Klaim bukti Navier–Stokes dari OpenAI, dijelaskan

Persamaan Navier–Stokes menjelaskan bagaimana fluida seperti air dan udara bergerak. Persamaan ini sangat penting bagi dinamika fluida, rekayasa, dan fisika, tetapi para matematikawan belum memiliki pemahaman analitis yang lengkap tentang perilakunya dalam tiga dimensi.

Versi Millennium Prize bertanya, secara garis besar, apakah kondisi awal yang halus selalu menghasilkan solusi yang halus untuk seluruh waktu mendatang, atau apakah persamaan itu dapat “meledak” — menghasilkan singularitas ketika suatu besaran seperti kecepatan menjadi tak hingga. Clay Mathematics Institute menetapkan masalah ini sebagai salah satu dari tujuh Millennium Prize Problems pada tahun 2000, masing-masing terkait dengan hadiah $1 juta. Sebelum pengumuman ini, hanya konjektur Poincaré yang telah terpecahkan dari ketujuh masalah tersebut, seperti dirangkum oleh Wikipedia.

Klaim OpenAI, sebagaimana dilaporkan oleh Quanta Magazine, adalah bahwa agen AI otonom yang berjalan pada model internal menemukan singularitas dalam persamaan Navier–Stokes tiga dimensi. Quanta melaporkan bahwa pekerjaan itu menggunakan sekitar 10.000 agen, bahwa agen-agen tersebut menemukan bukti setelah 88 jam, dan bahwa model AI lain memformalkan hasilnya di Lean setelah tambahan 17 jam. Para agen saling bertukar hampir 5 juta pesan, dan Sébastien Bubeck dari OpenAI memperkirakan biaya komputasinya mencapai beberapa juta dolar, menurut Quanta.

MIT Technology Review melaporkan bahwa OpenAI mengatakan tidak berencana mengklaim hadiah $1 juta tersebut. Menurut Wikipedia, contoh tandingan itu belum diverifikasi oleh matematikawan eksternal atau oleh Clay Mathematics Institute.

Poin terakhir itu penting. Formalisasi Lean adalah sinyal yang kuat, tetapi tidak identik dengan penerimaan komunitas. Quanta mencatat bahwa bukti formal dapat menetapkan bahwa sebuah pernyataan mengikuti aturan di dalam proof assistant, sementara matematikawan tetap perlu memeriksa bahwa pernyataan yang diformalkan secara logis ekuivalen dengan klaim matematika yang ingin dibuktikan orang.

Persamaan diferensial menjelaskan hubungan antara besaran-besaran yang berubah. Dalam mekanika fluida, persamaan Navier–Stokes menggabungkan kecepatan, tekanan, viskositas, gaya eksternal, dan kekekalan massa. Persamaan ini cukup mudah dituliskan dalam notasi standar, tetapi perilaku jangka panjangnya bisa sangat sulit dipahami.

Kesulitan utamanya bukan apakah insinyur dapat menyimulasikan fluida. Mereka melakukannya, terus-menerus. Masalahnya adalah apakah persamaan matematika yang diidealkan itu dijamin berperilaku baik dalam kondisi yang ditentukan oleh masalah Millennium Prize.

Singularitas berarti persamaan tersebut memprediksi keruntuhan: sebagian fluida berevolusi menuju keadaan matematika yang mustahil. Seperti dijelaskan Quanta, ini tidak menyiratkan kegagalan praktis yang langsung dalam rekayasa dunia nyata, karena fluida nyata tersusun dari molekul dan atom, bukan kontinum yang mulus sempurna. Namun sebagai matematika, ini akan menunjukkan bahwa persamaan yang diidealkan tersebut memiliki perilaku yang lebih mengejutkan daripada yang diduga banyak orang.

Masalah ini juga terhubung dengan turbulensi, salah satu fenomena tersulit dalam fisika. Wikipedia menggambarkan turbulensi sebagai salah satu masalah terbesar yang belum terpecahkan dalam fisika, meskipun penting bagi sains dan rekayasa. Bukti blowup tidak akan “menyelesaikan turbulensi” dalam arti praktis, tetapi akan membentuk ulang apa yang diketahui matematikawan tentang persamaan di baliknya.

Kontroversi ini berpusat pada hubungan antara karya OpenAI dan karya Buckmaster serta Alpöge.

Quanta melaporkan bahwa pengumuman OpenAI muncul sekitar 12 jam setelah Buckmaster mengumumkan hasil bersama Alpöge pada masalah yang sangat terkait. Karya mereka menggunakan berbagai model AI, termasuk model OpenAI. MIT Technology Review melaporkan bahwa Buckmaster dan Alpöge telah bekerja hampir setahun pada masalah tersebut dan bahwa Buckmaster memposting sebuah bukti yang menunjukkan bahwa versi sederhana dari persamaan Navier–Stokes dapat mengalami keruntuhan.

Baik karya OpenAI maupun karya Buckmaster–Alpöge tampaknya bertumpu pada pendekatan yang dikaitkan dengan Diego Córdoba dan Luis Martínez-Zoroa. Quanta mengatakan kedua tim sangat bergantung pada karya Córdoba dan Martínez-Zoroa, yang mengembangkan strategi yang menyimpang dari metode yang digunakan kebanyakan matematikawan. MIT Technology Review mengutip profesor matematika Brown University Javier Gómez-Serrano yang mengatakan bahwa pendekatan ini adalah salah satu dari beberapa pendekatan yang dianggap menjanjikan untuk masalah tersebut.

OpenAI mengakui, menurut MIT Technology Review, bahwa timnya terinspirasi untuk mengejar masalah ini setelah mendengar rumor tentang upaya Buckmaster dan Alpöge. Sengketanya adalah apakah model atau karyawan OpenAI memiliki akses ke, dilatih pada, atau dengan cara lain mendapat manfaat dari karya Buckmaster dan Alpöge.

MIT Technology Review melaporkan bahwa Buckmaster memposting dokumen yang menggambarkan interaksi dengan karyawan OpenAI. Menurut versi Buckmaster, karyawan OpenAI menyampaikan dua kemungkinan. Buckmaster dan Alpöge dapat memposting karya mereka dan OpenAI akan memposting solusi Navier–Stokes-nya keesokan harinya, atau Buckmaster dapat bekerja dengan OpenAI pada makalah Navier–Stokes yang mengecualikan Alpöge dari kepengarangan karena afiliasinya dengan Anthropic. MIT Technology Review juga melaporkan bahwa OpenAI membantah bahwa karyawan atau agennya mengakses transkrip Buckmaster dan Alpöge.

Itu adalah tuduhan serius, tetapi catatan publiknya belum lengkap. Sikap yang tepat adalah memisahkan klaim matematika dari sengketa atribusi. Buktinya bisa benar sementara prosesnya tetap diperdebatkan secara etis. Atau buktinya bisa gagal dalam peninjauan sementara pertanyaan atribusi tetap penting.

Lean adalah proof assistant: sistem untuk mengekspresikan pernyataan matematika dan memeriksa bahwa setiap langkah mengikuti aturan formal. Dalam matematika berisiko tinggi, itu dapat menghilangkan kelas kesalahan yang besar. Ini juga dapat membuat bukti buatan AI lebih mudah diaudit, karena buktinya bukan hanya prosa; ia adalah logika formal yang dapat dieksekusi.

Itulah mengapa komponen Lean penting. Jika formalisasinya sehat dan cocok dengan pernyataan Navier–Stokes yang dimaksud, hasilnya menjadi jauh lebih sulit untuk disingkirkan sebagai halusinasi yang fasih. Bagi pembuat AI, ini adalah perbedaan antara model yang menulis penalaran yang terdengar masuk akal dan sistem yang menghasilkan artefak yang dapat diperiksa oleh program lain.

Namun Lean tidak menyelesaikan setiap masalah kepercayaan. Lean tidak menetapkan prioritas. Lean tidak mengungkap bagaimana bukti itu ditemukan. Lean tidak menjelaskan apakah data privat, transkrip, atau ide yang belum dipublikasikan memengaruhi pencarian. Dan Lean tidak menggantikan peran komunitas matematika dalam menafsirkan signifikansi bukti tersebut.

Perbedaan ini seharusnya terasa akrab bagi orang yang membangun produk AI. Output terstruktur, pengujian, eval, dan pemeriksaan formal dapat membuat sistem lebih andal, tetapi semua itu tidak dengan sendirinya menjawab pertanyaan tata kelola. Jika agen AI dapat memanggil tool, memeriksa log, menggunakan ulang konteks privat, atau berkoordinasi dengan agen lain, sistem membutuhkan batasan dan jejak audit sama besarnya dengan kapabilitas mentah.

Itulah salah satu alasan kerja multi-agen adalah masalah rekayasa, bukan sekadar trik prompting. Baik kamu merancang agen riset maupun workflow bisnis, pertanyaan praktisnya serupa: agen mana yang dapat melihat konteks apa, tool mana yang dapat mereka panggil, di mana handoff terjadi, dan apa yang dicatat dalam log? Pilihan desain itu penting dalam agen AI jauh sebelum taruhannya mencapai wilayah Millennium Prize.

Detail operasional yang paling mencolok adalah skala. Quanta melaporkan sekitar 10.000 agen, 88 jam pencarian, 17 jam lagi untuk formalisasi, dan hampir 5 juta pesan antar-agen. MIT Technology Review melaporkan bahwa OpenAI mengatakan proses itu menelan biaya jutaan dolar.

Skala itu tidak tersedia bagi sebagian besar kelompok akademik. Ini menunjukkan kemungkinan masa depan ketika kemajuan matematika frontier bergantung pada model internal, anggaran komputasi privat, dan infrastruktur agen yang terkonsentrasi di dalam segelintir perusahaan AI.

MIT Technology Review membingkai ini sebagai titik balik bagi matematika: jika masalah terbuka besar dapat diserang oleh swarm agen privat, norma kolaborasi akademik mungkin akan tertekan. Matematikawan sering belajar dari upaya yang gagal, hasil parsial, dan jalan buntu. Jika semua itu terjadi di dalam sistem privat dan tidak pernah menjadi publik, bidang tersebut mungkin mendapatkan jawaban tanpa jalur bersama yang secara tradisional menciptakan tool dan subbidang baru.

Quanta mengutip matematikawan Princeton Charles Fefferman, yang menulis deskripsi masalah resmi Clay Institute, mengatakan bahwa ia sangat senang masalah itu terpecahkan dan menyebut Córdoba serta Martínez-Zoroa sebagai pahlawan dalam cerita ini. Atribusi itu adalah koreksi yang berguna. Bahkan jika langkah akhirnya terotomasi, cita rasa riset — memilih arah yang menjanjikan — berasal dari karya matematika manusia yang dibangun selama bertahun-tahun.

Bagi builder, pelajarannya bukan “gunakan lebih banyak agen.” Pelajarannya adalah sistem agentic memperkuat kualitas ruang pencarian yang diberikan kepada mereka. Model yang lebih baik dan anggaran yang lebih besar membantu, tetapi perumusan masalah, pemilihan konteks, akses tool, dan loop verifikasi tetap menentukan apakah sistem menjelajahi wilayah yang berguna atau membakar komputasi.

Jika kamu merutekan pekerjaan di beberapa model, prinsip yang sama berlaku pada skala yang lebih kecil. Gunakan model terbaik untuk pekerjaan tersebut, tetapi jangan perlakukan pilihan model sebagai keseluruhan sistem. Workflow di sekelilingnya — retrieval, batasan, pemeriksaan, approval, dan log — adalah sumber keandalan. Dengan kata lain, kapabilitas berasal dari keseluruhan workflow, bukan dari pilihan di leaderboard.

Hal pertama yang perlu diperhatikan adalah validasi matematika. Matematikawan eksternal dan Clay Mathematics Institute akan membutuhkan waktu untuk menilai apakah buktinya benar, apakah formalisasi Lean cocok dengan klaim yang dimaksud, dan bagaimana hasil tersebut masuk ke dalam karya sebelumnya.

Yang kedua adalah atribusi. Catatan publik dari OpenAI, Buckmaster, Alpöge, dan matematikawan luar belum membentuk rekaman yang mapan. Pertanyaan utamanya bersifat faktual: apa yang diakses agen atau karyawan OpenAI, pada apa mereka dilatih, apa yang mereka ketahui, dan kapan mereka mengetahuinya?

Yang ketiga adalah apakah ini menjadi template. Jika lab AI frontier dapat mengarahkan swarm agen masif ke masalah terkenal yang belum terpecahkan, akan ada lebih banyak pengumuman. Sebagiannya akan bersih. Sebagiannya akan diperdebatkan. Sebagiannya akan gagal dalam peninjauan. Bidang-bidang yang terdampak akan membutuhkan norma untuk kredit, pengungkapan, komputasi privat, dan klaim prioritas berbantuan AI.

Bagi orang yang membangun dengan AI di luar matematika murni, pesannya cukup jelas: kapabilitas sedang bergerak menuju sistem, bukan prompt tunggal. Agen, tool, model routing, dan verifikasi menjadi unit kerja. Tim yang menangani provenance dan peninjauan dengan baik akan berada pada posisi yang lebih baik daripada tim yang hanya mengejar output yang lebih besar.

Kami akan terus mengikuti kisah verifikasi dan atribusi ini seiring perkembangannya. Jika kamu menginginkan berita AI dengan konteks teknis tetap utuh, kamu bisa berlangganan newsletter LIA.

• OpenAI mengklaim agen AI otonom menemukan singularitas dalam persamaan Navier–Stokes tiga dimensi dan menghasilkan formalisasi Lean.
• Hasilnya belum diverifikasi oleh matematikawan eksternal atau diterima oleh Clay Mathematics Institute.
• Bukti Lean dapat mengurangi banyak kesalahan pemeriksaan bukti, tetapi peninjau tetap perlu memastikan bahwa pernyataan formalnya cocok dengan klaim matematika yang dimaksud.
• Pengumuman ini terkait dengan sengketa atribusi yang melibatkan karya Tristan Buckmaster, Levent Alpöge, Diego Córdoba, dan Luis Martínez-Zoroa.
• Skala proses yang dilaporkan menyoroti kesenjangan sumber daya antara lab AI frontier dan sebagian besar kelompok akademik.
• Bagi builder AI, episode ini menunjukkan bahwa agen membutuhkan provenance, jejak audit, loop verifikasi, dan batasan yang jelas, bukan sekadar lebih banyak komputasi.

Bagian ini menjawab pertanyaan praktis di balik klaim Navier–Stokes dari OpenAI: jawaban di bawah mencakup pengumuman, peran Lean, dan bagian yang masih membutuhkan peninjauan independen. Bagian ini juga memisahkan taruhan matematika dari sengketa atribusi seputar karya tersebut.

OpenAI mengatakan memiliki solusi buatan AI, tetapi klaim tersebut masih membutuhkan peninjauan matematika eksternal dan penilaian oleh Clay Mathematics Institute.

Menurut laporan yang dikutip, OpenAI mengklaim agennya menemukan singularitas dalam persamaan Navier–Stokes tiga dimensi dan bahwa model lain memformalkan hasilnya di Lean.

Lean dapat memeriksa bahwa setiap langkah formal mengikuti aturan, sehingga bukti tersebut lebih sulit disingkirkan sebagai prosa yang terdengar masuk akal. Matematikawan tetap perlu memverifikasi bahwa pernyataan yang diformalkan cocok dengan klaim Navier–Stokes yang dimaksud.

Sengketa ini menyangkut apakah karya OpenAI mendapat manfaat dari riset berbantuan AI oleh Tristan Buckmaster dan Levent Alpöge tanpa kredit yang layak. OpenAI membantah bahwa karyawan atau agennya mengakses transkrip mereka, menurut MIT Technology Review.

Tidak. Bukti blowup akan membentuk ulang pemahaman matematika tentang persamaan di balik gerak fluida, tetapi tidak akan secara langsung menyelesaikan turbulensi sebagai masalah rekayasa praktis.