Tvrzení OpenAI o důkazu Navierových–Stokesových rovnic, vysvětleno

Navierovy–Stokesovy rovnice popisují, jak se pohybují tekutiny, například voda a vzduch. Jsou ústřední pro dynamiku tekutin, inženýrství a fyziku, matematici ale dosud neměli úplné analytické porozumění jejich chování ve třech rozměrech.

Verze problému tisíciletí se zhruba ptá, zda hladké počáteční podmínky vždy vedou k hladkým řešením pro celý budoucí čas, nebo zda mohou rovnice „explodovat“ — tedy vytvořit singularitu, kde se veličina, například rychlost, stane nekonečnou. Clay Mathematics Institute označil tento problém v roce 2000 za jeden ze sedmi problémů tisíciletí, z nichž každý je spojen s odměnou 1 milion dolarů. Před tímto oznámením byla ze sedmi problémů vyřešena pouze Poincarého domněnka, jak shrnuje Wikipedia.

Tvrzení OpenAI, jak o něm informuje Quanta Magazine, zní, že autonomní AI agenti běžící na interním modelu našli singularitu v trojrozměrných Navierových–Stokesových rovnicích. Quanta uvádí, že práce využila přibližně 10 000 agentů, že agenti našli důkaz po 88 hodinách a že další AI model formalizoval výsledek v Lean po dalších 17 hodinách. Agenti si vyměnili téměř 5 milionů zpráv a Sébastien Bubeck z OpenAI podle Quanty odhadl výpočetní náklady na několik milionů dolarů.

MIT Technology Review uvádí, že podle OpenAI nemá společnost v plánu nárokovat odměnu 1 milion dolarů. Podle Wikipedia nebyl kontrapříklad zatím ověřen externími matematiky ani Clay Mathematics Institute.

Na posledním bodu záleží. Formalizace v Lean je silný signál, ale není totožná s přijetím komunitou. Quanta poznamenává, že formální důkazy mohou stanovit, že tvrzení plyne uvnitř důkazového asistenta, zatímco matematici stále musí ověřit, že formalizované tvrzení je logicky ekvivalentní matematickému tvrzení, které lidé zamýšleli dokázat.

Diferenciální rovnice popisují vztahy mezi měnícími se veličinami. V mechanice tekutin Navierovy–Stokesovy rovnice kombinují rychlost, tlak, viskozitu, vnější síly a zachování hmotnosti. Ve standardním zápisu se dají napsat poměrně snadno, ale jejich dlouhodobé chování může být mimořádně obtížné pochopit.

Ústřední obtíž nespočívá v tom, zda inženýři dokážou tekutiny simulovat. Dělají to neustále. Jde o to, zda je zaručeno, že se idealizované matematické rovnice budou za podmínek určených problémem tisíciletí chovat dobře.

Singularita by znamenala, že rovnice předpovídají zhroucení: nějaká část tekutiny se vyvíjí směrem k nemožnému matematickému stavu. Jak vysvětluje Quanta, neznamená to okamžité praktické selhání v reálném inženýrství, protože skutečné tekutiny se skládají z molekul a atomů, nikoli z dokonale hladkých kontinuí. Z matematického hlediska by to ale ukázalo, že idealizované rovnice mají překvapivější chování, než mnozí čekali.

Problém souvisí také s turbulencí, jedním z nejtěžších jevů ve fyzice. Wikipedia popisuje turbulenci jako jeden z největších nevyřešených problémů fyziky navzdory jejímu významu ve vědě a inženýrství. Důkaz vzniku singularity by „nevyřešil turbulenci“ v praktickém smyslu, ale změnil by to, co matematici vědí o rovnicích, které za ní stojí.

Kontroverze se soustředí na vztah mezi prací OpenAI a prací Buckmastera a Alpögeho.

Quanta uvádí, že oznámení OpenAI přišlo přibližně 12 hodin poté, co Buckmaster oznámil výsledky s Alpögem na úzce souvisejících problémech. Jejich práce využívala různé AI modely, včetně modelů OpenAI. MIT Technology Review uvádí, že Buckmaster a Alpöge na problému pracovali téměř rok a že Buckmaster zveřejnil důkaz ukazující, že zjednodušená verze Navierových–Stokesových rovnic se může zhroutit.

Jak práce OpenAI, tak práce Buckmastera a Alpögeho se zřejmě opírají o přístup spojovaný s Diegem Córdobou a Luisem Martínezem-Zoroou. Quanta píše, že oba týmy výrazně vycházely z práce Córdoby a Martíneze-Zoroy, kteří vyvinuli strategii odlišnou od metod používaných většinou matematiků. MIT Technology Review cituje profesora matematiky z Brown University Javiera Gómeze-Serrana, podle něhož byl tento přístup jedním z několika, které se pro problém považovaly za slibné.

OpenAI podle MIT Technology Review uznala, že tým se rozhodl problém sledovat poté, co zaslechl zvěst o snahách Buckmastera a Alpögeho. Spor se týká toho, zda modely nebo zaměstnanci OpenAI měli přístup k práci Buckmastera a Alpögeho, trénovali na ní nebo z ní jinak těžili.

MIT Technology Review uvádí, že Buckmaster zveřejnil dokument popisující interakce se zaměstnanci OpenAI. Podle Buckmasterova líčení zaměstnanci OpenAI předložili dvě možnosti. Buckmaster a Alpöge mohli svou práci zveřejnit a OpenAI by následující den zveřejnila své řešení Navierových–Stokesových rovnic, nebo mohl Buckmaster spolupracovat s OpenAI na článku o Navierových–Stokesových rovnicích, který by Alpögeho vyloučil z autorství kvůli jeho vazbě na Anthropic. MIT Technology Review také uvádí, že OpenAI popřela, že by její zaměstnanci nebo agenti měli přístup k přepisům Buckmastera a Alpögeho.

Jde o vážná obvinění, veřejný záznam je ale neúplný. Správný postoj je oddělit matematické tvrzení od sporu o atribuci. Důkaz může být správný, zatímco proces zůstane eticky sporný. Nebo může důkaz při přezkumu selhat, zatímco otázky atribuce budou stále důležité.

Lean je důkazový asistent: systém pro vyjadřování matematických tvrzení a kontrolu, že každý krok plyne z formálních pravidel. V matematice s vysokými sázkami dokáže odstranit velkou třídu chyb. Může také usnadnit audit AI generovaných důkazů, protože důkaz není jen próza; je to spustitelná formální logika.

Proto je komponenta v Lean důležitá. Pokud je formalizace korektní a odpovídá zamýšlenému tvrzení o Navierových–Stokesových rovnicích, výsledek je mnohem těžší odmítnout jako plynulou halucinaci. Pro tvůrce AI je to rozdíl mezi modelem, který píše věrohodné uvažování, a systémem, který vytváří artefakty kontrolovatelné jiným programem.

Lean ale neřeší každý problém důvěry. Nestanovuje prioritu. Neodhaluje, jak byl důkaz nalezen. Nevysvětluje, zda vyhledávání ovlivnila soukromá data, přepisy nebo nepublikované myšlenky. A nenahrazuje roli matematické komunity při interpretaci významu důkazu.

Toto rozlišení by mělo být známé lidem, kteří vytvářejí AI produkty. Strukturované výstupy, testy, evals a formální kontroly mohou zvýšit spolehlivost systémů, ale samy o sobě neodpovídají na otázky správy a řízení. Pokud AI agent může volat nástroje, prohlížet logy, znovu používat soukromý kontext nebo koordinovat práci s jinými agenty, systém potřebuje hranice a auditní stopy stejně jako hrubou schopnost.

To je jeden z důvodů, proč je práce s více agenty inženýrský problém, ne jen trik s promptováním. Ať navrhujete výzkumné agenty, nebo obchodní workflow, praktické otázky jsou podobné: kteří agenti mohou vidět jaký kontext, které nástroje mohou volat, kde dochází k předání a co se loguje? Na těchto návrhových rozhodnutích u AI agentů záleží dávno předtím, než sázky dosáhnou území problémů tisíciletí.

Nejvýraznějším provozním detailem je rozsah. Quanta uvádí zhruba 10 000 agentů, 88 hodin vyhledávání, dalších 17 hodin formalizace a téměř 5 milionů zpráv mezi agenty. MIT Technology Review uvádí, že podle OpenAI stál běh miliony dolarů.

Takový rozsah není dostupný většině akademických skupin. Naznačuje možnou budoucnost, v níž špičkový matematický pokrok závisí na interních modelech, soukromých výpočetních rozpočtech a infrastruktuře agentů soustředěné v několika AI společnostech.

MIT Technology Review to rámuje jako bod obratu pro matematiku: pokud lze velké otevřené problémy napadat soukromými roji agentů, normy akademické spolupráce se mohou dostat pod tlak. Matematici se často učí z neúspěšných pokusů, dílčích výsledků a slepých uliček. Pokud se to vše odehrává uvnitř soukromých systémů a nikdy se to nedostane na veřejnost, obor může získat odpovědi bez sdílené cesty, která tradičně vytváří nové nástroje a podobory.

Quanta cituje princetonského matematika Charlese Feffermana, který napsal oficiální popis problému pro Clay Institute, jak říká, že byl nadšený, že byl problém vyřešen, a označuje Córdobu a Martíneze-Zorou za hrdiny příběhu. Tato atribuce je užitečnou korekcí. I kdyby byl finální krok automatizovaný, výzkumný úsudek — volba slibného směru — vzešel z lidské matematické práce budované roky.

Pro tvůrce není poučení „používejte více agentů“. Jde o to, že agentní systémy zesilují kvalitu prostoru hledání, který dostanou. Lepší modely a větší rozpočty pomáhají, ale rámování problému, výběr kontextu, přístup k nástrojům a ověřovací smyčky stále určují, zda systém prozkoumává užitečné území, nebo spaluje compute.

Pokud směrujete práci napříč více modely, stejný princip platí i v menším měřítku. Použijte nejlepší model pro daný úkol, ale nepovažujte volbu modelu za celý systém. Okolní workflow — retrieval, omezení, kontroly, schválení a logy — je místem, odkud přichází spolehlivost. Jinými slovy, schopnost vychází z celého workflow, ne z volby v leaderboardu.

První věc ke sledování je matematické ověření. Externí matematici a Clay Mathematics Institute budou potřebovat čas na posouzení, zda je důkaz správný, zda formalizace v Lean odpovídá zamýšlenému tvrzení a jak výsledek zapadá do předchozí práce.

Druhou je atribuce. Veřejná vyjádření OpenAI, Buckmastera, Alpögeho a externích matematiků zatím netvoří ustálený záznam. Ústřední otázky jsou faktické: k čemu měli agenti nebo zaměstnanci OpenAI přístup, na čem trénovali, co věděli a kdy se to dozvěděli?

Třetí je, zda se z toho stane šablona. Pokud špičkové AI laboratoře mohou nasměrovat masivní roje agentů na slavné nevyřešené problémy, budou následovat další oznámení. Některá budou čistá. Některá budou sporná. Některá při přezkumu selžou. Dotčené obory budou potřebovat normy pro zásluhy, zveřejňování, soukromý compute a nároky na prioritu asistované AI.

Pro lidi, kteří s AI pracují mimo čistou matematiku, je sdělení dost jasné: schopnost se přesouvá směrem k systémům, ne k jednotlivým promptům. Agenti, nástroje, směrování modelů a ověřování se stávají jednotkou práce. Týmy, které dobře zvládnou původ a přezkum, budou v lepší pozici než týmy, které jen honí větší výstupy.

Budeme dál sledovat příběh ověřování a atribuce, jak se bude vyvíjet. Pokud chcete AI novinky se zachovaným technickým kontextem, můžete se přihlásit k newsletteru LIA.

• OpenAI tvrdí, že autonomní AI agenti našli singularitu v trojrozměrných Navierových–Stokesových rovnicích a vytvořili formalizaci v Lean.
• Výsledek zatím nebyl ověřen externími matematiky ani přijat Clay Mathematics Institute.
• Důkaz v Lean může omezit mnoho chyb při kontrole důkazu, recenzenti ale stále musí potvrdit, že formální tvrzení odpovídá zamýšlenému matematickému tvrzení.
• Oznámení je propletené se sporem o atribuci zahrnujícím práci Tristana Buckmastera, Leventa Alpögeho, Diega Córdoby a Luise Martíneze-Zoroy.
• Uváděný rozsah běhu zvýrazňuje mezeru ve zdrojích mezi špičkovými AI laboratořemi a většinou akademických skupin.
• Pro tvůrce AI tato epizoda ukazuje, že agenti potřebují původ, auditní stopy, ověřovací smyčky a jasné hranice, nejen více computu.

Tato sekce odpovídá na praktické otázky kolem tvrzení OpenAI o Navierových–Stokesových rovnicích: odpovědi níže pokrývají oznámení, roli Lean a části, které stále potřebují nezávislý přezkum. Oddělují také matematické sázky od sporu o atribuci kolem práce.

OpenAI tvrdí, že má AI generované řešení, ale tvrzení stále potřebuje externí matematický přezkum a posouzení ze strany Clay Mathematics Institute.

Podle citovaných zpráv OpenAI tvrdí, že její agenti našli singularitu v trojrozměrných Navierových–Stokesových rovnicích a že další model výsledek formalizoval v Lean.

Lean dokáže zkontrolovat, že každý formální krok plyne z pravidel, takže je těžší odmítnout důkaz jako věrohodnou prózu. Matematici ale stále musí ověřit, že formalizované tvrzení odpovídá zamýšlenému tvrzení o Navierových–Stokesových rovnicích.

Spor se týká toho, zda práce OpenAI těžila z AI asistovaného výzkumu Tristana Buckmastera a Leventa Alpögeho bez řádného uvedení zásluh. Podle MIT Technology Review OpenAI popřela, že by její zaměstnanci nebo agenti měli přístup k jejich přepisům.

Ne. Důkaz vzniku singularity by změnil matematické porozumění rovnicím za pohybem tekutin, ale přímo by nevyřešil turbulenci jako praktický inženýrský problém.