Tidlige eksperimenter i å akselerere vitenskapen med GPT‑5

Vitenskap former alt fra menneskers helse til energiproduksjon, fra nasjonal sikkerhet til vår forståelse av universet. Hvis KI kan akselerere vitenskapen – forkorte tiden det tar å generere nye ideer, eller å gå fra en idé til et testet resultat – vil fordelene akkumuleres i samfunnet.

Tempoet i innovasjonen er imidlertid fortsatt en begrensning. Selv når den rette ideen foreligger, kan det ta år å gjøre den om til et produkt eller en behandling. I en nyere undersøkelse⁠(åpnes i et nytt vindu) sa 60 prosent av spurte i USA at vitenskapelige og medisinske gjennombrudd når dem for sakte; 73 prosent sa at vi trenger bedre måter å akselerere oppdagelser; og 69 prosent identifiserte vitenskapelig lederskap som en topp nasjonal prioritet.

I dag publiserer vi «Early science acceleration experiments with GPT‑5⁠(åpnes i et nytt vindu)», en artikkel som er skrevet i samarbeid med partnere ved universiteter og nasjonale laboratorier, inkludert Vanderbilt, UC Berkeley, Columbia, Oxford, Cambridge, Lawrence Livermore National Laboratory og The Jackson Laboratory. Den samler tidlige kasusstudier innen matematikk, fysikk, biologi, informatikk, astronomi og materialvitenskap der GPT‑5 har hjulpet forskere med å syntetisere kjente resultater på en ny måte, gjennomføre omfattende litteraturgjennomgang, akselerere krevende beregninger og til og med generere nye bevis for uløste proposisjoner. Artikkelen dokumenterer også begrensninger. Målet vårt er å gi samfunnet en klar oversikt over hva disse systemene kan og ikke kan gjøre i forskningsmiljøer i dag.

Disse kasusstudiene viser hvordan GPT‑5, i ekspertenes hender, akselererer vitenskapelige oppdagelser, og hvorfor denne akselerasjonen er viktig:

• Biologi: I en studie ledet av Derya Unutmaz, M.D., brukte forskere flere måneder på å forsøke å forklare en forvirrende endring i menneskelige immunceller. GPT‑5 identifiserte den sannsynlige mekanismen i løpet av minutter fra et upublisert diagram og foreslo et eksperiment som bekreftet det. Denne typen hastighet kan hjelpe forskere å forstå sykdommer raskere og utvikle bedre behandlinger.
• Matematikk: I et annet tilfelle arbeidet forskerne Mehtaab Sawhney og Mark Sellke med et flere tiår gammelt åpent problem som opprinnelig ble foreslått av Paul Erdős. De sto fast på det siste trinnet, og GPT‑5 kom med en ny idé om hvordan et oddetall bryter mønsteret, noe som hjalp dem med å fullføre beviset. Fremskritt som dette styrker de matematiske grunnlagene som mange algoritmer og sikkerhetsteknikker til syvende og sist er avhengige av.
• Algoritmer og optimalisering: Forskerne Sébastien Bubeck og Christian Coester undersøkte om en vanlig beslutningsmetode brukt i robotikk og ruting var like pålitelig som folk trodde. GPT‑5 fant et nytt, tydelig eksempel som viser at metoden kan feile, og forbedret også et klassisk resultat innen optimalisering, matematikken som brukes til å finne den beste måten å løse et problem. Denne typen fremskritt hjelper ingeniører med å bedre forstå beslutningssystemene som brukes i robotikk, ruting og andre applikasjoner i den virkelige verden.

OpenAIs oppdrag for vitenskap er å akselerere vitenskapelige oppdagelser: å hjelpe forskere med å utforske flere ideer, teste hypoteser raskere og avdekke innsikter som ellers ville tatt betydelig tid. Vi gjør dette ved å kombinere banebrytende modeller med det riktige verktøyet, samrbeidet og arbeidsflyten.

Vi samarbeider tett med forskere innen akademia, industri og nasjonale laboratorier. Dette samarbeidet hjelper oss å forstå hvor modellene er nyttige, hvor de svikter, og hvordan vi kan integrere dem i den vitenskapelige prosessen – fra litteraturgjennomgang og bevisgenerering til modellering, simulering og eksperimentell design.

Tilnærmingen vår kombinerer to supplerende perspektiver. Spesialiserte vitenskapelige verktøy, som simuleringsmotorer, proteindatabaser og datamaskinalgebrasystemer, er avgjørende for effektivitet og presisjon. Samtidig fortsetter skalering av grunnmodeller å åpne for nye resonnementsevner: å koble ideer på tvers av fagfelt, skissere bevis, foreslå mekanismer og navigere i store mengder litteratur konseptuelt i stedet for ved hjelp av nøkkelord. Vi vil bruke spesialiserte verktøy der de finnes. Der generell resonnering er påkrevd, bygger vi modeller som er designet for å håndtere det. Begge tilnærmingene forsterker hverandre.

Den mest meningsfulle fremgangen kommer fra menneske–KI-team. Forskere setter dagsordenen: de definerer spørsmål, velger metoder, kritiserer ideer og validerer resultater. GPT‑5 bidrar med bredde, hastighet og evnen til å utforske mange retninger parallelt.

Det er en kompetanse å kunne bruke GPT‑5 på en effektiv måte. Forskere lærer hvordan de skal stille spørsmål, når de skal komme med motargumenter, hvordan de skal bryte ned problemer i trinn, og hva de skal foreta uavhengig validering. Produktivt arbeid ser ofte ut som en dialog – forsker- og modelliterasjon til en lovende retning dukker opp, eller ideen forkastes.

På tvers av disse tidlige studiene ser GPT‑5 ut til å kunne forkorte deler av forskningsarbeidsflyten når den brukes av eksperter. Den kjører ikke prosjekter eller løser vitenskapelige problemer autonomt, men den kan utvide utforskningsområdet og hjelpe forskere med å bevege seg raskere mot korrekte resultater.

• En ny fremvoksende evne er konseptuelt litteratursøk. GPT‑5 kan ofte identifisere dypere forbindelser mellom ideer og hente relevant materiale på tvers av språk og mindre tilgjengelige kilder. Forskere rapporterer at de har funnet referanser, forbindelser og teser de ikke kjente til tidligere.
• GPT‑5 er særlig nyttig innen matematikk og teoretisk informatikk, hvor strukturen er tydelig og tilbakemeldingssløyfer er raske. Matematikere har brukt GPT‑5 til å generere levedyktige bevisskisser på få minutter, og dermed forvandlet arbeid som ellers kunne ha tatt dager eller uker. Innen fysikk og beregningsdomener kan modellen foreslå forenklinger eller peke på analoge strukturer i andre fagområder.
• Innen biologi og andre empiriske vitenskaper kan modellen foreslå mekanismer og designe eksperimenter for å validere disse hypotesene i våtlaboratoriet.

Vi har kommet forbi punktet der modeller bare oppsummerer eksisterende kunnskap. Nå kan tidlige bidrag fra GPT‑5 gi forskere meningsfull hjelp under eksperttilsyn. Forbedringstakten antyder potensialet for dypere akselerasjon etter hvert som kapabiliteter og verktøy utvikles.

Disse casestudiene er utvalgte eksempler på hvor GPT‑5 har vært nyttig; de er ikke et systematisk utvalg, og de dekker ikke hele spekteret av feiltyper. Eksperttilsyn er fortsatt viktig. GPT‑5 kan av og til hallusinere sitater, mekanismer eller bevis som virker plausible; den kan være følsom for stillas- og oppvarmingsproblemer; den overser av og til domenespesifikke nyanser; og den kan følge uproduktive resonnementer hvis den ikke korrigeres. Dette er aktive forskningsområder, og vi jobber med samarbeidspartnere for å måle og redusere disse feilene mens vi forbedrer fremtidige systemer.

Samlet sett viser disse tidlige studiene at GPT‑5 begynner å hjelpe med nye typer vitenskapelig arbeid. Modellen er ikke autonom, men i eksperthender kan den hjelpe med å bevise teoremer, gjenoppdage og utvide strukturer, avdekke tverrfaglige forbindelser, og generere mekanismer og eksperimenter som forskere kan validere.

Vi ser også en utvikling der disse systemene forbedres med mer tid og datakraft. Hvis GPT‑5 kan meningsfullt hjelpe med noen forskningsspørsmål på 20 minutter, forventer vi dypere resultater når modeller kan bruke timer eller dager på å resonnere rundt et problem. Kombinert med forskere i verdensklasse peker dette mot muligheten for et kvantesprang i vitenskapelig produktivitet over tid.