Vår nye vitenskapsblogg
Vi lanserer OpenAIs vitenskapsblogg for å gi forskere i og utenfor akademia et sted å dele hva de oppdager med AI, og hvordan de arbeider. Målet vårt er å sikre at AGI kommer hele menneskeheten til gode. Å få fart på vitenskapelige oppdagelser er en av måtene vi kan gjøre størst nytte på i arbeidet mot dette målet.
Vi vil publisere arbeid fra et bredt spekter av vitenskapelige fagområder, blant annet:
Forskning og oppdagelser: Nye vitenskapelige resultater og oppdateringer om pågående forskning fra OpenAI, samarbeidspartnerne våre og forskningsmiljøet for øvrig.
Metoder og praktisk veiledning: Eksempler på hvordan forskere bruker modellene våre til oppgaver som vitenskapelige beregninger, dataanalyse, litteratursøk og planlegging av eksperimenter. Vi vil dele fremgangsmåter andre kan tilpasse, inkludert hvordan arbeidet kan kontrolleres, og hvor metodene kommer til kort.
Perspektiver fra forskningsmiljøet: Førstehåndserfaringer fra forskere som bruker AI, hva de lærer, og hvordan disse mulighetene påvirker fagområdene deres. Vi vil også diskutere uavklarte spørsmål om vitenskapelig praksis og hvordan disse verktøyene kan bli nyttige for flere.
Vitenskap utvider forståelsen vår av verden og muliggjør fremskritt, fra bedre legemidler til nye energikilder. Mange av disse fremskrittene begynner med grunnleggende spørsmål som først viser sin praktiske betydning flere år senere.
De siste månedene har vi sett at modellene våre kan håndtere stadig flere typer vitenskapelige problemer. I september utarbeidet et internt system hos OpenAI et bevis knyttet til eksistens- og glatthetsproblemet for Navier–Stokes-ligningene, et mangeårig spørsmål om ligningene som beskriver væskebevegelse. Tidlig i oktober publiserte vi et bredt spekter av matematiske resultater. Blant dem var et resultat om kvasi-Riemann-hypotesen(åpnes i et nytt vindu) som gir en strammere grense for feilen i en klassisk formel for å anslå hvor mange primtall som er mindre enn et gitt tall. Senere samme måned delte vi resultater innen matematikk, informatikk og fysikk om hvordan bølger konsentreres, grensene for effektive beregninger og det matematiske grunnlaget for kvantefeltteori med vekselvirkninger.
Innen biologi bruker forskere AI til å analysere komplekse datasett, se funn på tvers av fagområder i sammenheng og utvikle nye hypoteser som kan testes i laboratoriet. I samarbeid med PerturbAI og Scripps Research analyserte tusenvis av agenter drevet av GPT‑Rosalind eksisterende eksperimentelle data fra millioner av hjerneceller fra mus på 32 minutter. Ved å koble effektene av forstyrrelser i genfunksjonen til vitenskapelig litteratur identifiserte de mulige biologiske mekanismer som forskere kan teste. Forskere utvikler også egne fremgangsmåter: Teamet til César de la Fuente bruker ChatGPT og Codex til å utvikle algoritmer som identifiserer molekyler med mulig antibiotisk effekt. Deretter fremstiller og tester de molekylene i laboratoriet.
Disse verktøyene åpner nye muligheter og endrer vitenskapelig praksis. Innen matematikk reiser systemer som genererer bevis, spørsmål om hvordan nye resonnementer blir kontrollert, forklart og innlemmet i faget. I eksperimentelle vitenskaper gir det å utforske flere hypoteser både muligheter og utfordringer når forskere skal velge hvilke eksperimenter de vil gå videre med. På tvers av fagområder vurderer forskere hva disse verktøyene betyr for opplæring, kreditering av bidrag og ferdighetene arbeidet krever. Konsekvensene vil variere fra fag til fag, og forskningsmiljøene bør være med på å forme hvordan disse verktøyene brukes.
Vi håper denne bloggen hjelper flere med å forstå hvordan AI endrer vitenskapen, og hvordan de kan bruke AI til å utforske nye spørsmål og gjøre egne oppdagelser.
- 2026


