: GPT‑5 menyarankan sebuah konstruksi geometris yang kemudian disempurnakan oleh Christian Coester menjadi batas bawah yang lebih kuat untuk sebuah masalah algoritma daring.

Bacalah selengkapnya di halaman 61(terbuka di jendela baru)

Membuktikan ketidaksamaan baru dalam teori graf

Team mempelajari masalah teori graf tentang menghitung pola kecil—jalur, bintang, dan "wyes"—di dalam pohon (graf tanpa siklus). Pekerjaan sebelumnya telah membuktikan satu ketidaksetaraan yang menghubungkan hitungan ini dan menduga ketidaksetaraan kedua, yang tetap tidak terbukti. Dengan menggunakan kerangka kerja matematika kustom di sekitar GPT‑5, para penulis pertama-tama meminta model tersebut untuk membuktikan kembali ketidaksetaraan yang sudah diketahui, kemudian untuk mencoba membuktikan ketidaksetaraan yang diduga.

GPT‑5 menghasilkan bukti singkat dan mandiri dari kedua ketidaksetaraan, mengandalkan argumen yang berbeda dan lebih elegan daripada bukti manusia asli; Bubeck, Sellke, dan Yin kemudian memeriksa dan mengadopsi argumen model dalam tulisan mereka.

Kontribusi GPT‑5: GPT‑5 membuat bukti singkat dari dua ketidaksetaraan pada pohon, termasuk satu yang diduga, dan para penulis secara independen memeriksa serta mengadopsi argumen tersebut.

Bacalah selengkapnya di halaman 69(terbuka di jendela baru)

Mengidentifikasi parameter tersembunyi dalam jaringan yang berkembang

Para peneliti mempelajari model sederhana dari jaringan yang berkembang di mana setiap node baru menempel pada node sebelumnya dengan probabilitas yang dipengaruhi oleh parameter tersembunyi www. Tantangannya adalah bahwa setelah jaringan tumbuh, Anda hanya melihat pohon akhir yang tidak berlabel—bukan label tersembunyi atau aturan lampiran yang menghasilkannya. Pertanyaan yang masih terbuka adalah apakah www dapat dipulihkan sepenuhnya hanya dari struktur akhir ini.

Team meminta GPT‑5 untuk menalar tentang pola global apa di pohon akhir yang mungkin dapat diandalkan untuk mencerminkan nilai www. Model yang diusulkan berfokus pada statistik yang mengejutkan karena mudah diakses: proporsi jangka panjang dari node yang akhirnya menjadi daun. GPT‑5 menguraikan bagaimana fraksi daun ini menyatu menjadi fungsi sederhana yang meningkat secara ketat dari www, yang berarti bahwa www dapat dibaca langsung dari bentuk pohon. Dengan panduan ini, para penulis menghasilkan bukti lengkap yang menunjukkan bahwa parameter tersebut memang dapat diidentifikasi.

Kontribusi GPT‑5: GPT‑5 menyoroti kunci yang dapat diamati—fraksi daun—yang membuka metode yang bersih dan dapat dibuktikan untuk memulihkan parameter tersembunyi www dari satu snapshot dari jaringan akhir.

Bacalah selengkapnya di halaman 75(terbuka di jendela baru)

Keterbatasan

Studi kasus ini adalah ilustrasi terkurasi tentang di mana GPT‑5 telah berguna; ini bukan sampel sistematis, dan tidak mencakup seluruh rentang mode kegagalan. Pengawasan ahli tetap penting. GPT‑5 terkadang dapat berhalusinasi menghasilkan kutipan, mekanisme, atau bukti yang tampak masuk akal; GPT‑5 dapat sensitif terhadap masalah scaffolding dan pemanasan; terkadang melewatkan nuansa spesifik domain; dan dapat mengikuti jalur pemikiran yang tidak produktif jika tidak dikoreksi. Ini adalah area penelitian yang aktif, dan kami bekerja dengan kolaborator untuk mengukur dan mengurangi kegagalan ini saat kami menyempurnakan sistem di masa depan.

Selanjutnya

Secara keseluruhan, studi awal ini menunjukkan bahwa GPT‑5 mulai membantu dengan jenis pekerjaan ilmiah baru. Model ini tidak otonom, tetapi di tangan ahli, model ini dapat membantu membuktikan teorema, menemukan kembali dan memperluas struktur, menampilkan koneksi lintas bidang, serta buat mekanisme dan eksperimen yang dapat divalidasi oleh para ilmuwan.

Kami juga melihat lintasan di mana sistem ini meningkat seiring dengan lebih banyak waktu dan daya komputasi. Jika GPT‑5 dapat secara bermakna membantu beberapa pertanyaan penelitian dalam 20 menit, kami mengharapkan hasil yang lebih mendalam ketika model dapat menghabiskan berjam-jam atau berhari-hari untuk menalar suatu masalah. Dikombinasikan dengan ilmuwan kelas dunia, ini menunjukkan kemungkinan perubahan besar dalam produktivitas ilmiah dari waktu ke waktu.

2025

Penulis

Kevin Weil

Terus membaca

Lihat semua

Introducing new capabilities to GPT-Rosalind

Produk3 Jun 2026

Strengthening societal resilience with Rosalind Biodefense

Produk29 Mei 2026

Geometry > ArtCard > Polynomial Construction

Sebuah model OpenAI telah membantah dugaan utama dalam geometri diskret

Riset20 Mei 2026