AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：OpenAI×
5月22日
22:14
08:06
08:05
08:05
08:05The Rundown AI@therundownai
OpenAI 在数学领域取得突破，破解了一个困扰学界 80 年的数学猜想，展示了 AI 在基础科学推理上的潜力。Google 的 AI Co-Scientist 系统开始进入实验室实际应用，辅助科学家进行实验设计。此外，Anthropic 推出 Claude 上下文审计功能，帮助用户了解 AI 如何理解自己的工作。Emergence 公司发起五镇 AI 对齐挑战赛，探索多智能体协作中的价值观对齐问题。本周还有 4 款新 AI 工具和社区工作流发布，值得关注。
行业OpenAIGoogleAI Co-Scientist数学推理AI对齐
推荐理由：数学和科学研究者会看到 AI 如何从工具变成合作者——OpenAI 的突破和 Google 的实验室应用都指向同一个方向：AI 正在改变科研范式，做基础研究的团队值得跟进。
原文
08:05
08:05
08:05
08:05@OpenAIDevs@OpenAIDevs
OpenAI 宣布 Codex 新增团队插件共享功能，允许团队分发自定义插件、复用内部工具，并管理工作区内的插件可用性。该功能现已面向 Business 用户开放，Enterprise 用户可申请早期访问。此举旨在提升团队协作效率，让开发者能更灵活地在 Codex 环境中共享和重用内部工具。
AI产品Codex插件共享团队协作内部工具OpenAI
推荐理由：Codex 团队插件共享解决了跨团队协作中工具复用和权限管理的痛点，使用 Codex 的开发者团队可以直接分发内部插件，减少重复开发，建议有协作需求的团队立即体验。
原文
08:05
08:05rohanpaul_ai@rohanpaul_ai
83°
一项实验表明，通用型大语言模型（LLM）在获得足够测试时计算资源后，能够产生前沿数学研究。具体而言，一个普通的OpenAI模型成功将代数数论与平面几何联系起来，并利用这一桥梁击败了一个存在数十年的猜想。这揭示了前沿模型可能已经包含有用的潜在数学能力，而瓶颈部分在于允许它们思考的时间和方式。该发现对AI在科研领域的应用具有重要意义，表明通过延长推理时间，通用模型也能突破传统局限。
论文LLM数学推理前沿研究测试时计算OpenAI
推荐理由：这项发现打破了“只有专用模型才能做前沿研究”的认知，做AI科研或数学研究的团队值得关注——它意味着你的通用模型可能比想象中更聪明，只是需要给它更多思考时间。
原文
08:05
07:54
07:51
07:42
06:11
05:29
01:20
01:20rohanpaul_ai@rohanpaul_ai
OpenAI 联合创始人 Greg Brockman 在播客中透露，2017 年团队开始认真思考如何实现 AGI 时，发现算力需求远超预期。他们接触了 Cerebras 等公司，意识到需要大量专用硬件和大型数据中心。非营利筹款存在上限，无法支撑如此巨大的投入。因此，Elon Musk、Sam Altman、Ilya Sutskever 和 Brockman 一致同意，必须创建营利实体才能继续推进 AGI 使命。这一决策标志着 OpenAI 从非营利根基转向混合结构，也揭示了 AI 研发中算力成本的关键作用。
行业OpenAIAGI算力非营利转营利Cerebras
推荐理由：这段内部决策过程揭示了 AI 研发中算力成本如何倒逼组织变革，对关注 AI 产业趋势和创业模式的读者有启发——非营利模式在资本密集型领域可能行不通。
原文
5月21日
22:45
22:45rohanpaul_ai@rohanpaul_ai
OpenAI 联合创始人 Greg Brockman 在播客中解释，公众对 AI 数据中心用水量的批评部分基于误解。他指出，现代数据中心大多采用闭环冷却系统，水在密封管道中循环使用，而非像传统冷却塔那样持续消耗新水。关键区别在于“取水量”与“消耗量”：一个数据中心可能储存大量水，但日常新水补充量远低于公众想象。OpenAI 在 Stargate 项目的官方博客中也证实，其阿比林站点每栋建筑的初始注水量约等于两个奥运泳池，但满负荷运行后全年用水量仅相当于一栋中型办公楼或四个普通家庭。Brockman 强调，AI 基础设施并非没有资源成本，但公众讨论常混淆不同冷却设计，导致对用水量的误判。
行业AI 基础设施数据中心用水争议闭环冷却OpenAI
推荐理由：Brockman 用通俗比喻（密封泳池 vs 水龙头）拆解了 AI 数据中心的真实用水逻辑，关心 AI 环境影响或基础设施成本的读者值得一看，能帮你避开常见的舆论误区。
原文
21:53
17:28
17:28orange.ai@oran_ge
93°
OpenAI 一个未公布的内部推理模型自主解决了 Erdős 1946 年提出的平面单位距离问题，这是 AI 首次独立解决一个数学领域的著名开放问题。模型的思维链长达 125 页，核心手法是从代数数论引入工具解决离散几何问题，这种跨领域连接是人类 80 年未曾想到的。该模型并非专为数学训练，而是通用推理模型，表明推理能力达到一定阈值后创造性会自然涌现。这一成果被认为是 AI 发展的里程碑时刻。
AI模型推理模型数学OpenAI创造性涌现未公开模型
推荐理由：这是 AI 首次自主解决数学开放问题，证明了通用推理模型能跨领域创造新解法，做 AI 研究和数学研究的都该看看——它可能改变我们对 AI 创造力的认知。
原文
16:25
16:25Greg Brockman@gdb
88°
OpenAI 在著名的组合几何问题——Erdős 1946 年提出的平面单位距离问题上取得重大突破，AI 模型找到了构造 n 个点使得单位距离对数超线性增长的方法。此前所有已知构造的单位距离对数都接近线性，而新方法实现了 n^{1+δ} 的常数 δ 增长（后续改进显示 δ=0.014）。这是 AI 首次在数学核心难题上做出实质性新知识生成，而非仅验证已知结果。数学家表示“很难入睡”，认为这是 AGI 的征兆。
AI模型OpenAI数学突破组合几何新知识生成AGI
推荐理由：这是 AI 首次在数学核心难题上生成全新知识，做数学研究或 AI 基础研究的团队值得关注——它可能改变我们对 AI 创造力的认知。
原文
14:57
14:57rohanpaul_ai@rohanpaul_ai
83°
OpenAI 的通用推理模型成功推翻了一个自 1946 年以来的 Erdős 平面单位距离猜想，证明了存在无限族构造能多项式改进已知上界。关键在于该模型并非专用定理证明引擎，而是通过增加测试时计算（推理阶段思考）来提升表现，无需大量领域特化训练。这一突破展示了通用推理系统在数学探索中的潜力，能够跨越几何与代数数论（如类域塔理论）的鸿沟，发现人类因学科边界和直觉限制而忽略的路径。外部数学家已验证了该证明的正确性。
AI模型推理模型数学OpenAIErdős 猜想测试时计算
推荐理由：OpenAI 用通用推理模型解决了一个困扰数学家近 80 年的难题，证明 AI 不需要专用引擎也能做前沿数学研究。做 AI 推理或数学建模的团队值得关注——它展示了“推理时计算”比“更多训练”更能带来突破。
原文
14:35
14:35AI Will@FinanceYF5
88°
OpenAI 的一个通用推理模型独立解决了数学家 Paul Erdős 在 1946 年提出的“平面单位距离问题”，这是 AI 首次自主解决一个数学领域的著名开放问题。该问题困扰了数学界近 80 年，此前最优解被认为接近正方形网格，而 AI 发现了一种全新的构造方式，表现更优。这一突破标志着 AI 开始具备长链条、跨领域推理能力，未来可能加速生物学、医学、工程学等领域的进展。但决定问题和解读结果的仍然是人类，AI 只是工具。
AI模型OpenAI推理模型数学突破平面单位距离问题AI 自主推理
推荐理由：这是 AI 首次自主解决数学开放问题，做数学研究或 AI 推理的开发者值得关注——它展示了 AI 在长链条推理上的潜力，建议点开看看具体突破。
原文
14:34
14:34AI Will@FinanceYF5
91°
OpenAI 的 AI 模型首次自主解决了数学领域一个长达 80 年的开放问题——Erdős 1946 年提出的“平面单位距离问题”。此前学界普遍认为最优解类似网格结构，但 AI 发现了更优的新构造。这是 AI 首次在没有人类引导的情况下独立攻克数学核心开放问题，标志着 AI 在数学研究中的历史性突破。该成果展示了 AI 在复杂数学推理和模式发现方面的潜力，可能改变未来数学研究的方式。
AI模型OpenAI数学推理平面单位距离问题AI 突破自主发现
推荐理由：数学研究者和 AI 爱好者会震惊——AI 首次独立解决了一个困扰人类 80 年的数学难题，这意味着 AI 不再是辅助工具，而是能自主发现新知识的伙伴。建议点开看看，见证历史。
原文
10:48
08:01
08:00
07:59
07:59
07:59
07:59Ethan Mollick@emollick
一年前，OpenAI曾宣称其未发布的通用模型在国际数学奥林匹克竞赛（IMO）中夺得金牌，但至今未公开该模型的具体名称或版本。这一神秘模型引发了外界对其能力的广泛猜测，尤其是它是否代表了OpenAI在推理和数学能力上的重大突破。如今，随着GPT-5.5 Pro Extended的推出，人们开始质疑新模型是否已追平或超越当年金牌模型的水平。该问题由学者Ethan Mollick在X上提出，再次引发对OpenAI模型演进和透明度讨论。
AI模型OpenAI推理模型IMOGPT-5.5 Pro Extended模型能力
推荐理由：OpenAI的IMO金牌模型至今未公开，这背后可能隐藏着模型能力的真实上限。关注推理模型和数学能力的开发者，值得思考GPT-5.5 Pro Extended是否已填补这一空白。
原文
07:59
07:59Greg Brockman@gdb
OpenAI 宣布在 AI 生成图像中引入 SynthID 水印技术，并推出公开验证工具，让用户能够检查图像是否由 OpenAI 产品生成。该水印与现有的 C2PA 内容凭证共同使用，旨在提升 AI 生成内容的可追溯性和透明度。SynthID 由 Google DeepMind 开发，是一种不易察觉的数字水印，可在图像被修改后仍保持可检测性。此举是 OpenAI 应对 AI 生成内容滥用问题的重要一步，为内容创作者和普通用户提供了更可靠的鉴别手段。
AI产品SynthID水印AI 图像内容溯源OpenAI
推荐理由：AI 生成图像的溯源问题终于有了更落地的方案——OpenAI 的 SynthID 水印加上公开验证工具，做内容审核、版权保护或媒体工作的团队可以直接用起来，减少被 AI 图像误导的风险。
原文
07:48
07:41
5月20日
11:00
08:03
08:01
00:38
00:38@cb_doge@cb_doge
72°
马斯克在福布斯访谈中谈及多个前沿领域。他认为OpenAI非营利转营利案判决是“危险先例”，计划上诉。他预测AI将在5年内超越全人类智能总和，全球经济5-7年翻倍，人形机器人5年内达1亿台。他强调AI算力将因能源限制转向太空，SpaceX正推进完全可重复使用火箭以实现多行星文明。Neuralink的脑机接口被描述为能恢复视力和行动能力的“耶稣级”技术。他还鼓励创业者在隧道、合成药物、电动飞机等领域寻找机会。
行业AI预测OpenAISpaceXNeuralink人形机器人
推荐理由：马斯克对AI、太空、脑机接口的预测极具冲击力，关注技术前沿的读者能从中看到未来5-10年的关键方向，值得花几分钟读完。
原文
5月19日
23:40
13:42
13:42@OpenAIDevs@OpenAIDevs
精选
AltaraTech 利用 OpenAI 模型帮助科学家和工程师处理多模态、复杂的科研数据，实现多步骤研发工作流的透明化。该公司在 OpenAI 开发者日上展示了如何通过 AI 推理跨模态数据、并行化长周期任务，并增强结果的可解释性。这一方案旨在提升科研效率与信任度，目前团队正在招聘。
AI产品OpenAI科研智能多模态工作流自动化AltaraTech
推荐理由：科研团队终于有了可落地的 AI 方案——AltaraTech 用 OpenAI 模型打通多模态数据推理与长流程并行化，做材料、生物等复杂实验的科学家可以直接参考，建议点开看看他们怎么解决透明性痛点。
原文
12:39
11:52
11:52Lenny Rachitsky@lennysan
Caitlin Kalinowski，曾从零搭建OpenAI机器人及硬件团队（此前也搭建了Meta AR/VR硬件团队），在访谈中解释了AI公司为何重注硬件。她认为，AI在键盘后的能力即将饱和，下一个前沿是物理世界，包括硬件、机器人、制造和工业化。她还讨论了VR技术如何成为现代战争基础、人形机器人仍处原型阶段的原因、即将到来的内存价格冲击，以及从乔布斯、扎克伯格和奥特曼身上学到的经验。
行业AI硬件机器人物理世界OpenAI行业趋势
推荐理由：Kalinowski从零搭建了两个顶级硬件团队，她的判断对AI从业者和硬件创业者有直接参考价值——如果你在思考AI下一步怎么走，这篇访谈值得看。
原文
10:53
10:53shao__meng@shao__meng
精选72°
OpenAI 发布了 Codex Cookbook 系列中关于 Goals 的深度指南，详细介绍了如何从传统的 prompt 模式（ask→work→result→wait）升级到 Goals 模式（work→check→continue or complete）。Goals 是线程作用域的持久状态，允许 Codex 在空闲时基于证据自主决定下一步，无需用户每轮重复指令。文章提供了强 Goal 的六要素模板（结果、验证面、约束、边界、迭代策略、阻塞停止条件），并用复现 Deep Hedging 论文的案例展示了如何将不确定的研究任务 Goal 化。Goals 最适合持久目标、基于证据的终点、路径需多轮探查的场景，如性能优化、flaky 测试调查、依赖迁移等。
AI产品CodexGoals自主工作流AI编程助手OpenAI
推荐理由：Codex 的 Goals 解决了长任务中反复手动指挥的痛点，做自动化、性能优化或研究复现的开发者可以直接用模板写出更可靠的自主工作流。
原文