当地时间9月8日,OpenAI公布消息称,一款尚未公开的下一代模型组织约1万个AI智能体协同工作,经过约88小时探索后,针对克雷数学研究所七大“千禧年难题”之一的纳维—斯托克斯方程存在性与光滑性问题给出了一种证明思路,并进一步完成了166页论文以及Lean形式化验证代码。

消息公布后迅速引发关注。

一方面,AI能够在较短时间内组织大规模智能体进行资料检索,代码运行,数学推导和结果验证,显示出人工智能参与前沿科学研究的新能力；另一方面,相关成果尚处于数学界独立检验阶段,且研究成果是否受到既有研究和训练数据影响等问题,也随之成为争议焦点。

88小时完成一项前沿数学探索

纳维—斯托克斯方程是描述流体运动的重要数学方程,相关存在性与光滑性问题长期以来一直没有得到完整解决。

其核心问题可以简单理解为：在三维情况下,流体运动的数学解能否始终保持平滑,还是可能在有限时间内形成奇点。

由于问题极其困难,纳维—斯托克斯方程被列入克雷数学研究所公布的七大千禧年难题,每道题均设置100万美元奖金。

OpenAI此次并不是宣称证明了三维纳维—斯托克斯方程在所有情况下都保持光滑,而是选择了题目所涉及的特定方向,即构造有限且处处光滑的外力,证明在这种情况下光滑解无法维持到所有时间。

从数学问题的严格定义来看,这种成果与“彻底解决纳维—斯托克斯方程”并不能简单画等号。其最终数学价值,仍需要经过专业研究者的详细审查和独立验证。

OpenAI方面也表示,不会申领这项千禧年难题的奖金。

AI智能体开始像一个“研究团队”

此次事件真正值得关注的地方,或许并不只是某一个数学结论,而是AI完成研究的组织方式。

据OpenAI披露,相关模型从8月28日开始训练。系统启动后,大量AI智能体被划分到不同任务组,分别处理不同数学方向。它们可以读取缓存的互联网资料,运行代码,进行推导,并在组内交流研究结果。

早期阶段,接近100个智能体用了约50小时研究无外力欧拉方程,并取得有限时间奇点方面的结果。随后,系统将更多计算资源转向纳维—斯托克斯问题,再由Codex等系统整合不同方向的研究思路,并将新的任务继续分发给其他智能体。

这种工作模式与传统科研团队存在明显差异。

传统数学研究往往依赖少数研究人员长期思考一个问题,而AI智能体体系则可以同时运行大量“虚拟研究人员”,让它们并行尝试不同路线,快速淘汰失败方案,再将有价值的结果汇总。

换句话说,AI的优势可能不只来自单个模型的“聪明程度”,还来自大规模并行协作带来的效率。

Lean验证让AI数学证明更进一步

除了给出论文,OpenAI还公开了相关Lean验证代码。

Lean是一类计算机定理证明工具,可以将数学命题转化为计算机能够检查的形式,从而帮助研究人员验证证明过程中是否存在逻辑漏洞。

对于AI生成的数学成果而言,形式化验证具有特殊意义。

过去,人工智能可以生成看起来十分完整的数学证明,但其中可能隐藏着逻辑跳跃或者错误。通过Lean等形式化系统进行验证,可以在一定程度上减少这类风险。

这也意味着,未来AI参与数学研究可能形成一套新的工作流程：AI负责提出猜想和寻找证明路径,多个智能体负责交叉验证,形式化工具负责检查逻辑,人类数学家最终进行独立审阅。

如果这一模式逐渐成熟,AI参与科研的方式可能发生根本变化。

成果公布后,“抢发”争议迅速出现

然而,这项成果公布后并没有只有赞誉,研究成果来源和归属问题很快成为数学界讨论焦点。

纽约大学教授特里斯坦·布克马斯特公开表示,他与一名Anthropic研究人员此前也曾在相近方向研究欧拉方程有限时间奇点问题,并完成了带光滑外力情况下的相关研究及Lean验证。

由于此前研究过程中曾使用Codex等AI工具,布克马斯特因此提出疑问：OpenAI相关模型是否可能以某种方式接触到他们此前的研究内容。

这直接触及AI科研发展中的一个敏感问题——当AI快速吸收海量公开和非公开信息后,如何判断一项AI产生的成果究竟来自独立推导,还是受到已有研究成果的影响。

OpenAI方面回应称,其研究人员和AI智能体没有看到相关成果,也没有为此次解题专门访问特定用户数据。同时,OpenAI也表示,无法完全排除相关产品数据曾以某种方式进入训练数据的可能性。

OpenAI还强调,双方研究的欧拉问题在外力设定等方面存在区别。

因此,目前更适合将这场争议理解为一项关于AI科研“独立性”和成果归属的讨论,而不能直接据此认定存在成果抄袭。

AI进入科学发现阶段,真正的挑战才刚刚开始

此次事件还引出了一个更深层的问题：当AI能够同时调动成千上万个智能体进行科研探索后,未来科学研究的竞争单位是否还会只是个人或实验室,而可能变成由模型,算力,数据和智能体组成的“科研系统”。

过去,一个数学家可能需要数月甚至数年才能验证一个方向。如今,AI能够在几十小时内并行探索大量路径。

速度提升固然令人震撼,但速度并不是数学研究的全部。

一个真正具有突破意义的数学成果,不仅需要提出结论,还需要经得起同行审查,独立复现以及长期检验。尤其面对千禧年难题这样的顶尖数学问题,一篇由AI生成的论文距离获得数学界广泛认可,仍然需要经过严格程序。

因此,这次事件的意义或许并不在于“AI已经取代数学家”,而在于它展示了一种过去很难想象的科研生产方式。

菲尔兹奖得主陶哲轩此前提出的一个观点尤其值得关注：随着AI越来越擅长寻找答案,真正稀缺的资源可能逐渐从“解题能力”转向“提出值得解决的问题的能力”。

如果AI可以快速探索数以千计的证明路径,人类科学家的价值也可能进一步向问题选择,研究方向判断,理论框架构建以及成果评价等环节集中。

从88小时挑战千禧年难题开始,AI与科学研究之间的关系正在进入一个新的阶段。

答案是否最终成立,还需要时间和数学界的检验；但可以确定的是,AI已经不再只是科研人员手中的计算工具,而正在尝试成为能够提出思路,组织协作,完成验证的“研究伙伴”。

而这场关于数学证明的争议,或许只是AI进入前沿科学发现时代的一个开端。