Tidiga experiment för att accelerera vetenskapen med GPT‑5

Vetenskapen påverkar allt från människors hälsa till energiproduktion, från nationell säkerhet till vår förståelse av universum. Om AI kan accelerera vetenskapen – förkorta tiden det tar att generera nya idéer eller att gå från en idé till ett testat resultat – kommer fördelarna att påverka hela samhället.

Men innovationstakten är fortfarande en begränsande faktor. Även när rätt idé finns kan det ta år att omvandla den till en produkt eller behandling. I en ny undersökning⁠(öppnas i ett nytt fönster) uppgav 60 procent av befolkningen i USA att vetenskapliga och medicinska genombrott når dem för långsamt, 73 procent ansåg att vi behöver bättre sätt att påskynda upptäckter och 69 procent identifierade vetenskapligt ledarskap som en viktig nationell prioritering.

Idag publicerar vi ”Early science acceleration experiments with GPT‑5⁠(öppnas i ett nytt fönster)”, en artikel som vi har skrivit tillsammans med kollegor vid universitet och nationella laboratorier, däribland Vanderbilt, UC Berkeley, Columbia, Oxford, Cambridge, Lawrence Livermore National Laboratory och The Jackson Laboratory. Den sammanställer tidiga fallstudier inom matematik, fysik, biologi, datavetenskap, astronomi och materialvetenskap där GPT‑5 hjälpte forskare att syntetisera kända resultat på ett nytt sätt, genomföra kraftfulla litteraturgranskningar, påskynda svåra beräkningar och till och med generera nya bevis för olösta propositioner. Artikeln dokumenterar också begränsningar. Vårt mål är att ge samhället en tydlig bild av vad dessa system kan och inte kan göra idag inom forskningssammanhang.

Dessa fallstudier visar hur GPT‑5, i händerna på experter, påskyndar vetenskapliga upptäckter och varför denna acceleration är viktig:

• Biologi: I en studie ledd av läkaren Derya Unutmaz ägnade forskare månader åt att försöka förklara en gåtfull förändring i mänskliga immunceller. GPT‑5 identifierade den troliga mekanismen inom några minuter från ett opublicerat diagram och föreslog ett experiment som bevisade det. Denna typ av hastighet kan hjälpa forskare att snabbare förstå sjukdomar och utveckla bättre behandlingar.
• Matematik: I ett annat fall arbetade forskarna Mehtaab Sawhney och Mark Sellke med ett årtionden gammalt olöst problem som ursprungligen hade formulerats av Paul Erdős. De hade fastnat på det sista steget, och GPT‑5 bidrog med en ny idé om hur ett udda tal bryter mönstret, vilket hjälpte dem att fullborda beviset. Framsteg som detta stärker de matematiska grunderna som många algoritmer och säkerhetstekniker i slutändan bygger på.
• Algoritmer och optimering: Forskarna Sébastien Bubeck och Christian Coester testade om en vanlig beslutsmetod som används inom robotik och routing var så tillförlitlig som man antog. GPT‑5 hittade ett nytt, tydligt exempel som visar att metoden kan misslyckas och förbättrade också ett klassiskt resultat inom optimering, den matematik som används för att räkna ut det bästa sättet att lösa ett problem. Denna typ av framsteg hjälper ingenjörer att bättre förstå de beslutsfattande system som används inom robotik, routing och andra verkliga tillämpningar.

OpenAI for Science har som uppdrag att accelerera vetenskapliga upptäckter: att hjälpa forskare att utforska fler idéer, testa hypoteser snabbare och upptäcka insikter som annars skulle ta betydligt längre tid. Vi gör detta genom att kombinera banbrytande modeller med rätt verktyg, arbetsflöden och samarbeten.

Vi samarbetar nära med forskare inom akademin, industrin och nationella laboratorier. Dessa samarbeten hjälper oss att förstå var modellerna är användbara, var de misslyckas och hur vi kan integrera dem i den vetenskapliga processen – från litteraturgenomgång och bevisgenerering till modellering, simulering och experimentell design.

Vårt tillvägagångssätt kombinerar två kompletterande övertygelser. Specialiserade vetenskapliga verktyg, såsom simuleringsmotorer, proteindatabaser och datoralgebra-system, är avgörande för effektivitet och precision. Samtidigt fortsätter skalbara grundmodeller att öppna upp för nya resonemangsmöjligheter: att koppla samman idéer mellan olika områden, skissa bevis, föreslå mekanismer och navigera i omfattande litteratur på ett konceptuellt sätt snarare än med hjälp av nyckelord. När det finns specialiserade verktyg vill vi använda dem; när det krävs allmänna resonemang bygger vi modeller som är utformade för att hantera detta. Båda vägarna förstärker varandra.

De mest betydelsefulla framstegen kommer från team bestående av människor och AI. Forskare sätter agendan: de definierar frågor, väljer metoder, kritiserar idéer och validerar resultat. GPT‑5 bidrar med bredd, hastighet och förmågan att utforska många riktningar parallellt.

Att använda GPT‑5 effektivt är en färdighet. Forskare lär sig hur man ställer frågor, när man ska insistera, hur man delar upp problem i steg och vad man ska validera självständigt. Produktivt arbete liknar ofta en dialog – forskaren och modellen upprepar processen tills en lovande riktning framträder eller idén förkastas

I dessa tidiga studier verkar GPT‑5 kunna förkorta delar av forskningsarbetsflödet när det används av experter. Det kan inte driva projekt eller lösa vetenskapliga problem på egen hand, men det kan utvidga forskningsområdet och hjälpa forskare att snabbare nå fram till korrekta resultat.

• En framväxande förmåga är konceptuell litteratursökning. GPT‑5 kan ofta identifiera djupare samband mellan idéer och hämta relevant material på olika språk och från mindre tillgängliga källor. Forskare rapporterar att de har hittat referenser, kopplingar och avhandlingar som de inte kände till tidigare.
• Inom matematik och teoretisk datavetenskap, där strukturen är tydlig och återkopplingslooparna är snabba, är GPT‑5 särskilt användbart. Matematiker har använt GPT‑5 för att generera genomförbara bevisutkast på några minuter, vilket har förvandlat arbete som annars skulle ha tagit dagar eller veckor. Inom fysik och beräkningsdomäner kan modellen föreslå förenklade transformationer eller peka på analoga strukturer inom andra områden.
• Inom biologi och andra empiriska vetenskaper kan modellen föreslå mekanismer och utforma experiment för att validera dessa hypoteser i laboratoriet.

Vi har kommit förbi den punkt där modeller endast sammanfattar befintlig kunskap. Nu kan tidiga bidrag från GPT‑5 på ett meningsfullt sätt hjälpa forskare under expertövervakning. Förbättringstakten antyder potential för djupare acceleration när förmågor och verktyg förbättras.

Dessa fallstudier är noggrant utvalda exempel på var GPT‑5 har varit användbart; de är inte ett systematiskt urval och de täcker inte hela spektrumet av feltyper. Expertövervakning är fortfarande avgörande. GPT‑5 kan ibland hallucinera citat, mekanismer eller bevis som verkar plausibla; det kan vara känsligt för scaffolding- och uppvärmningsproblem; det missar ibland domänspecifika nyanser; och det kan följa improduktiva resonemang om det inte korrigeras. Detta är aktiva forskningsområden, och vi arbetar tillsammans med våra samarbetspartner för att mäta och mildra dessa fel i takt med att vi förfinar framtida system.

Sammantaget visar dessa tidiga studier att GPT‑5 börjar hjälpa till med nya typer av vetenskapligt arbete. Modellen är inte autonom, men i experthänder kan den hjälpa till att bevisa teorem, återupptäcka och utvidga strukturer, avslöja kopplingar mellan olika fält och generera mekanismer och experiment som forskare kan validera.

Vi ser också en utveckling där dessa system förbättras med mer tid och beräkningskapacitet. Om GPT‑5 kan ge meningsfull hjälp med vissa forskningsfrågor på 20 minuter, förväntar vi oss djupare resultat när modellerna kan ägna timmar eller dagar åt att resonera kring ett problem. I kombination med forskare i världsklass pekar detta mot möjligheten till en stegvis förändring i vetenskaplig produktivitet över tid.