OpenAI公开722篇论文：解码大模型背后的科学巨人与AGI边界

type

status

date

slug

summary

引言：当大模型站在人类巨人的肩膀上

在生成式人工智能的发展历程中，科学界与工业界的目光正从“语言生成”转向深度的“科学推理”。OpenAI此前一口气公开了722篇由AI独立或深度辅助撰写的数学与理论计算机预印本，震动了整个学术界。许多媒体惊呼“AI即将攻克所有数学难题”，然而，这仅仅揭开了故事的一半。另一半同样重要且发人深省的问题是：AI究竟是站在谁的肩膀上完成这些工作的？

丹麦奥尔堡大学AI安全实验室发起了一项名为《巨人之肩》（On Whose Shoulders）的开源溯源分析，针对这批AI稿件涉及的所有参考文献进行了系统性的梳理。数据揭示了一个宏大的科学图景：这批稿件跨越了5个多世纪的人类知识积累，涉及11,067部学术著作，引用了约9,600位科学家的研究，其中包含114位菲尔兹奖、阿贝尔奖或沃尔夫奖得主。关注最新AI新闻与前沿动态的从业者可以通过 AI资讯门户深入追踪这些大模型背后的演进逻辑。本篇文章将深入解读这722篇稿件背后的科学群像，探讨大模型在科学发现中的真实定位。

科学群像：现代数学家成为AI的“工具库”

许多人以为AI引用的大多是牛顿、高斯、欧拉等历史教科书上的先贤，但事实恰恰相反——绝大多数被引用的学者是今天依然活跃在第一线的数学与理论计算机科学家。AI模型在进行高阶数学推导时，实际上是将当代科学家的前沿定理当作功能强大的模块与工具来调用：

算术几何：模型借鉴了Laurent Fargues与Peter Scholze（舒尔茨）近年关于将向量丛与p进局部系统对应的高深理论；

双有理几何：稿件直接沿用了Caucher Birkar关于有界补的定理与近期策略，同时吸收了Osamu Fujino的归纳法及Christopher Hacon等人的工作；

概率论与统计物理：AI依靠菲尔兹奖得主Hugo Duminil-Copin等对随机簇模型的临界穿越估计，以及Duplantier、Miller与Sheffield的“树的配对”定理；

组合与调和分析：在反例构造中，模型熟练地运用了陶哲轩、布尔甘等人的和积方法，以及Michel Talagrand针对自旋玻璃问题开创的空腔方法。

在这一浩瀚的学术接力中，华人数学家的身影尤为瞩目。丘成桐先生1976年证明卡拉比猜想的经典工作被十余篇AI稿件反复调用；陈省身先生关于高斯–博内公式的内蕴证明与陈–西蒙斯形式，成为了多个几何命题的基石。此外，王虹与Joshua Zahl关于三维Kakeya猜想的突破、郭少明与张瑞祥等人在调和分析领域的最新进展，以及许晨阳、田刚、丁剑等数学家的代表作，都成了AI模型能够展开推理的核心理论支撑。

工程师造出机器，科学家赋予其灵魂

在探讨AGI与LLM在科研领域的表现时，我们必须理清工程师与科学家的分工边界。简单来说：工程师造出了机器，而科学家提供了可被学习的高质量内容。

工程师负责构建顶级的底层架构、分布式训练代码、高效的数据管线和庞大的GPU算力集群；然而，模型在预训练中所学到的“直觉”，完全脱胎于人类数学家撰写的论文、讲义与专著。例如，当AI在稿件中写下“由射影直线上向量丛的分裂定理，E是线丛的直和”时，它并不是创造了一个新定律，而是复现了格罗滕迪克（Grothendieck）在1957年奠定的经典形式。科学家的直觉是经过严密思考后获知下一步该选用哪一条引理，而chatGPT等大模型的直觉，则是从人类千百年来沉淀的高质量推理链条中估算出的概率路径。

在强化学习（RL）与推理时搜索阶段，模型通过海量采样寻找解答路径。若没有科学家预先铺就的高质量逻辑轨道，模型的推理采样就如同在大海中捞针，奖励信号将始终为零，进化也就无从谈起。

梯度信号的核心：科学家在AI研发循环中的三大角色

前沿科学的大模型训练并非普通的提示词工程，而是依赖模型在大规模搜索中的“尝试-验证”闭环。在这一闭环中，梯度决定了模型学习的方向，而梯度的质量完全取决于外部信号的强度。科学家在这一闭环中牢牢占据了三个不可替代的核心生态位：

提出具有战略价值的科学问题（Taste）：大模型在“刚好够得着”的问题上学习效率最高。平庸的题目只会产生平庸的数据种子，而埃尔德什、希尔伯特或丘成桐式的问题清单，指引了算力最该投向何处。

定义“何为正确”的严苛边界：数学之所以能率先成为大模型验证逻辑的试验场，是因为数学证明具有极其精确的符号体系。如果验证器设计松散，模型就会在强化学习中通过“作弊”或幻觉钻空子。

对突破性成果进行最终裁决：即使是OpenAI这批备受瞩目的稿件，也在公开后因符号逻辑错误撤回了数篇，并修订了十几篇。缺乏形式化验证的数学推导依然存在瑕疵，唯有依托科学共同体的同行评议，才能最终决定哪些结论真实有效。

这好比石油勘探：无论重型钻机的钻探能力有多强，依然需要资深地质学家决定在何处勘探、评估开采出来的物质是否具有真实价值。

警惕科学回撤：缺乏人类外部信号的模型退化危机

有人提出激进论调：“既然AI可以撰写学术论文，人类科学家是否将被取代？”答案是否定的。如果领域科学家退后一步，现有的人工智能系统将迅速面临“模型退化”（Model Collapse）的严峻风险。

诸多前沿研究表明，如果大模型长期使用自身生成的数据进行自循环训练，模型分布中的长尾信息与稀缺知识将逐步丢失，推理能力将显著退化。没有顶级科学家设计的新实验、新猜想与严谨判定标准，大模型采样空间将被局限在越来越狭窄、平庸的区间内，最终丧失发现颠覆性知识的能力。关注AI日报和前沿学术评测的研究者都清楚，高质量的人类智力投入，正是驱动AGI持续迭代的真正燃料。

结论：人机协同才是科学发现的终极范式

OpenAI公开的722篇数学稿件，绝非人类科研人员退场的宣告，而是一首由人类智慧与机器算力共同谱写的交响乐。大模型以超乎寻常的广度和速度，遍历了人类科学家数百年来构建的知识网络；但每一束照亮未知迷雾的算法之光，源头依然是那些在黑板前、在草稿纸上孤独探索的科学家们。

面向未来，无论是探索AI变现的商业应用，还是追求通向通用人工智能的理论突破，科学家与工程师的深度协同都将是唯一正解。了解更多关于大模型技术突破、行业前沿分析与前沿AI发展动态，敬请访问 aigc.bar，共同见证人机协同时代的科技演进。