GPT-5 Pro 破解三年免疫学谜题，AI 科研范式已经变了

免疫学家 Derya Unutmaz 盯着同一组数据看了三年，始终找不到答案。直到 GPT-5 Pro 介入，几分钟内给出的假设，后来被实验室验证完全正确。

这不是科幻小说，是 OpenAI 刚刚公布的真实案例。

三年悬案，AI 用几分钟破局

事情要从范德堡大学的 Unutmaz 实验室说起。

这个团队研究的是 T 细胞——人体免疫系统的核心战斗单元。具体来说，他们在探索一个看似简单但极其棘手的问题：用 2-脱氧葡萄糖（2DG）短暂处理 CD8+ T 细胞后，这些细胞的行为会发生什么变化？

2DG 是一种葡萄糖类似物，能暂时干扰细胞的能量代谢。免疫学界早就知道它对 T 细胞有影响，但具体机制一直众说纷纭。Unutmaz 团队积累了大量实验数据，却始终无法拼出完整的图景。

数据摆在那里，答案却像藏在迷雾中。

GPT-5 Pro 的介入方式很直接：分析这批未公开的实验数据，然后给出机制假设。

结果让所有人意外。

模型不仅推导出了「不明显但有价值的机制假设」，还精准识别出哪些 T 细胞亚群在起作用，并且提出了后续实验方案。更关键的是，它做出了一个具体预测：在 CAR-T 细胞制备过程中短暂暴露于 2DG，将提升这些细胞对靶向癌细胞株的杀伤效率。

这个预测随后被 Unutmaz 实验室的未公开实验数据验证——完全吻合。

三年没解开的谜题，AI 用一种人类研究者没想到的角度切入，几分钟内给出了答案。

这意味着什么？CAR-T 治疗可能要变了

先解释一下背景，这个发现的分量才能看清楚。

CAR-T 疗法是近年癌症免疫治疗领域最重要的突破之一。简单说，就是从患者体内提取 T 细胞，在体外对其进行基因改造，让它们能够识别并攻击癌细胞，然后再输回患者体内。

这种疗法对某些血液肿瘤的效果堪称惊艳，但有个老问题：制备出的 CAR-T 细胞杀伤力参差不齐。有时候一批细胞特别能打，有时候就差很多。科学家们一直在寻找提升 CAR-T 细胞战斗力的方法。

现在，GPT-5 Pro 指出了一条新路：在制备过程中加入 2DG 短暂处理这一步。

如果这个发现能在更大规模的实验中得到验证，意味着 CAR-T 疗法的有效性可能会有实质性提升。对于那些正在与癌症搏斗的患者来说，这不是什么抽象的科学进展，而是真实的希望。

当然，从实验室发现到临床应用还有很长的路要走。但方向对了，路就不会白走。

不只是免疫学：GPT-5 的科研成绩单

Unutmaz 的案例并非孤例。

OpenAI 同期发布的报告显示，GPT-5 系列在多个科学领域都展现出了类似的能力。这份报告由 OpenAI 与范德堡大学、加州大学伯克利分校、哥伦比亚大学、牛津大学、剑桥大学、劳伦斯利弗莫尔国家实验室和杰克森实验室等机构共同撰写。

看几个有代表性的案例：

数学：破解 Erdős 遗留谜题

保罗·埃尔德什（Paul Erdős）是 20 世纪最伟大的数学家之一，生前提出了超过一千个问题，很多至今悬而未决。其中一个编号为 848 的数论问题，困扰数学界数十年。

数学家 Mehtaab Sawhney 和 Mark Sellke 在这个问题上已经走了很远，但卡在了最后一步。

GPT-5 给出了关键洞察：一个关于「单个数字如何约束所有其他数字」的想法。这个想法本身并不构成完整证明，但它指出了正确的方向。两位数学家据此修正、完善，最终完成了问题的完整证明。

这不是 AI 独立解题，而是人机协作的典型案例。人类卡住的地方，AI 提供了那一点灵感火花。

物理学：重构黑洞方程的隐藏对称性

物理学家 Lupsasca 在研究克尔黑洞的波动方程。这类方程背后往往隐藏着某些对称性结构，找到它们对于理解黑洞物理至关重要。

GPT-5 Pro 在给予适当的「热身问题」后，成功重构了该方程隐藏的 SL(2,ℝ) 对称代数。这个结果随后被 Lupsasca 独立验证。

算法优化：挑战经典结论

研究人员 Sébastien Bubeck 和 Christian Coester 在测试一种机器人路径规划中常用的决策方法。GPT-5 不仅发现了该方法可能失效的新例证，还改进了优化理论中的一个经典结论。

Christian Coester 则利用 GPT-5 提出的几何构造，为某个在线算法问题找到了更强的下界。

文献检索：发现被遗漏的解决方案

GPT-5 还被用作「文献搜索助手」。针对 Erdős 问题数据库中被标记为「未解决」的问题，GPT-5 搜索已有文献，结果发现其中几个问题其实已经有解决方案了——只是发表在冷门期刊或非英语论文中，没被广泛注意到。

它甚至指出了某个问题陈述中的印刷错误。

AI 做了什么，没做什么

看完这些案例，很容易产生一种误解：AI 要取代科学家了。

但仔细看报告的措辞，OpenAI 自己说得很清楚：「GPT-5 无法自主执行项目或解决科学问题。」

那它到底做了什么？

一、以新颖方式整合已知结果。 科学研究最大的挑战之一是信息过载。一个领域内的论文数以万计，没有人能全部读完。GPT-5 能帮助研究者发现跨领域的联系——比如告诉一位数学家，他正在研究的定理在学习理论和多目标优化领域也有深层联系。

二、编撰深入的文献综述。 这是很多研究者最头疼的工作。GPT-5 能快速定位相关文献，包括研究者未曾接触过的材料。

三、加速复杂计算。 科学研究中有大量繁琐但必要的计算工作。模型能帮助检查推导、建议等效表述，甚至指出文献中的相符结果。

四、为未解决的问题生成新证明思路。 这是最让人兴奋的部分。但注意，是「生成思路」，不是「给出证明」。最终的验证和完善，依然需要人类专家。

报告中也坦诚记录了 GPT-5 的局限性。比如在引用来源方面，模型并不总是主动提供相关的已发表论文，有时需要研究者明确询问才行。这提醒我们，对 AI 输出的核查依然至关重要。

菲尔兹奖得主 Tim Gowers 对 GPT-5 的评价很精准：它像一个「不知疲倦的陪练和批评家」，能快速指出缺陷、遗漏案例和更简单的替代方案。

但最终做出判断、承担责任的，还是人。

从「年」到「天」：科研节奏在改变

把这些案例放在一起看，一个趋势变得清晰：科学发现的节奏正在加速。

传统上，一个科学问题从提出到解决，可能需要数年甚至数十年。中间涉及文献调研、假设构建、实验设计、数据分析、同行评议等诸多环节，每一步都可能耗时漫长。

AI 正在压缩其中某些环节的时间。

• 文献调研：从数周变为数小时
• 假设生成：从反复试错变为快速筛选
• 跨领域联系：从偶然发现变为系统搜索

Unutmaz 的案例最能说明问题。三年没想通的机制，AI 几分钟给出假设，实验室验证吻合。整个过程中，人类依然负责提问、设计实验、验证结果、赋予意义。但中间那个「灵感涌现」的瓶颈，被 AI 打通了。

有人用望远镜做类比：望远镜本身看不懂星空，不会自动发现木星的卫星。但当伽利略把眼睛凑到目镜前，人类的视野瞬间被拉长了。

GPT-5 在科学研究中扮演的角色，很像这架望远镜。

对开发者的意义

说了这么多科学家的事，对开发者有什么关系？

关系很大。

首先，这些案例展示了大语言模型在「非日常对话」场景下的能力边界。很多人还停留在「ChatGPT 就是个聊天机器人」的认知上，但 GPT-5 Pro 在专业科研任务中的表现说明，这些模型的推理能力已经能处理高度专业化的问题。

其次，这为垂直领域应用提供了思路。如果 GPT-5 Pro 能分析免疫学数据、生成有价值的机制假设，那在其他专业领域——金融建模、材料科学、药物设计——是否也有类似潜力？答案大概率是肯定的。

最后，这提醒我们关注模型迭代的方向。从 GPT-4 到 GPT-5，能力提升不只是「对话更流畅」或「生成更快」，而是在复杂推理任务上有质的飞跃。这对需要在项目中使用大模型的开发者来说，是重要的评估参考。

想尝试 GPT-5 系列模型的开发者，可以通过 OpenAI Hub 直接调用。一个 API Key 就能访问 GPT、Claude、Gemini、DeepSeek 等主流模型，国内网络环境也能直连使用。

下面是一个简单的调用示例：

from openai import OpenAI

client = OpenAI(
    api_key="在 OpenAI Hub 获取",
    base_url="https://api.openai-hub.com/v1"
)

response = client.chat.completions.create(
    model="gpt-5",  # 或 gpt-5-pro
    messages=[
        {
            "role": "system",
            "content": "你是一个专业的科研助手，擅长分析生物医学数据并提出机制假设。"
        },
        {
            "role": "user", 
            "content": "请分析以下 T 细胞实验数据，推断可能的作用机制..."
        }
    ],
    temperature=0.7
)

print(response.choices[0].message.content)

// Node.js 示例
import OpenAI from 'openai';

const client = new OpenAI({
    apiKey: '在 OpenAI Hub 获取',
    baseURL: 'https://api.openai-hub.com/v1'
});

const response = await client.chat.completions.create({
    model: 'gpt-5-pro',
    messages: [
        {
            role: 'system',
            content: '你是一个专业的跨学科研究助手。'
        },
        {
            role: 'user',
            content: '帮我分析这个数学问题可能的解决思路...'
        }
    ]
});

console.log(response.choices[0].message.content);

冷静看待：AI4S 的边界在哪里

AI for Science（AI4S）这个概念已经喊了好几年，但真正拿出像样成果的案例并不多。OpenAI 这次发布的报告，算是迄今为止最扎实的一份答卷。

但我们也需要保持冷静。

第一，这些都是精选案例。 报告展示的是 GPT-5 表现最好的场景，那些模型没帮上忙、甚至给出错误建议的案例，我们不得而知。任何技术的早期应用报告，都需要考虑这种「幸存者偏差」。

第二，人类专家的作用依然核心。 每个成功案例背后，都有顶尖研究者在把关。Unutmaz 是资深免疫学家，Sawhney 和 Sellke 是顶尖数学家，Gowers 是菲尔兹奖得主。他们有能力判断 AI 输出的质量，知道哪些建议值得追踪、哪些应该忽略。换成经验不足的研究者，结果可能完全不同。

第三，验证成本依然存在。 AI 生成假设很快，但验证假设需要真实的实验，这个过程没法加速太多。Unutmaz 的实验室有现成的数据可以对照，这是理想情况。大多数时候，验证一个假设可能需要数月甚至数年的额外工作。

第四，可重复性需要时间检验。 科学研究的金标准是可重复性。这些早期案例还需要更多独立验证，才能确认 AI 辅助科研的模式是否真的可靠、可推广。

结语

回到文章开头的问题：三年没解开的免疫学谜题，AI 几分钟给出了答案，这意味着什么？

它意味着科学研究的方法论正在发生变化。不是 AI 取代人类，而是人机协作的方式找到了更有效的分工：人类负责提出好问题、设计好实验、做出最终判断；AI 负责在海量信息中寻找模式、生成假设、指出人类可能忽略的方向。

这种分工在 Unutmaz 的案例中展现得淋漓尽致：三年的困惑、几分钟的假设、实验室的验证，最终指向可能改善癌症治疗的实际应用。

科学研究从来不是一个人的战斗。从伽利略的望远镜到现代的粒子对撞机，工具的进步始终在拓展人类认知的边界。GPT-5 Pro 或许会成为这个行列中的新成员——不是替代科学家，而是成为科学家手中更强大的认知工具。

至于这个工具最终能走多远，还需要时间来回答。但至少从这批早期案例来看，方向是对的。

---

参考来源

注：本文主要信息来源于 OpenAI 官方发布的 GPT-5 科研应用报告及相关案例介绍，由于原始链接在国内访问受限，此处不再列出。感兴趣的读者可通过技术手段访问 OpenAI 官网获取完整报告《Early experiments in accelerating science with GPT-5》。