OpenAI:n väite Navier–Stokes-todistuksesta selitettynä

Navier–Stokes-yhtälöt kuvaavat, miten veden ja ilman kaltaiset fluidit liikkuvat. Ne ovat keskeisiä virtausdynamiikassa, tekniikassa ja fysiikassa, mutta matemaatikoilla ei ole ollut täydellistä analyyttistä ymmärrystä niiden käyttäytymisestä kolmessa ulottuvuudessa.

Millennium Prize -versio kysyy karkeasti, johtavatko sileät alkuarvot aina sileisiin ratkaisuihin kaikilla tulevilla ajanhetkillä vai voivatko yhtälöt ”räjähtää” — tuottaa singulariteetin, jossa jokin suure, kuten nopeus, muuttuu äärettömäksi. Clay Mathematics Institute nimesi ongelman yhdeksi seitsemästä Millennium Prize Problems -ongelmasta vuonna 2000, ja jokaiseen liittyy $1 miljoonan palkinto. Ennen tätä ilmoitusta seitsemästä ongelmasta oli ratkaistu vain Poincarén konjektuuri, kuten Wikipedia tiivistää.

OpenAI:n väite, kuten Quanta Magazine raportoi, on, että sisäisellä mallilla toimivat autonomiset AI-agentit löysivät singulariteetin kolmiulotteisista Navier–Stokes-yhtälöistä. Quantan mukaan työssä käytettiin noin 10 000 agenttia, agentit löysivät todistuksen 88 tunnin jälkeen, ja toinen AI-malli formalisoi tuloksen Leanissa vielä 17 tunnin jälkeen. Agentit vaihtoivat lähes 5 miljoonaa viestiä, ja OpenAI:n Sébastien Bubeck arvioi laskennalliseksi kustannukseksi useita miljoonia dollareita, Quantan mukaan.

MIT Technology Review raportoi, että OpenAI sanoo, ettei se aio hakea $1 miljoonan palkintoa. Wikipedian mukaan ulkopuoliset matemaatikot tai Clay Mathematics Institute eivät ole vielä varmentaneet vastaesimerkkiä.

Viimeinen kohta on olennainen. Lean-formalisointi on vahva signaali, mutta se ei ole sama asia kuin yhteisön hyväksyntä. Quanta huomauttaa, että muodolliset todistukset voivat osoittaa väitteen seuraavan todistusavustimen sisällä, mutta matemaatikoiden täytyy silti tarkistaa, että formalisoitu väite on loogisesti ekvivalentti sen matemaattisen väitteen kanssa, joka oli tarkoitus todistaa.

Differentiaaliyhtälöt kuvaavat muuttuvien suureiden välisiä suhteita. Fluidimekaniikassa Navier–Stokes-yhtälöt yhdistävät nopeuden, paineen, viskositeetin, ulkoiset voimat ja massan säilymisen. Ne on melko helppo kirjoittaa standardimerkinnöillä, mutta niiden pitkän aikavälin käyttäytymistä voi olla äärimmäisen vaikea ymmärtää.

Keskeinen vaikeus ei ole se, pystyvätkö insinöörit simuloimaan virtauksia. He pystyvät, jatkuvasti. Kyse on siitä, onko idealisoitujen matemaattisten yhtälöiden taattu käyttäytyvän hyvin Millennium Prize -ongelman määrittelemissä olosuhteissa.

Singulariteetti tarkoittaisi, että yhtälöt ennustavat hajoamisen: jokin osa fluidista kehittyy kohti mahdotonta matemaattista tilaa. Kuten Quanta selittää, tämä ei tarkoita välitöntä käytännön epäonnistumista todellisen maailman tekniikassa, koska todelliset fluidit koostuvat molekyyleistä ja atomeista eivätkä täydellisen sileistä jatkumoista. Matematiikkana se kuitenkin osoittaisi, että idealisoiduilla yhtälöillä on yllättävämpää käyttäytymistä kuin monet odottivat.

Ongelma liittyy myös turbulenssiin, yhteen fysiikan vaikeimmista ilmiöistä. Wikipedia kuvaa turbulenssia yhdeksi fysiikan suurimmista ratkaisemattomista ongelmista, vaikka se on tärkeä tieteessä ja tekniikassa. Räjähdystodistus ei ”ratkaisisi turbulenssia” käytännöllisessä mielessä, mutta se muuttaisi sitä, mitä matemaatikot tietävät sen taustalla olevista yhtälöistä.

Kiista keskittyy OpenAI:n työn sekä Buckmasterin ja Alpögen työn väliseen suhteeseen.

Quanta raportoi, että OpenAI:n ilmoitus tuli noin 12 tuntia sen jälkeen, kun Buckmaster oli ilmoittanut Alpögen kanssa tuloksista läheisesti liittyvissä ongelmissa. Heidän työnsä käytti useita AI-malleja, mukaan lukien OpenAI:n malleja. MIT Technology Review raportoi, että Buckmaster ja Alpöge olivat työskennelleet ongelman parissa lähes vuoden ja että Buckmaster julkaisi todistuksen, jonka mukaan Navier–Stokes-yhtälöiden yksinkertaistettu versio voi hajota.

Sekä OpenAI:n työ että Buckmaster–Alpöge-työ näyttävät nojaavan lähestymistapaan, joka yhdistetään Diego Córdobaan ja Luis Martínez-Zoroaan. Quantan mukaan molemmat tiimit tukeutuivat vahvasti Córdoban ja Martínez-Zoroan työhön; he kehittivät strategian, joka poikkesi useimpien matemaatikoiden käyttämistä menetelmistä. MIT Technology Review siteeraa Brown Universityn matematiikan professoria Javier Gómez-Serranoa, jonka mukaan tämä lähestymistapa oli yksi useista lupaavina pidetyistä suunnista ongelman ratkaisemiseksi.

MIT Technology Review’n mukaan OpenAI on myöntänyt, että tiimi innostui tarttumaan ongelmaan kuultuaan huhun Buckmasterin ja Alpögen ponnisteluista. Kiista koskee sitä, oliko OpenAI:n malleilla tai työntekijöillä pääsy Buckmasterin ja Alpögen työhön, koulutettiinko niitä sillä tai hyötyivätkö ne siitä muuten.

MIT Technology Review raportoi, että Buckmaster julkaisi dokumentin, jossa kuvataan vuorovaikutusta OpenAI:n työntekijöiden kanssa. Buckmasterin kertomuksen mukaan OpenAI:n työntekijät esittivät kaksi mahdollisuutta. Buckmaster ja Alpöge voisivat julkaista työnsä, ja OpenAI julkaisisi oman Navier–Stokes-ratkaisunsa seuraavana päivänä, tai Buckmaster voisi työskennellä OpenAI:n kanssa Navier–Stokes-artikkelin parissa, jossa Alpöge suljettaisiin kirjoittajuuden ulkopuolelle hänen Anthropic-kytköksensä vuoksi. MIT Technology Review raportoi myös, että OpenAI kiisti työntekijöidensä tai agenttiensa päässeen Buckmasterin ja Alpögen transkripteihin.

Nämä ovat vakavia väitteitä, mutta julkinen aineisto on puutteellinen. Oikea suhtautumistapa on erottaa matemaattinen väite ansionjakoa koskevasta kiistasta. Todistus voi olla oikea, vaikka prosessi pysyisi eettisesti kiistanalaisena. Tai todistus voi kaatua arvioinnissa, vaikka ansionjakokysymykset olisivat silti tärkeitä.

Lean on todistusavustin: järjestelmä matemaattisten väitteiden ilmaisemiseen ja sen tarkistamiseen, että jokainen askel seuraa muodollisista säännöistä. Korkean panoksen matematiikassa se voi poistaa suuren joukon virheitä. Se voi myös helpottaa AI:n generoimien todistusten auditointia, koska todistus ei ole vain proosaa; se on suoritettavaa muodollista logiikkaa.

Siksi Lean-komponentti on tärkeä. Jos formalisointi on pätevä ja vastaa aiottua Navier–Stokes-väitettä, tulosta on paljon vaikeampi sivuuttaa sujuvana hallusinaationa. AI-rakentajille tämä on ero mallin, joka kirjoittaa uskottavaa päättelyä, ja järjestelmän, joka tuottaa artefakteja, jotka toinen ohjelma voi tarkistaa, välillä.

Mutta Lean ei ratkaise kaikkia luottamusongelmia. Se ei määritä prioriteettia. Se ei paljasta, miten todistus löydettiin. Se ei selitä, vaikuttivatko yksityinen data, transkriptit tai julkaisemattomat ideat hakuun. Eikä se korvaa matemaattisen yhteisön roolia todistuksen merkityksen tulkinnassa.

Tämän eron pitäisi tuntua tutulta ihmisille, jotka rakentavat AI-tuotteita. Strukturoidut tuotokset, testit, evaluaatiot ja muodolliset tarkistukset voivat tehdä järjestelmistä luotettavampia, mutta ne eivät yksinään vastaa hallintaa koskeviin kysymyksiin. Jos AI-agentti voi kutsua työkaluja, tarkastaa lokeja, käyttää uudelleen yksityistä kontekstia tai koordinoida muiden agenttien kanssa, järjestelmä tarvitsee rajoja ja audit trail -jälkiä yhtä paljon kuin raakaa suorituskykyä.

Tämä on yksi syy siihen, miksi moniagenttityö on insinööriongelma eikä pelkkä promptauskikka. Suunnittelitpa tutkimusagentteja tai liiketoiminnan työnkulkuja, käytännön kysymykset ovat samankaltaisia: mitkä agentit näkevät minkäkin kontekstin, mitä työkaluja ne voivat kutsua, missä handoffit tapahtuvat ja mitä lokitetaan? Näillä suunnitteluvalinnoilla on merkitystä AI-agenteissa jo kauan ennen kuin panokset nousevat Millennium Prize -tasolle.

Silmiinpistävin operatiivinen yksityiskohta on mittakaava. Quanta raportoi noin 10 000 agentista, 88 tunnin hausta, 17 lisätunnista formalisointiin ja lähes 5 miljoonasta agenttien välisestä viestistä. MIT Technology Review raportoi, että OpenAI:n mukaan ajo maksoi miljoonia dollareita.

Tällainen mittakaava ei ole useimpien akateemisten ryhmien saatavilla. Se viittaa mahdolliseen tulevaisuuteen, jossa frontier-tason matemaattinen edistys riippuu sisäisistä malleista, yksityisistä laskentabudjeteista ja agentti-infrastruktuurista, joka on keskittynyt muutaman AI-yhtiön sisälle.

MIT Technology Review kehystää tämän käännekohtana matematiikalle: jos suuria avoimia ongelmia voidaan hyökätä yksityisillä agenttiparvilla, akateemisen yhteistyön normit voivat joutua koetukselle. Matemaatikot oppivat usein epäonnistuneista yrityksistä, osatuloksista ja vääristä käänteistä. Jos ne tapahtuvat yksityisten järjestelmien sisällä eivätkä koskaan tule julkisiksi, ala voi saada vastauksia ilman jaettua polkua, joka perinteisesti luo uusia työkaluja ja osa-alueita.

Quanta siteeraa Princetonin matemaatikkoa Charles Feffermania, joka kirjoitti Clay Instituten virallisen ongelmakuvauksen. Hän sanoi olevansa innoissaan siitä, että ongelma ratkaistiin, ja nimesi Córdoban ja Martínez-Zoroan tarinan sankareiksi. Tämä ansionjako on hyödyllinen korjausliike. Vaikka viimeinen askel olisi automatisoitu, tutkimuksellinen maku — lupaavan suunnan valitseminen — tuli ihmisten vuosien aikana rakentamasta matemaattisesta työstä.

Rakentajille oppi ei ole ”käytä enemmän agentteja”. Se on, että agenttiset järjestelmät vahvistavat niille annetun hakuavaruuden laatua. Paremmat mallit ja suuremmat budjetit auttavat, mutta ongelman kehystys, kontekstin valinta, työkalujen käyttöoikeus ja varmennussilmukat ratkaisevat edelleen, tutkiiko järjestelmä hyödyllistä aluetta vai polttaako se laskentatehoa.

Jos reitität työtä useiden mallien välillä, sama periaate pätee pienemmässä mittakaavassa. Käytä tehtävään parasta mallia, mutta älä pidä mallivalintaa koko järjestelmänä. Ympäröivä työnkulku — haku, rajoitteet, tarkistukset, hyväksynnät ja lokit — on se, mistä luotettavuus syntyy. Toisin sanoen kyvykkyys tulee koko työnkulusta, ei leaderboard-valinnasta.

Ensimmäinen seurattava asia on matemaattinen validointi. Ulkopuoliset matemaatikot ja Clay Mathematics Institute tarvitsevat aikaa arvioidakseen, onko todistus oikea, vastaako Lean-formalisointi aiottua väitettä ja miten tulos suhteutuu aiempaan työhön.

Toinen on ansionjako. OpenAI:n, Buckmasterin, Alpögen ja ulkopuolisten matemaatikoiden julkiset kertomukset eivät vielä muodosta vakiintunutta kokonaiskuvaa. Keskeiset kysymykset ovat tosiasiallisia: mihin OpenAI:n agenteilla tai työntekijöillä oli pääsy, millä niitä koulutettiin, mitä ne tiesivät ja milloin ne tiesivät sen?

Kolmas on, tuleeko tästä malli. Jos frontier-AI-laboratoriot voivat kohdistaa massiivisia agenttiparvia kuuluisiin ratkaisemattomiin ongelmiin, lisää ilmoituksia seuraa. Osa on selkeitä. Osa on kiistanalaisia. Osa kaatuu arvioinnissa. Vaikutuksen kohteena olevat alat tarvitsevat normeja tunnustukselle, avoimuudelle, yksityiselle laskentateholle ja AI-avusteisille prioriteettiväitteille.

Ihmisille, jotka rakentavat AI:lla puhtaan matematiikan ulkopuolella, viesti on riittävän selvä: kyvykkyys siirtyy kohti järjestelmiä, ei yksittäisiä prompteja. Agentit, työkalut, mallireititys ja varmennus ovat muuttumassa työn yksiköksi. Tiimit, jotka hoitavat alkuperän jäljitettävyyden ja arvioinnin hyvin, ovat paremmassa asemassa kuin tiimit, jotka jahtaavat vain suurempia tuotoksia.

Seuraamme varmennus- ja ansionjakotarinaa sen kehittyessä. Jos haluat AI-uutisia tekninen konteksti mukana, voit tilata LIA-uutiskirjeen.

• OpenAI väittää autonomisten AI-agenttien löytäneen singulariteetin kolmiulotteisista Navier–Stokes-yhtälöistä ja tuottaneen Lean-formalisoinnin.
• Ulkopuoliset matemaatikot eivät ole vielä varmentaneet tulosta, eikä Clay Mathematics Institute ole hyväksynyt sitä.
• Lean-todistus voi vähentää monia todistuksen tarkistamisen virheitä, mutta arvioijien täytyy silti varmistaa, että muodollinen väite vastaa aiottua matemaattista väitettä.
• Ilmoitus kietoutuu ansionjakokiistaan, joka koskee Tristan Buckmasterin, Levent Alpögen, Diego Córdoban ja Luis Martínez-Zoroan työtä.
• Raportoitu ajon mittakaava korostaa resurssikuilua frontier-AI-laboratorioiden ja useimpien akateemisten ryhmien välillä.
• AI-rakentajille tapaus osoittaa, että agentit tarvitsevat alkuperän jäljitettävyyttä, audit trail -jälkiä, varmennussilmukoita ja selkeitä rajoja — eivät vain lisää laskentatehoa.

Tämä osio vastaa OpenAI:n Navier–Stokes-väitteen taustalla oleviin käytännön kysymyksiin: alla olevat vastaukset kattavat ilmoituksen, Leanin roolin ja osat, jotka tarvitsevat yhä riippumatonta arviointia. Se myös erottaa matemaattiset panokset työtä ympäröivästä ansionjakokiistasta.

OpenAI sanoo, että sillä on AI:n generoima ratkaisu, mutta väite tarvitsee yhä ulkopuolisen matemaattisen arvioinnin ja Clay Mathematics Instituten arvion.

Viitattujen raporttien mukaan OpenAI väittää agenttiensa löytäneen singulariteetin kolmiulotteisista Navier–Stokes-yhtälöistä ja toisen mallin formalisoineen tuloksen Leanissa.

Lean voi tarkistaa, että jokainen muodollinen askel seuraa säännöistä, mikä tekee todistuksesta vaikeammin sivuutettavan uskottavana proosana. Matemaatikoiden täytyy silti varmistaa, että formalisoitu väite vastaa aiottua Navier–Stokes-väitettä.

Kiista koskee sitä, hyötyikö OpenAI:n työ Tristan Buckmasterin ja Levent Alpögen AI-avusteisesta tutkimuksesta ilman asianmukaista tunnustusta. MIT Technology Review’n mukaan OpenAI on kiistänyt, että sen työntekijät tai agentit olisivat päässeet heidän transkripteihinsa.

Ei. Räjähdystodistus muuttaisi matemaattista ymmärrystä fluidien liikkeen taustalla olevista yhtälöistä, mutta se ei suoraan ratkaisisi turbulenssia käytännön insinööriongelmana.