川海智库

报告概述

本报告由OpenAI发布，系统介绍了AI工具，特别是ChatGPT，在科学研究各环节中的应用与潜力。研究对象包括数学家、物理学家、化学家和生物学家等科研群体，覆盖从文献综述、代码生成、数据分析到实验规划的全流程。报告分析了AI在数学推理、物理模拟、化学分子设计、生物蛋白工程等领域的前沿能力，并通过多个实际使用案例展示了AI如何帮助研究人员突破认知和效率瓶颈。同时，报告提出了四项政策支柱以加速AI赋能科学。读者可通过本报告了解AI作为科学合作者的最新进展及其对科研生产力的变革性影响。

报告的核心结论

AI正在加速科学研究的各个环节

报告指出，ChatGPT每周处理约840万条高级科学和数学消息，来自近130万用户。科研人员利用AI完成文献综合、代码生成与调试、数据分析、实验规划等任务，使用频率是普通用户的3.5倍，编码相关消息发送频率高出12倍。

GPT-5.2在数学领域取得突破性进展

GPT-5.2在AIME 2025测试中取得满分，在FrontierMath难题上解决率达40.3%，并解决了多个开放性的Erdős问题。其能力源自测试时计算扩展和形式化验证工具（如Lean）的结合，使数学证明更可靠。

AI在多个科学学科中发挥实质性协作作用

在物理、化学、生物学中，AI被用作思维伙伴和工作流协调器。例如，在物理中帮助推导公式和探索黑洞对称性；在化学中通过混合工作流规划实验；在生物中与RetroBio合作设计蛋白质，获得高成功率。

政策建议聚焦AI技能、数据、基础设施和广泛接入

报告提出四项建议：通过国家AI劳动力计划培养技能；开放数据并建立国家AI研究资源；现代化AI基础设施（能源、算力、芯片）；为大学和实验室提供广泛的前沿AI系统接入，以维持美国在AI科学领域的领先地位。

报告回答的关键问题

ChatGPT如何帮助科学家加快研究进度？

ChatGPT作为高度可用的协作工具，帮助科学家加速文献综述、代码编写、数据处理和实验规划。报告显示，高级用户发送消息数量是普通用户的3.5倍，编码相关消息频率高出12倍。通过迭代式协作，AI能将研究中的“迷宫探索”速度提升3-10倍，如数学家Ernest Ryu在优化问题中仅用三晚便通过AI引导解决了开放问题。

AI在数学证明方面达到了什么水平？

GPT-5.2在数学推理上取得重大进展：在AIME 2025中无需外部工具获得满分，在FrontierMath难题上解决40.3%（前三级）。更关键的是，其与Lean形式化验证工具结合，解决了多个Erdős开放问题，并由著名数学家陶哲轩验证。这标志着AI已能进行可验证的数学研究。

AI如何加速药物研发或蛋白质设计？

报告通过RetroBio案例说明：OpenAI的GPT-4B Micro模型与实验室循环配合，生成了数千个候选蛋白序列，并通过实验筛选。结果中约半数变异体表现优于野生型，部分甚至超越已知最优工程因子。整个迭代周期从数年缩短至数月，展示了AI在蛋白质工程领域的巨大潜力。

物理学家如何使用AI进行前沿研究？

物理学家Alex Lupsasca使用GPT-5 Pro在18分钟内找出了他耗费多年才推导出的黑洞“隐藏对称性”。AI还能快速解决研究生级别的物理问题、解释瞬态信号并规划后续观测。这种能力帮助研究者摆脱繁琐代数运算，聚焦于更深层次的问题。

报告中的代表性数据

840万条

ChatGPT高级科学数学周均消息量

2025年12月，2025年1月至12月，周均消息量从570万增长至近840万，增幅约47%。数据来自OpenAI内部对匿名对话的随机抽样分析。

40.3%

GPT-5.2在FrontierMath难题上的解决率

2026年1月，在Tier 1-3问题中，GPT-5.2 Thinking达到40.3%的解决率。FrontierMath是为测试真正专家设计的“Google-proof”难题集，门槛极高。

约50%

RetroBio合作中蛋白变异体表现优于野生型的比例

2025年，在模型生成的变异体中，约一半在功能测试中优于天然蛋白，且序列与天然版本差异显著。数据来自实验室初步读出的结果，具体指标请以原文为准。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 详细的数据可视化图表，展示ChatGPT在高级科学数学领域的用户增长趋势、学科分布以及使用行为差异，包括编码、推理、文献分析等任务的比例对比。
  • 前沿AI数学能力深度分析：包括GPT-5.2在AIME、FrontierMath等基准测试上的分项得分，以及在Erdős问题（#281、#728、#729、#397）上的具体解法与验证过程。
  • 物理学应用案例：从理论物理到实验设施（如国家实验室），包括黑洞对称性推导、磁场计算和粒子对撞机数据分析等场景的详细工作流程。
  • 化学与生物学应用案例：包含ChemBench基准测试结果、分子图神经网络（GNN）技术细节、AlphaFold 3的模型架构，以及RetroBio蛋白工程合作的完整实验设计、筛选逻辑和后续验证结果。
  • 三位使用者的详细访谈：数学家Ernest Ryu、物理学家Alex Lupsasca和RetroBio团队的一手经验分享，包括协作模式、迭代过程和效果评价。
  • 政策建议全文：OpenAI向白宫科技政策办公室提交的四项支柱建议（AI技能、数据开放、基础设施、广泛接入）的具体实施方案，预算估算和立法参考。
  • 形式化验证工作流的技术说明：GPT-5.2与亚里士多德（Aristotle）模型、Lean证明助手的集成机制，以及自动形式化在数学发现中的作用。
  • 研究框架与方法论：包括高级科学提示词的定义标准、用户群体分类依据、测试时计算扩展和混合模型工作流的原理说明。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告