专家“引导人”机制首秀背后：AI 实验室成果发布规范与学术共同体的获取权之争。

一、事件聚焦：OpenAI 同日宣布三大科学突破与发布方式演进

当地时间10月26日，OpenAI宣布其模型在数学、计算机科学与物理学三个领域取得新的重要成果，分别涉及调和分析中的局部光滑猜想、复杂性理论中的指数时间假说（ETH），以及量子场论的严格数学存在性证明。公司在官方公告中将三份手稿定位为“原始研究数据”，并称其成果发布方式正在“持续演进”。

与以往单方面公开的做法不同，本次发布引入了被称为“引导人（shepherds）”的外部专家机制：由OpenAI邀请的领域专家组织工作组理解新成果，并就如何发布提出建议。三项成果因此对应三种不同的处置方式——数学成果直接公开AI生成输出，“让研究者自行组织解释工作”；计算机科学成果由外部工作组负责解释，同时公开全部材料供任何人检验；物理学成果则完全未发布，OpenAI表示将“听从”外部专家小组对材料发布方式的安排。

OpenAI同时公布了外部合作的四项原则：其一，透明——合作公开进行，参与者不签署保密协议，可自由讨论、分享中间产物并发表结论；其二，不索取学术署名——公司不为其内部模型产出的发现索取学术荣誉；其三，认可——解读材料的署名归工作组，并规范引用所依据的前人研究；其四，独立——参与自愿且无报酬，小组结论不代表OpenAI。公司承认，三种发布策略“各有取舍”，尚不知哪一种最有效，欢迎学界反馈。

尽管上述安排被部分受访者视为一种“路线修正”，接受The Verge采访的研究人员却对公司的行事方式日益厌倦。这场围绕发布方式的争议并非孤立事件：过去两个月里，OpenAI与数学界之间摩擦不断，从9月初的千禧年难题宣称，到10月初数百篇预印本的集中抛掷，再到本次“引导人”机制首秀，双方张力持续累积。

图1  OpenAI三项成果对应的三种发布策略

二、三项成果的科学分量：Kakeya猜想、指数时间假说与Yang-Mills

数学成果方面，OpenAI宣称其模型证明了局部光滑猜想在全部维度上成立。该猜想由Sogge于1991年提出，描述波的聚焦行为——最极端的聚焦必然短暂；由于它在逻辑上蕴含挂谷（Kakeya）猜想与Stein限制猜想，该证明同时解决了这两个猜想在所有维度下的情形。此前，2019年Guth、Wang与Zhang证明了该猜想的二维情形；2025年，纽约大学数学家王虹与Joshua Zahl以127页论文证明了三维挂谷猜想。

三维挂谷猜想的证明正是王虹获2026年菲尔兹奖的成就之一。《The Verge》援引布朗大学数学教授Brendan Hassett的评价称，OpenAI的证明“看起来论据充分”，但他强调自己尚未核对Lean形式化证明——后者是利用计算机逐行验证数学论证的手段。据OpenAI介绍，该成果的自然语言输出于10月18日获得，次日即完成Lean形式化，两者均已公开于其GitHub仓库。

计算机科学成果的宣称更为惊人：模型给出指数时间假说（ETH）的反证。ETH是理论计算机科学中被广泛接受的假设，认为3-SAT等布尔公式可满足性问题不存在亚指数级通用算法，数百篇论文依赖它推导计算困难性结果；它与千禧年大奖难题P与NP问题密切相关。据OpenAI介绍，反证于10月16日获得、次日完成Lean形式化并公开；验证工作由ETH提出者之一的Russell Impagliazzo与Ramamohan Paturi（加州大学圣迭戈分校）及麻省理工学院教授Ryan Williams组成的三人小组负责，工作组要求公开全部原始数据，OpenAI并承诺资助一场讨论该工作影响的学术会议。

物理学成果涉及量子色动力学（QCD）——描述强核力的理论——与粒子物理标准模型核心框架Yang-Mills理论的关系。OpenAI称其给出了四维含规范场与费米子的相互作用量子场论（包括QCD及标准模型最简大统一完备化）的严格数学存在性证明，其中包含纯Yang-Mills理论存在性证明——后者是克雷数学研究所千禧年大奖难题的组成部分。The Verge报道同时指出，该工作并未触及该难题中尚未解决的“质量间隙”部分。据公告，Yang-Mills证明于9月9日获得、QCD证明于9月18日获得，Lean形式化于10月16日完成；由2004年诺贝尔物理学奖得主David Gross领导、成员包括Michael Douglas、Arthur Jaffe、Igor Klebanov与Nikita Nekrasov的小组决定暂不发布AI产出物，先行自行撰写。

尽管三项成果的披露程度不一、学界评估周期尚短，受访专家普遍认为这些结果值得认真对待，先后以“巨大”“重大突破”“意义显著”来形容。科学分量与发布争议，构成了同一事件的两个方面。

表1  OpenAI 10月26日公布的三项成果概览

图2  三项成果从AI输出获得到Lean形式化完成的耗时

三、“引导人”机制与AGMAI的批评：时机上的正面相撞

“引导人”机制并非凭空出现。9月8日，OpenAI宣称其未公开的内部模型以约88小时解决了纳维-斯托克斯方程存在性与光滑性问题——克雷数学研究所七大千禧年大奖难题之一；纽约大学数学家巴克马斯特随即指控该公司借其与Anthropic研究员阿尔珀格的未公开进展抢跑，OpenAI首席执行官奥特曼否认相关抄袭指控。9月11日，陶哲轩、邓煜等25位菲尔兹奖得主联署《人工智能在数学中的严重错位》公开信，警示AI公司将“解决名题”作为模型能力基准的做法可能对数学研究产生破坏性影响。

10月6日，OpenAI经GitHub公开722篇由内部模型生成的数学手稿，归为372个成果族、覆盖17个研究方向，令数学界措手不及；《The Verge》此后以“纯粹的疯狂”为题，报道数学家需要数年才能消化这批材料的困境。作为回应，OpenAI承诺就成果分享方式咨询设于普林斯顿高等研究院的数学与人工智能咨询组（AGMAI），并于10月15日宣布向Simons基金会新计划捐赠500万美元，支持学界检视、理解AI生成的研究成果。

然而本次公告的时机颇具戏剧性：就在10月25日——三项成果公布的前一天，AGMAI发文明确建议AI公司不要采用“指定特定人员率先获取成果”的做法，认为其“并无必要”，且存在借用被选中研究者声望、访问不平等、遴选偏倚与进度延迟等风险；该组建议AI实验室将成果发布于学术仓库，附上Lean形式化证明与问题遴选方式说明，并为致力于理解成果的研究者提供资金支持。

成果公布后，AGMAI进一步敦促OpenAI“毫不延迟地公开”物理学成果背后的自然语言输出与Lean形式化产出。该组在声明中表示：量子Yang-Mills理论的存在性既是物理学的核心问题，也是重要的数学问题，四维相互作用量子场论的构建数十年来一直是数学物理的目标；“我们十分尊重OpenAI邀请来牵头这项工作的科学家，但正如我们此前声明所说，成果的理解应当在公开环境中推进，所有人拥有同等访问权限。OpenAI称推迟发布是为了完成Lean形式化，按照他们自己的说法，这项工作现已完成，从科学层面来说没有理由继续延后发布”。

四、研究人员的耐心正在耗尽：从十月预印本风暴到如今的疲惫

大多数受访专家对OpenAI咨询外部研究者的决定表示欢迎，但强调公开宣布成果的同时，就应让任何人得以审阅。高等研究院研究员Constantin Kogler对本次规模可控的三项成果表示欢迎——相比此前“数百篇”的集中抛掷更易消化——但质疑将访问权限限制在OpenAI选定的专家之内：“先只有少数杰出科学家能看，这毫无道理。”

得克萨斯大学奥斯汀分校物理学教授Andreas Karch的批评更为直接：“指定小组是一场灾难。大实验室的权力已经够大了，他们不应该挑选赢家和输家。”他最初建议通过“竞争性程序”遴选参与研究者，但承认结果可能仍是同样一批“一流”学者；他随后追问，OpenAI为何不能在任命专家团队的同时公开证明——“这既能实现访问的民主化，又能表明他们确实在乎让研究成果变得有意义、易于理解”。

疲惫情绪的另一个来源，是AI生成发现的“密集轰炸”带来的审读负担。从9月8日的纳维-斯托克斯宣称、10月6日的722篇手稿，到10月26日的三项成果，数学界在不足两个月内经历了三轮高强度冲击，而对10月6日那批材料的核验与消化至今没有完成。

图3  OpenAI科学成果发布争议关键节点时间轴（2026年9月—10月）

五、难两全的发布困局：AI产出规模与学术审读节奏的结构性冲突

OpenAI在公告中承认，选择初始引导人“必然影响谁最先参与，并造成信息的不对称”；公司称正在实验不同方法，并欢迎反馈。斯坦福大学数学家Jared Duker Lichtman认为，找到令所有人满意的沟通方式“或许本身就不可能”：“无论选择哪一种方式，总会有人感到不满，所以这其实只是在寻找最不令人反感的选项。”

佐治亚理工学院数学教授何晓宇（Xiaoyu He）则认为，问题比发布形式更为深层：“成果本身非常亮眼，但在我看来，他们只是在刻意表现负责、审慎的姿态，却无法改变核心矛盾——基础性成果在几乎没有人类贡献的情况下被快速解决，而且产出的论文难以阅读、难以核验。”

开放获取的支持者则强调公开发布的正面价值。Hassett指出，“让世界各地多个团队共同钻研这些成果，有助于愿意使用新工具的研究者更快采用它们”，开放亦可促成更好的科学。这一判断与AGMAI的建议方向一致：成果发布于学术仓库、附形式化证明与选题说明，并配套资金支持。

截至发稿，OpenAI尚未公布物理学成果的材料，其余两项成果的学界核验亦在初期。发布规范之争的下一步，将取决于三项成果的审读进展，以及该公司如何回应AGMAI“立即公开”的敦促。对快速扩张的AI for Science浪潮而言，如何在机器产出的规模与学术共同体的理解节奏之间建立可持续的制度安排，仍是悬而未决的课题。