Твърдението на OpenAI за доказателство по Навие–Стокс, обяснено

Уравненията на Навие–Стокс описват как се движат флуиди като вода и въздух. Те са централни за динамиката на флуидите, инженерството и физиката, но математиците все още нямат пълно аналитично разбиране за поведението им в три измерения.

Версията за Наградата на хилядолетието пита, най-общо, дали гладките начални условия винаги водят до гладки решения за цялото бъдещо време, или уравненията могат да „избухнат“ — да произведат сингулярност, при която величина като скоростта става безкрайна. Clay Mathematics Institute посочва проблема като един от седемте проблема за Наградата на хилядолетието през 2000 г., всеки свързан с награда от $1 милион. Преди това съобщение само хипотезата на Поанкаре беше решена сред седемте, както обобщава Wikipedia.

Твърдението на OpenAI, както е отразено от Quanta Magazine, е, че автономни AI агенти, работещи върху вътрешен модел, са открили сингулярност в триизмерните уравнения на Навие–Стокс. Quanta съобщава, че работата е използвала около 10 000 агенти, че агентите са намерили доказателство след 88 часа и че друг AI модел е формализирал резултата в Lean след още 17 часа. Агентите са обменили почти 5 милиона съобщения, а Sébastien Bubeck от OpenAI е оценил изчислителната цена на няколко милиона долара, според Quanta.

MIT Technology Review съобщава, че OpenAI казва, че не планира да претендира за наградата от $1 милион. Според Wikipedia контрапримерът все още не е проверен от външни математици или от Clay Mathematics Institute.

Последната точка е важна. Формализацията в Lean е силен сигнал, но не е същото като приемане от общността. Quanta отбелязва, че формалните доказателства могат да установят, че дадено твърдение следва вътре в proof assistant, докато математиците все пак трябва да проверят дали формализираното твърдение е логически еквивалентно на математическото твърдение, което хората са възнамерявали да докажат.

Диференциалните уравнения описват връзки между променящи се величини. В механиката на флуидите уравненията на Навие–Стокс съчетават скорост, налягане, вискозитет, външни сили и запазване на масата. Те са достатъчно лесни за записване в стандартна нотация, но дългосрочното им поведение може да бъде изключително трудно за разбиране.

Централната трудност не е дали инженерите могат да симулират флуиди. Те го правят постоянно. Въпросът е дали идеализираните математически уравнения гарантирано се държат добре при условията, зададени от проблема за Наградата на хилядолетието.

Сингулярност би означавала, че уравненията предсказват срив: някаква част от флуида еволюира към невъзможно математическо състояние. Както обяснява Quanta, това не предполага незабавен практически провал в инженерството в реалния свят, защото действителните флуиди са съставени от молекули и атоми, а не от идеално гладки континууми. Но като математика би показало, че идеализираните уравнения имат по-изненадващо поведение, отколкото мнозина са очаквали.

Проблемът е свързан и с турбулентността — едно от най-трудните явления във физиката. Wikipedia описва турбулентността като един от най-големите нерешени проблеми във физиката въпреки значението ѝ за науката и инженерството. Доказателство за blowup не би „решило турбулентността“ в практически смисъл, но би променило това, което математиците знаят за уравненията зад нея.

Спорът се съсредоточава върху връзката между работата на OpenAI и работата на Buckmaster и Alpöge.

Quanta съобщава, че обявяването на OpenAI е дошло около 12 часа след като Buckmaster е обявил резултати с Alpöge по тясно свързани проблеми. Тяхната работа е използвала различни AI модели, включително модели на OpenAI. MIT Technology Review съобщава, че Buckmaster и Alpöge са работили почти година върху проблема и че Buckmaster е публикувал доказателство, показващо, че опростена версия на уравненията на Навие–Стокс може да се разпадне.

И работата на OpenAI, и работата на Buckmaster–Alpöge изглежда разчитат на подход, свързан с Diego Córdoba и Luis Martínez-Zoroa. Quanta казва, че и двата екипа са разчитали силно на работата на Córdoba и Martínez-Zoroa, които са разработили стратегия, различна от методите, използвани от повечето математици. MIT Technology Review цитира професора по математика в Brown University Javier Gómez-Serrano, според когото този подход е бил един от няколкото, смятани за обещаващи за проблема.

OpenAI е признала, според MIT Technology Review, че екипът е бил вдъхновен да се заеме с проблема, след като е чул слух за усилията на Buckmaster и Alpöge. Спорът е дали моделите или служителите на OpenAI са имали достъп до, са били обучавани върху или по друг начин са се възползвали от работата на Buckmaster и Alpöge.

MIT Technology Review съобщава, че Buckmaster е публикувал документ, описващ взаимодействия със служители на OpenAI. Според разказа на Buckmaster служителите на OpenAI са представили две възможности. Buckmaster и Alpöge биха могли да публикуват работата си и OpenAI да публикува своето решение за Навие–Стокс на следващия ден, или Buckmaster би могъл да работи с OpenAI по статия за Навие–Стокс, която изключва Alpöge от авторство заради принадлежността му към Anthropic. MIT Technology Review също съобщава, че OpenAI е отрекла нейни служители или агенти да са имали достъп до стенограмите на Buckmaster и Alpöge.

Това са сериозни обвинения, но публичната картина е непълна. Правилната позиция е математическото твърдение да се отдели от спора за признанието. Доказателството може да е вярно, докато процесът остава етично оспорван. Или доказателството може да се провали при преглед, докато въпросите за авторството пак остават важни.

Lean е proof assistant: система за изразяване на математически твърдения и проверка, че всяка стъпка следва от формални правила. В математиката с високи залози това може да премахне голям клас грешки. То може също да направи AI-генерираните доказателства по-лесни за одит, защото доказателството не е само проза; то е изпълнима формална логика.

Затова компонентът Lean е важен. Ако формализацията е коректна и съответства на замисленото твърдение за Навие–Стокс, резултатът става много по-труден за отхвърляне като убедителна халюцинация. За създателите на AI това е разликата между модел, който пише правдоподобни разсъждения, и система, която произвежда артефакти, които друга програма може да провери.

Но Lean не решава всеки проблем на доверието. Той не установява приоритет. Не разкрива как е намерено доказателството. Не обяснява дали частни данни, стенограми или непубликувани идеи са повлияли на търсенето. И не заменя ролята на математическата общност в тълкуването на значимостта на доказателството.

Това разграничение би трябвало да звучи познато на хората, които изграждат AI продукти. Структурирани изходи, тестове, evals и формални проверки могат да направят системите по-надеждни, но сами по себе си не отговарят на въпросите за управлението. Ако AI агент може да извиква инструменти, да преглежда логове, да използва повторно частен контекст или да координира действия с други агенти, системата има нужда от граници и одитни следи толкова, колкото и от сурова способност.

Това е една от причините работата с множество агенти да е инженерен проблем, а не просто трик с prompt. Независимо дали проектирате изследователски агенти или бизнес работни процеси, практическите въпроси са сходни: кои агенти могат да виждат какъв контекст, кои инструменти могат да извикват, къде се случват прехвърлянията и какво се записва в логовете? Тези проектни избори имат значение при AI агентите много преди залозите да достигнат територията на Наградата на хилядолетието.

Най-впечатляващият оперативен детайл е мащабът. Quanta съобщава за приблизително 10 000 агенти, 88 часа търсене, още 17 часа за формализация и почти 5 милиона съобщения между агентите. MIT Technology Review съобщава, че OpenAI е казала, че изпълнението е струвало милиони долари.

Този мащаб не е достъпен за повечето академични групи. Той подсказва възможно бъдеще, в което граничният математически напредък зависи от вътрешни модели, частни бюджети за изчисления и агентна инфраструктура, концентрирани в няколко AI компании.

MIT Technology Review представя това като повратна точка за математиката: ако големи отворени проблеми могат да бъдат атакувани от частни рояци агенти, нормите на академичното сътрудничество може да бъдат поставени под напрежение. Математиците често се учат от неуспешни опити, частични резултати и погрешни завои. Ако те се случват вътре в частни системи и никога не стават публични, областта може да получи отговори без споделения път, който традиционно създава нови инструменти и подобласти.

Quanta цитира математика от Princeton Charles Fefferman, който е написал официалното описание на проблема за Clay Institute, да казва, че е развълнуван, че проблемът е решен, и да посочва Córdoba и Martínez-Zoroa като героите на историята. Това признание е полезна корекция. Дори ако финалната стъпка е била автоматизирана, изследователският усет — изборът на обещаваща посока — идва от човешка математическа работа, изграждана с години.

За създателите урокът не е „използвайте повече агенти“. Той е, че агентните системи усилват качеството на пространството за търсене, което им е дадено. По-добрите модели и по-големите бюджети помагат, но формулирането на проблема, подборът на контекст, достъпът до инструменти и циклите за проверка все още определят дали системата изследва полезна територия, или изгаря изчислителен ресурс.

Ако маршрутизирате работа между множество модели, същият принцип важи в по-малък мащаб. Използвайте най-добрия модел за задачата, но не третирайте избора на модел като цялата система. Околният работен процес — извличане, ограничения, проверки, одобрения и логове — е мястото, откъдето идва надеждността. С други думи, способността идва от целия работен процес, не от избор по класация.

Първото, което трябва да се следи, е математическото валидиране. Външните математици и Clay Mathematics Institute ще имат нужда от време, за да оценят дали доказателството е правилно, дали формализацията в Lean съответства на замисленото твърдение и как резултатът се вписва в предишната работа.

Второто е признанието. Публичните разкази от OpenAI, Buckmaster, Alpöge и външни математици все още не формират установен запис. Централните въпроси са фактически: до какво са имали достъп агентите или служителите на OpenAI, върху какво са били обучавани, какво са знаели и кога са го знаели?

Третото е дали това ще се превърне в шаблон. Ако граничните AI лаборатории могат да насочват масивни рояци от агенти към известни нерешени проблеми, ще последват още съобщения. Някои ще бъдат чисти. Някои ще бъдат оспорвани. Някои ще се провалят при преглед. Засегнатите области ще имат нужда от норми за признание, разкриване, частни изчислителни ресурси и претенции за приоритет с AI помощ.

За хората, които изграждат с AI извън чистата математика, посланието е достатъчно ясно: способността се измества към системи, не към единични prompts. Агентите, инструментите, маршрутизирането на модели и проверката се превръщат в единицата работа. Екипите, които се справят добре с произхода и прегледа, ще бъдат в по-добра позиция от екипите, които само гонят по-големи изходи.

Ще продължим да следим историята с проверката и признанието, докато се развива. Ако искате AI новини със запазен технически контекст, можете да се абонирате за бюлетина на LIA.

• OpenAI твърди, че автономни AI агенти са открили сингулярност в триизмерните уравнения на Навие–Стокс и са създали формализация в Lean.
• Резултатът все още не е проверен от външни математици или приет от Clay Mathematics Institute.
• Доказателство в Lean може да намали много грешки при проверката на доказателства, но рецензентите все пак трябва да потвърдят, че формалното твърдение съответства на замисленото математическо твърдение.
• Обявяването е преплетено със спор за признание, включващ работата на Tristan Buckmaster, Levent Alpöge, Diego Córdoba и Luis Martínez-Zoroa.
• Съобщеният мащаб на изпълнението подчертава ресурсна пропаст между граничните AI лаборатории и повечето академични групи.
• За създателите на AI епизодът показва, че агентите имат нужда от произход, одитни следи, цикли за проверка и ясни граници, не само от повече изчислителен ресурс.

Този раздел отговаря на практическите въпроси зад твърдението на OpenAI за Навие–Стокс: отговорите по-долу обхващат съобщението, ролята на Lean и частите, които все още се нуждаят от независим преглед. Той също така отделя математическите залози от спора за признанието около работата.

OpenAI казва, че има AI-генерирано решение, но твърдението все още се нуждае от външен математически преглед и оценка от Clay Mathematics Institute.

Според цитираните материали OpenAI твърди, че нейните агенти са открили сингулярност в триизмерните уравнения на Навие–Стокс и че друг модел е формализирал резултата в Lean.

Lean може да провери, че всяка формална стъпка следва от правила, което прави доказателството по-трудно за отхвърляне като правдоподобна проза. Математиците все още трябва да проверят, че формализираното твърдение съответства на замисленото твърдение за Навие–Стокс.

Спорът засяга дали работата на OpenAI се е възползвала от AI-подпомогнати изследвания на Tristan Buckmaster и Levent Alpöge без надлежно признание. OpenAI отрича нейни служители или агенти да са имали достъп до техните стенограми, според MIT Technology Review.

Не. Доказателство за blowup би променило математическото разбиране за уравненията зад движението на флуидите, но не би решило пряко турбулентността като практически инженерен проблем.