访谈/播客

OpenAI 的塞巴斯蒂安·布贝克：为什么 AGI 应当加速科学

OpenAI's Sebastian Bubeck: Why AGI Should Accelerate Science

访谈/播客🎤 塞巴斯蒂安·布贝克 (Sebastian/Sébastien Bubeck)⏱ 10:04👁 NA

▶ 在 YouTube 观看

OpenAI 研究员布贝克阐述构建 AGI 的终极目的在于加速科学，并以数学领域 GPT-5 已成为真正合作者为例，展望自动化实验室等下一个前沿。

核心要点

OpenAI 构建 AGI 的核心目标是用它来推进与加速科学进步，这正是「OpenAI for Science」的出发点。
在数学和物理这类「纯思考」、无需依赖工具或数据集的领域，AI 近半年进展巨大；AI 在数学上已从工具升级为「真正的合作者」。
下一个前沿是让模型与现实世界交互——例如由 GPT-5/GP6 控制的「自动化湿实验室 (automated wet labs)」来运行实验。
在 AI 时代，对科学领域的深度专业能力比以往任何时候都更重要：唯有真正理解问题，才能准确描述情境、最大化 AI 的效用。
高质量提示 (prompting) 至关重要：AI 只拥有你给它的上下文，需要详尽说明背景和你想要的反馈类型；GPT 模型在指令遵循上表现很好。
GPT-5 解决数学猜想可耗时长达两天，其内部「思考」链极长、无人会逐字阅读，因此需要自动化工具来研究这种长链推理。

分章详解

为什么要造 AGI：终点是加速科学

布贝克提出一个值得反复思考的问题：我们造出通用智能后，究竟要用它做什么？
OpenAI 的答案是：AGI 这一全新工具最好的用途，是推进与加速科学进步，这就是「OpenAI for Science」的缘起。
对谈者补充：当前的 AI 是面向日常使用的通用版本，即便如此对科研已极其有用；达到 AGI 将极大扩展人类可选择的可能性。

近期进展与下一个前沿：从纯思考到湿实验室

过去约六个月，AI 在科学领域、尤其是数学与物理上进展显著，因为这些领域可以做「纯粹的思考」，不必然需要外部工具或数据库。
对许多其他学科而言，光思考不够，还需要与实验室交互、运行实验。
因此下一个前沿是「自动化湿实验室」——由 GPT-5、GP6 等模型控制实验操作。

AI 已成为数学的「真正合作者」

布贝克认为在数学领域 AI 已跨过门槛，成为真正的合作者，而非单纯工具。
援引几个月前的论文《用 GPT-5 进行早期科学加速》，其中菲尔兹奖得主蒂姆·高尔斯 (Tim Gowers) 描述了他与 GPT5 的协作方式。
高尔斯会就某个待解问题提出打算尝试的工具/定理思路，GPT5 则回以反例和「此路不通」的理由；这种一方提方向、另一方批判与改进的来回，正是协作的样子。
对谈者指出，与人协作能获得更多反馈，而 AI 常一味奔向答案；布贝克回应这正是提示的重要性——你可以直接要求 AI 给出详细反馈，它通常会照做。

为何数学先行，其他领域受阻于何处

数学是较为「输入—输出」明确的领域，正确性更易验证，尤其借助 Lean 等形式化证明工具。
其他领域的瓶颈主要在于：对工具和数据集的访问，以及需要围绕模型搭建特定的「框架 (harness)」。
与数据库交互的方式非常特定，必须把这些教给模型，即在模型之上构建额外层；这是 OpenAI 今年很期待去做的方向。

使用 AI 的关键技能：深度专业 + 精准提示

要尽可能榨取 AI 模型的价值，使用者必须非常精确地理解自己在做什么，才能恰当地描述情境，因此专业能力比以往更重要。
布贝克的隐忧是：过度依赖 AI 而不深入理解的人，与真正精研问题的人之间的差距可能进一步拉大。
他的建议朴素而明确：继续努力学习、精确地理解事物。

AGI 的「物理学」与长链推理的黑箱

「AI/AGI 的物理学 (physics of AGI)」是布贝克多年来的研究路径：在不同粒度上理解 AI——参数层（矩阵/高维数学对象）、神经元层（类神经科学视角）、乃至下一个 token 层。
他坦言这一风格自己现已基本放弃；随着约一年前推理模型 (reasoning models) 的出现，有了更令人兴奋的新进展方式。
谈到演讲中提到的「GPT5 约两天找到第二个不等式的证明」：先要搭建让模型长时间思考的框架，过程中模型不断产生新想法、整合旧想法、自我批判从而推进。
至于关键洞见的「临界点」何时出现，目前并不清楚——因为思考过程极长、无人会读完全部 token，所以研发自动化工具来研究这条长思维链会非常有用，但这目前并非他的主攻方向。

关键引述

“一旦我们达到 AGI，能用这一全新工具做的最好的事，就是推进科学、加速科学进步。”— 塞巴斯蒂安·布贝克 (Sebastian Bubeck)

“在数学领域，AI 如今已经成为一个真正的合作者。”— 塞巴斯蒂安·布贝克 (Sebastian Bubeck)

“对科学领域的深度专业能力，比以往任何时候都更重要……在某种意义上没什么要改变的，我们只需继续努力学习、精确地理解事物。”— 塞巴斯蒂安·布贝克 (Sebastian Bubeck)

术语 / 人物

塞巴斯蒂安·布贝克 (Sebastian/Sébastien Bubeck) — OpenAI 研究员，曾在微软研究院担任「Sparks of AGI」（GPT-4 早期能力研究）论文第一作者，现领衔 OpenAI for Science 与 GPT-5 科学加速工作。

OpenAI for Science — OpenAI 将 AGI 用于推进与加速科学研究的方向/项目，主张 AGI 最佳用途是服务科学。

蒂姆·高尔斯 (Tim Gowers) — 英国菲尔兹奖得主数学家，在 GPT-5 科学加速论文中贡献章节，描述与 GPT5 协作（提方向、AI 给反例）的方式。

自动化湿实验室 (automated wet labs) — 由 AI 模型（如 GPT-5/GP6）控制、可自动运行真实物理/化学/生物实验的实验室，是 AI 从「纯思考」走向现实交互的下一个前沿。

框架/线束 (harness) — 围绕基础模型搭建的额外层与工具接口，使模型能长时间思考、或以特定方式与数据库等工具交互。

AGI 的物理学 (physics of AGI) — 布贝克提出的研究路径，主张在参数、神经元、token 等不同粒度上理解 AI 的运作，从而把它做得更好。

Lean — 形式化证明助手/编程语言，可机器验证数学证明的正确性，使数学成为「正确性可验证」的领域。

推理模型 (reasoning models) — 约一年前兴起的一类会进行长链思考的 AI 模型，是布贝克当前更感兴趣的进展方向。

背景补充

塞巴斯蒂安·布贝克是 OpenAI 研究员，此前在微软研究院领衔影响广泛的《Sparks of Artificial General Intelligence》（GPT-4 早期能力）论文。2025 年 11 月他作为第一作者发布《用 GPT-5 进行早期科学加速实验》(Early science acceleration experiments with GPT-5, arXiv:2511.16072)，汇集了数学、物理、天文、计算机、生物、材料等领域的案例，含四项经人工核验的新数学结果。其中广为讨论的一例是 GPT-5-Pro 在凸优化问题上将已知步长界从 1/L 收紧到 1.5/L（人类后续补全至 1.75/L）。这些主张也引发争议（如 Gary Marcus 等的批评），布贝克随后澄清重点不在于 AI 独立发现结果，而在于它作为研究者协作工具的价值。

适合谁看

关注 AI 驱动科研、AGI 路线图、AI 数学/科学应用的研究者、研究生、科技政策与产业从业者，以及对人机协作科研范式感兴趣的读者。