OpenAI GPT-5 早期科学加速実験

OpenAIは、「GPT-5を用いた早期科学加速実験」というタイトルの研究論文を発表し、大学および国立研究所との協力を記録して、モデルの科学発見を加速する能力をテストした。その結果、GPT-5は自律的な科学者ではないものの、既知の結果を統合し、新たな証明を生成し、検証可能な生物学的メカニズムを提案することで、専門家にとって強力な力の倍増器として機能することが示された。

科学ワークフローにおけるGPT-5の役割

GPT-5は、探索の表面積を拡大し、仮説から結果へ移行するのに必要な時間を短縮する研究パートナーとして機能する。自律的に動作するのではなく、人間の科学者がアジェンダを定め、アイデアを批判し、結果を検証する形で協調して働く。

これらの初期実験で特定された主要な能力は以下の通り：

概念的文献検索: モデルはアイデア間の深い関係を特定し、異なる言語やアクセスが難しいソースから関連資料を取得できる。キーワードベースの検索を超える。
理論的推論: 数学および理論コンピュータサイエンスにおいて、GPT-5は数分で実行可能な証明のアウトラインを生成し、以前は日単位または週単位かかっていた作業を削減できる。
仮説生成: 生物学などの経験科学において、モデルは観測データに対するメカニズムを提案し、ウェットラボでそれらの仮説を検証する具体的な実験を設計できる。
横断的統合: モデルはある分野（例えば凸幾何学）の形式的定理を他の分野（例えば密度推定や学習理論）の応用とつなげられる。

科学加速の事例研究

数学および理論コンピュータサイエンス

GPT-5はオープン問題の解決と理論的境界の改善に貢献した：

エルデシュ問題: メhtaab サウニーとマーク・セルケ研究者はGPT-5を使用してエルデシュ問題#848を解決した。モデルは、単一の「場所違い」の数が集合の残りをどのように制約するかという重要な洞察を提供し、これが最終証明の欠けていたステップとなった。
凸最適化: セバスチャン・ビュベックはモデルを使用して勾配降下法に関する定理を改善した。GPT-5はより鋭いステップサイズ境界とよりきれいな証明を提案し、ビュベックが手作業で検証した。
オンラインアルゴリズム: クリスチャン・コエスターはGPT-5を使用して凸ボディ追跡問題の難しいインスタンスをブレインストーミングし、以前知られていたよりも競争比の下限を強化した。
グラフ理論: モデルは木における2つの不等式に対して短くエレガントな証明を生成し、そのうちの1つは以前は推測に過ぎなかった。

生物学および免疫学

デリヤ・ウヌトマズ医師が主導する研究において、GPT-5は未公開のフローサイトメトリー散布図を分析し、ヒト免疫細胞の perplex な変化のメカニズムを特定した。モデルは、プリミング中のN結合グリコシレーションの乱れが原因であり、「マンノースレスキュー実験」を提案してそれを証明した。ラボの既存データはモデルの予測と完全に一致した。

物理学および宇宙論

ブラックホールの対称性: フラットスペースでの「ウォームアップ」問題を与えられた後、GPT-5 Proはケラー黒ホール波動方程式の隠れたSL(2,ℝ)対称性代数を再構築し、人間が導き出した結果と一致した。
宇宙論モデル: ロバート・シェラーはモデルを使用してダークエネルギーの異なるパラメータ化の間で導出を健全性チェックし、変換を行い、代数的誤りを削減した。
核融合およびプラズマ物理学: モデルは熱核燃焼伝播の簡略化された物理モデルの構築を助け、燃焼前線の最適な密度プロファイルを特定した。

技術的制限と要件

これらの成功にもかかわらず、OpenAIは以下の持続的な失敗モードにより専門家の監督が必須であると強調している：

幻覚: GPT-5は見かけ上妥当だが誤った引用、メカニズム、または証明を生成する可能性がある。
帰属のギャップ: クリーク回避コードに関する事例では、モデルは以前の研究論文から正しい議論を再現したが、出典を引用せず、新しいセッションで明示的に尋ねられたときにのみ元の作品を特定した。
感度: モデルのパフォーマンスは、「スキャフォールディング」（問題のフレーミング方法）や「ウォームアップ」問題を使用して推論を priming することに敏感である可能性がある。
推論エラー: 人間の専門家によって修正されない場合、生産的でない推論の道筋をたどる可能性がある。

今後の方向性

OpenAIは、GPT-5の現在の能力がベースラインであり、計算量と推論時間の増加により向上すると考えている。ラボは、モデルが20分で研究問題を支援できる場合、モデルが数時間または数日かけて複雑な問題について推論することを許可されれば、より深い結果が得られると期待している。