从黑洞对称性到长寿密码，ChatGPT正在重写科学史
——当AI开始"做科研"：一场悄然改变人类文明进程的革命
Edited By: ForceInstitute
科学史上有无数个改变命运的瞬间。
1947年，贝尔实验室的科学家们在量子物理的启发下造出了第一颗晶体管——那个拇指盖大小的东西，最终撑起了今天数十万亿美元规模的数字经济。GPS的精准导航，依赖的是爱因斯坦相对论中一个当年看似"没用"的推论。
没有人预料到，一粒种子会长成参天大树。
而现在，又一粒种子，正在悄悄破土。
一、科研正在陷入"生产力危机"
在谈论AI如何改变科学之前，我们必须先正视一个令人不安的现实：人类的科研效率，正在系统性下滑。
经济学家们将这一现象称为"研究生产力下降"——用更多的人、更多的钱、更长的时间，却只能产出同等数量的洞见。
以半导体行业为例：维持芯片晶体管数量每两年翻倍（即"摩尔定律"），今天所需的研究人员数量，是1970年代初期的18倍以上。
医学领域同样如此。过去一个世纪，科学进步将人类平均寿命从32岁推至73岁，成就堪称奇迹。但仍有74%的全球死亡由心脏病、癌症、糖尿病、中风等慢性病造成。更难受的是，即使科学家发现了新靶点，一款新药从发现到上市平均仍需10到15年——这期间，有多少患者在等待中离去？
知识的边界越来越远，抵达边界的代价越来越高。
这，正是AI登场的历史时刻。
二、数百万研究者，已经在用AI做科研
数据往往比叙述更有力。
每周，全球有约130万名研究人员、学生、STEM教职人员和工程师在ChatGPT上讨论高水平的科学与数学问题，每周产生的相关消息量高达840万条。仅仅在2025年一年间，这一数字增长了近50%。
这些人不是在用AI写作业。他们在用AI调试代码、清洗数据、推导数学公式、综述文献、规划实验——做的，是货真价实的科研工作。
与普通ChatGPT用户相比，这批科研用者发送的消息量是普通用户的3.5倍，与编程相关的消息量更是高出12倍。
AI，已经成为实验室里那个永不下班的"隐形合作者"。
三、三个真实故事，三种科学加速
故事一：数学家的深夜突破
数学家Ernest Ryu研究的是"优化算法"——让现代经济中的物流调度、工程控制等问题得到更高效的解。
2023年他开始试用ChatGPT，彼时的模型经常漏掉约束条件，对大规模现实问题束手无策。但他没有放弃，持续观察模型的进化。
转折点来自2025年——当OpenAI模型在国际数学奥林匹克竞赛斩获金牌级表现之后，Ryu决定把AI带入真正的研究前线。
他选了一个与"Nesterov加速"相关的开放问题——这个技术是现代机器学习优化器的核心基础，问题悬而未决已久。之后连续三个晚上，他在孩子睡着后从晚8点工作到午夜。AI反复试错，Ryu反复纠偏——他把这个过程形容为"走迷宫"：沿着走廊前进，推开一扇扇门，有些门后什么都没有，但你始终保持对地图的感知。
第三天晚上，AI做出了一个"看起来不一样"的跳跃，解锁了证明的关键。Ryu反复验证，让学生复核，然后公开发布——优化学界为之震动。
他的结论是：AI将他走迷宫的速度提高了3到10倍。
故事二：物理学家的黑洞试炼
物理学家Alex Lupsasca是个典型的"先怀疑，再被说服"的人。
他最初只把ChatGPT当成一个行政助手，帮他整理文献、润色论文草稿——毕竟，物理学的核心，是把自然法则转化为可验证的精确预测，那是人类智识最精密的部分，怎么可能交给机器？
但模型在不断进化。当他测试一道研究生水平的广义相对论题目——"黑洞视界处的磁场强度是多少"——AI在几秒内给出了完整推导，令他愕然。更奇特的是，AI有时会用他从未见过的数学语言表达正确结论，仿佛它掌握了多种物理与数学"方言"，能自主选择最简洁的那一种。
真正的考验来了。Lupsasca花了数年时间，推导出了一个关于黑洞"潮汐响应"的方程中的"隐藏对称性"——这是一个高度专业的原创结果。他将这个方程交给GPT-5 Pro，几乎没有给任何提示。
模型思考了18分钟，返回的结果，与他花了数月才得到的对称生成元完全一致。
Lupsasca说："我认为这太不可思议了，它显然将改变我们所做的一切。"
故事三：生物学公司的长寿竞赛
RetroBioSciences正在追逐一个宏大目标：让细胞返老还童，从根本上延缓衰老。
核心技术是"OSKM因子"细胞重编程——通过四种特定蛋白质，将细胞的"生物钟"拨回。但传统方法低效缓慢，筛选更优蛋白质变体，往往需要数年的试错。
OpenAI与他们合作，训练了一个专门面向蛋白质工程的基础模型，将蛋白质序列、三维结构、进化信息和相关科学文献融为一体。这个模型生成了数千个候选蛋白质序列，经过筛选缩减至数百个可供实验室实际测试的变体。
实验结果令人振奋：在部分测试靶点上，约有一半的AI生成变体，其表现优于天然野生型蛋白质。部分变体甚至展现出提升细胞抵抗DNA损伤能力的特性——而这个属性，在设计阶段根本没有被刻意筛选。
从"数年试错"压缩到"数月迭代"——这不仅是速度的提升，更是整个科研范式的转变。
四、AI做科学的边界在哪里？
当然，AI并非无所不能。
现阶段，AI擅长的是"将已知方法以正确方式组合拼接"，以及"建立两个领域之间意想不到的连接"。但像牛顿发明微积分那样，从零创造一种全新的数学体系，仍然超出当前AI的能力范围。
AI的另一个已知弱点是"看起来正确、其实有误"的幻觉式推理——一个论证貌似完整，却在某个步骤暗藏漏洞。为此，研究者们正在探索将AI与形式化验证工具（如Lean证明助手）结合，让每一步推导都经过机器的严格审核。
但即便如此，AI在近期的价值已经清晰可见：更快的文献综述，更可靠的计算调试，更高效的假设迭代，更短的从问题到答案的周期。
五、这一次，历史在加速
晶体管的发明，用了几十年才改变世界。量子力学的公式，在教室里沉睡了数十年，才被工程师唤醒，变成手机里的芯片。
但这一次，科学与技术之间的距离，似乎正在以我们从未经历过的速度收缩。
那个每天晚上8点开始工作的数学家，那个被黑洞方程震惊的物理学家，那个在实验室里等待AI返回候选蛋白质的生物学团队——他们的故事，只是一个开端。
当工具足够强大，科学家们终于可以把更多时间，用于真正值得追问的问题。
人类文明的引擎，或许正在换挡提速。
参考资料：OpenAI-《AI as a Scientific Collaborator: From biology to black holes, ChatGPT is accelerating research》
网友评论