OpenAIs Navier–Stokes-Beweisbehauptung, erklärt

Die Navier–Stokes-Gleichungen beschreiben, wie sich Fluide wie Wasser und Luft bewegen. Sie sind zentral für Fluiddynamik, Ingenieurwesen und Physik, doch Mathematikerinnen und Mathematiker haben ihr Verhalten in drei Dimensionen noch nicht vollständig analytisch verstanden.

Die Millennium-Preis-Version fragt grob, ob glatte Anfangsbedingungen immer zu glatten Lösungen für alle zukünftigen Zeiten führen oder ob die Gleichungen „explodieren“ können — also eine Singularität erzeugen, bei der eine Größe wie die Geschwindigkeit unendlich wird. Das Clay Mathematics Institute benannte das Problem im Jahr 2000 als eines von sieben Millennium-Problemen, die jeweils mit einem Preis von $1 Million verbunden sind. Vor dieser Ankündigung war von den sieben nur die Poincaré-Vermutung gelöst worden, wie Wikipedia zusammenfasst.

OpenAIs Behauptung, wie Quanta Magazine berichtet, lautet, dass autonome KI-Agenten, die auf einem internen Modell liefen, eine Singularität in den dreidimensionalen Navier–Stokes-Gleichungen gefunden hätten. Quanta berichtet, dass die Arbeit rund 10.000 Agenten nutzte, dass die Agenten nach 88 Stunden einen Beweis fanden und dass ein weiteres KI-Modell das Ergebnis nach zusätzlichen 17 Stunden in Lean formalisierte. Die Agenten tauschten fast 5 Millionen Nachrichten aus, und Sébastien Bubeck von OpenAI schätzte die Rechenkosten laut Quanta auf mehrere Millionen Dollar.

MIT Technology Review berichtet, OpenAI sage, es plane nicht, den Preis von $1 Million zu beanspruchen. Laut Wikipedia wurde das Gegenbeispiel noch nicht von externen Mathematikerinnen und Mathematikern oder vom Clay Mathematics Institute verifiziert.

Dieser letzte Punkt ist wichtig. Eine Lean-Formalisierung ist ein starkes Signal, aber sie ist nicht dasselbe wie Akzeptanz durch die Fachgemeinschaft. Quanta merkt an, dass formale Beweise zeigen können, dass eine Aussage innerhalb des Proof Assistants folgt, während Mathematikerinnen und Mathematiker weiterhin prüfen müssen, ob die formalisierte Aussage logisch äquivalent zu der mathematischen Behauptung ist, die bewiesen werden sollte.

Differentialgleichungen beschreiben Beziehungen zwischen sich verändernden Größen. In der Fluidmechanik verbinden die Navier–Stokes-Gleichungen Geschwindigkeit, Druck, Viskosität, äußere Kräfte und Massenerhaltung. In Standardnotation lassen sie sich relativ leicht hinschreiben, aber ihr langfristiges Verhalten kann extrem schwer zu verstehen sein.

Die zentrale Schwierigkeit ist nicht, ob Ingenieurinnen und Ingenieure Fluide simulieren können. Das tun sie ständig. Die Frage ist, ob sich die idealisierten mathematischen Gleichungen unter den Bedingungen des Millennium-Problems garantiert gut verhalten.

Eine Singularität würde bedeuten, dass die Gleichungen einen Zusammenbruch vorhersagen: Ein Teil des Fluids entwickelt sich auf einen unmöglichen mathematischen Zustand zu. Wie Quanta erklärt, bedeutet das keinen unmittelbaren praktischen Ausfall in der realen Ingenieurpraxis, weil tatsächliche Fluide aus Molekülen und Atomen bestehen und nicht aus perfekt glatten Kontinua. Mathematisch würde es aber zeigen, dass die idealisierten Gleichungen überraschenderes Verhalten haben, als viele erwartet haben.

Das Problem hängt auch mit Turbulenz zusammen, einem der schwierigsten Phänomene der Physik. Wikipedia beschreibt Turbulenz trotz ihrer Bedeutung für Wissenschaft und Ingenieurwesen als eines der größten ungelösten Probleme der Physik. Ein Beweis für Blowup würde Turbulenz im praktischen Sinn nicht „lösen“, aber er würde verändern, was Mathematikerinnen und Mathematiker über die zugrunde liegenden Gleichungen wissen.

Die Kontroverse dreht sich um die Beziehung zwischen OpenAIs Arbeit und der Arbeit von Buckmaster und Alpöge.

Quanta berichtet, dass OpenAIs Ankündigung etwa 12 Stunden nach Buckmasters Bekanntgabe von Ergebnissen mit Alpöge zu eng verwandten Problemen erfolgte. Ihre Arbeit nutzte verschiedene KI-Modelle, darunter Modelle von OpenAI. MIT Technology Review berichtet, dass Buckmaster und Alpöge fast ein Jahr an dem Problem gearbeitet hatten und dass Buckmaster einen Beweis veröffentlichte, der zeigt, dass eine vereinfachte Version der Navier–Stokes-Gleichungen zusammenbrechen kann.

Sowohl die Arbeit von OpenAI als auch die Arbeit von Buckmaster und Alpöge scheinen auf einem Ansatz aufzubauen, der mit Diego Córdoba und Luis Martínez-Zoroa verbunden ist. Quanta schreibt, beide Teams hätten sich stark auf Arbeiten von Córdoba und Martínez-Zoroa gestützt, die eine Strategie entwickelten, die von den Methoden abwich, die die meisten Mathematikerinnen und Mathematiker verwendeten. MIT Technology Review zitiert den Mathematikprofessor Javier Gómez-Serrano von der Brown University mit der Aussage, dieser Ansatz sei einer von mehreren gewesen, denen man Potenzial für das Problem zuschrieb.

OpenAI hat laut MIT Technology Review eingeräumt, dass das Team dazu inspiriert wurde, das Problem zu verfolgen, nachdem es ein Gerücht über die Bemühungen von Buckmaster und Alpöge gehört hatte. Der Streit dreht sich darum, ob OpenAIs Modelle oder Mitarbeitende Zugriff auf die Arbeit von Buckmaster und Alpöge hatten, darauf trainierten oder anderweitig davon profitierten.

MIT Technology Review berichtet, dass Buckmaster ein Dokument veröffentlichte, das Interaktionen mit OpenAI-Mitarbeitenden beschreibt. Nach Buckmasters Darstellung präsentierten OpenAI-Mitarbeitende zwei Möglichkeiten. Buckmaster und Alpöge könnten ihre Arbeit veröffentlichen, und OpenAI würde am folgenden Tag seine Navier–Stokes-Lösung veröffentlichen; oder Buckmaster könnte mit OpenAI an einem Navier–Stokes-Paper arbeiten, das Alpöge wegen seiner Anthropic-Zugehörigkeit von der Autorenschaft ausschlösse. MIT Technology Review berichtet außerdem, dass OpenAI bestritt, dass seine Mitarbeitenden oder Agenten auf die Transkripte von Buckmaster und Alpöge zugegriffen hätten.

Das sind schwerwiegende Vorwürfe, aber die öffentliche Faktenlage ist unvollständig. Die richtige Haltung ist, die mathematische Behauptung vom Streit um die Zuschreibung zu trennen. Der Beweis kann korrekt sein, während der Prozess ethisch umstritten bleibt. Oder der Beweis kann in der Prüfung scheitern, während die Zuschreibungsfragen weiterhin wichtig sind.

Lean ist ein Proof Assistant: ein System, um mathematische Aussagen auszudrücken und zu prüfen, ob jeder Schritt aus formalen Regeln folgt. In Mathematik mit hohen Einsätzen kann das eine große Klasse von Fehlern entfernen. Es kann KI-generierte Beweise auch leichter prüfbar machen, weil der Beweis nicht nur aus Prosa besteht; er ist ausführbare formale Logik.

Deshalb ist die Lean-Komponente wichtig. Wenn die Formalisierung solide ist und der beabsichtigten Navier–Stokes-Aussage entspricht, wird es deutlich schwerer, das Ergebnis als flüssige Halluzination abzutun. Für KI-Entwicklerinnen und -Entwickler ist das der Unterschied zwischen einem Modell, das plausibles Schlussfolgern schreibt, und einem System, das Artefakte erzeugt, die ein anderes Programm prüfen kann.

Aber Lean löst nicht jedes Vertrauensproblem. Es stellt keine Priorität fest. Es zeigt nicht, wie der Beweis gefunden wurde. Es erklärt nicht, ob private Daten, Transkripte oder unveröffentlichte Ideen die Suche beeinflusst haben. Und es ersetzt nicht die Rolle der mathematischen Gemeinschaft bei der Einordnung der Bedeutung des Beweises.

Diese Unterscheidung dürfte Menschen vertraut vorkommen, die KI-Produkte bauen. Strukturierte Ausgaben, Tests, Evals und formale Prüfungen können Systeme zuverlässiger machen, aber sie beantworten für sich genommen keine Governance-Fragen. Wenn ein KI-Agent Tools aufrufen, Logs inspizieren, privaten Kontext wiederverwenden oder sich mit anderen Agenten koordinieren kann, braucht das System Grenzen und Audit-Trails genauso sehr wie rohe Fähigkeit.

Das ist ein Grund, warum Multi-Agenten-Arbeit ein Engineering-Problem ist und nicht nur ein Prompting-Trick. Ob du Forschungsagenten oder Geschäftsworkflows entwirfst, die praktischen Fragen sind ähnlich: Welche Agenten dürfen welchen Kontext sehen, welche Tools dürfen sie aufrufen, wo finden Übergaben statt, und was wird protokolliert? Diese Designentscheidungen sind bei KI-Agenten lange wichtig, bevor die Einsätze Millennium-Preis-Niveau erreichen.

Das auffälligste operative Detail ist die Skalierung. Quanta berichtet von rund 10.000 Agenten, 88 Stunden Suche, weiteren 17 Stunden für die Formalisierung und fast 5 Millionen Nachrichten zwischen Agenten. MIT Technology Review berichtet, OpenAI habe gesagt, der Lauf habe Millionen von Dollar gekostet.

Diese Größenordnung steht den meisten akademischen Gruppen nicht zur Verfügung. Sie deutet auf eine mögliche Zukunft hin, in der mathematischer Fortschritt an der Frontier von internen Modellen, privaten Compute-Budgets und Agenteninfrastruktur abhängt, die in einigen wenigen KI-Unternehmen konzentriert sind.

MIT Technology Review beschreibt dies als Wendepunkt für die Mathematik: Wenn große offene Probleme von privaten Schwärmen von Agenten angegriffen werden können, könnten die Normen akademischer Zusammenarbeit unter Druck geraten. Mathematikerinnen und Mathematiker lernen oft aus gescheiterten Versuchen, Teilergebnissen und Irrwegen. Wenn diese in privaten Systemen stattfinden und nie öffentlich werden, könnte das Feld Antworten erhalten, ohne den gemeinsamen Weg zu teilen, der traditionell neue Werkzeuge und Teilgebiete hervorbringt.

Quanta zitiert den Princeton-Mathematiker Charles Fefferman, der die offizielle Problembeschreibung des Clay Institute verfasst hat, mit der Aussage, er sei begeistert, dass das Problem gelöst wurde, und er nannte Córdoba und Martínez-Zoroa die Helden der Geschichte. Diese Zuschreibung ist ein nützliches Korrektiv. Selbst wenn der letzte Schritt automatisiert war, kam der Forschungsgeschmack — die Wahl einer vielversprechenden Richtung — aus menschlicher mathematischer Arbeit, die über Jahre aufgebaut wurde.

Für Entwicklerinnen und Entwickler lautet die Lehre nicht „nutze mehr Agenten“. Sie lautet, dass agentische Systeme die Qualität des Suchraums verstärken, den man ihnen gibt. Bessere Modelle und größere Budgets helfen, aber Problemformulierung, Kontextauswahl, Tool-Zugriff und Verifikationsschleifen bestimmen weiterhin, ob das System nützliches Terrain erkundet oder Compute verbrennt.

Wenn du Arbeit über mehrere Modelle routest, gilt dasselbe Prinzip im kleineren Maßstab. Nutze das beste Modell für die Aufgabe, aber behandle die Modellwahl nicht als das ganze System. Der umgebende Workflow — Retrieval, Einschränkungen, Prüfungen, Freigaben und Logs — ist der Ursprung von Zuverlässigkeit. Anders gesagt: Fähigkeit entsteht aus dem gesamten Workflow, nicht aus einer Leaderboard-Entscheidung.

Das Erste ist die mathematische Validierung. Externe Mathematikerinnen und Mathematiker sowie das Clay Mathematics Institute werden Zeit brauchen, um zu beurteilen, ob der Beweis korrekt ist, ob die Lean-Formalisierung der beabsichtigten Behauptung entspricht und wie das Ergebnis in frühere Arbeiten passt.

Das Zweite ist die Zuschreibung. Die öffentlichen Darstellungen von OpenAI, Buckmaster, Alpöge und externen Mathematikerinnen und Mathematikern ergeben noch keine gesicherte Aktenlage. Die zentralen Fragen sind faktisch: Worauf hatten OpenAIs Agenten oder Mitarbeitende Zugriff, worauf haben sie trainiert, was wussten sie, und wann wussten sie es?

Das Dritte ist, ob daraus eine Vorlage wird. Wenn Frontier-KI-Labs massive Agentenschwärme auf berühmte ungelöste Probleme ansetzen können, werden weitere Ankündigungen folgen. Manche werden sauber sein. Manche werden umstritten sein. Manche werden in der Prüfung scheitern. Die betroffenen Felder werden Normen für Anerkennung, Offenlegung, privaten Compute und KI-gestützte Prioritätsansprüche brauchen.

Für Menschen, die außerhalb der reinen Mathematik mit KI bauen, ist die Botschaft klar genug: Fähigkeit verschiebt sich hin zu Systemen, nicht zu einzelnen Prompts. Agenten, Tools, Model Routing und Verifikation werden zur Arbeitseinheit. Teams, die Herkunft und Prüfung gut handhaben, werden besser dastehen als Teams, die nur größeren Outputs hinterherjagen.

Wir verfolgen weiter, wie sich die Geschichte rund um Verifikation und Zuschreibung entwickelt. Wenn du KI-News mit technischem Kontext möchtest, kannst du den LIA Newsletter abonnieren.

• OpenAI behauptet, autonome KI-Agenten hätten eine Singularität in den dreidimensionalen Navier–Stokes-Gleichungen gefunden und eine Lean-Formalisierung erstellt.
• Das Ergebnis wurde noch nicht von externen Mathematikerinnen und Mathematikern verifiziert oder vom Clay Mathematics Institute akzeptiert.
• Ein Lean-Beweis kann viele Fehler bei der Beweisprüfung reduzieren, aber Gutachterinnen und Gutachter müssen weiterhin bestätigen, dass die formale Aussage der beabsichtigten mathematischen Behauptung entspricht.
• Die Ankündigung ist mit einem Zuschreibungsstreit rund um Arbeiten von Tristan Buckmaster, Levent Alpöge, Diego Córdoba und Luis Martínez-Zoroa verflochten.
• Die berichtete Größenordnung des Laufs verdeutlicht eine Ressourcenlücke zwischen Frontier-KI-Labs und den meisten akademischen Gruppen.
• Für KI-Entwicklerinnen und -Entwickler zeigt die Episode, dass Agenten Herkunftsnachweise, Audit-Trails, Verifikationsschleifen und klare Grenzen brauchen, nicht nur mehr Compute.

Dieser Abschnitt beantwortet die praktischen Fragen hinter OpenAIs Navier–Stokes-Behauptung: Die Antworten unten behandeln die Ankündigung, die Rolle von Lean und die Teile, die noch unabhängige Prüfung brauchen. Außerdem trennt er die mathematische Tragweite vom Zuschreibungsstreit rund um die Arbeit.

OpenAI sagt, es habe eine KI-generierte Lösung, aber die Behauptung braucht noch externe mathematische Prüfung und eine Bewertung durch das Clay Mathematics Institute.

Den zitierten Berichten zufolge behauptet OpenAI, seine Agenten hätten eine Singularität in den dreidimensionalen Navier–Stokes-Gleichungen gefunden und ein weiteres Modell habe das Ergebnis in Lean formalisiert.

Lean kann prüfen, ob jeder formale Schritt aus Regeln folgt, wodurch es schwerer wird, den Beweis als plausible Prosa abzutun. Mathematikerinnen und Mathematiker müssen weiterhin verifizieren, dass die formalisierte Aussage der beabsichtigten Navier–Stokes-Behauptung entspricht.

Der Streit betrifft die Frage, ob OpenAIs Arbeit ohne angemessene Nennung von KI-gestützter Forschung von Tristan Buckmaster und Levent Alpöge profitiert hat. OpenAI hat laut MIT Technology Review bestritten, dass seine Mitarbeitenden oder Agenten auf deren Transkripte zugegriffen hätten.

Nein. Ein Blowup-Beweis würde das mathematische Verständnis der Gleichungen hinter Fluidbewegungen verändern, aber er würde Turbulenz nicht direkt als praktisches Ingenieurproblem lösen.