OpenAI's bewijsclaim voor Navier–Stokes uitgelegd

De Navier–Stokes-vergelijkingen beschrijven hoe vloeistoffen en gassen zoals water en lucht bewegen. Ze staan centraal in vloeistofdynamica, engineering en natuurkunde, maar wiskundigen hebben nog geen volledig analytisch begrip van hun gedrag in drie dimensies.

De Millennium Prize-versie vraagt, grof gezegd, of gladde beginvoorwaarden altijd leiden tot gladde oplossingen voor alle toekomstige tijd, of dat de vergelijkingen kunnen „opblazen” — waarbij een singulariteit ontstaat waarin een grootheid zoals snelheid oneindig wordt. Het Clay Mathematics Institute noemde het probleem in 2000 een van de zeven Millennium Prize Problems, elk gekoppeld aan een prijs van $1 miljoen. Vóór deze aankondiging was van de zeven alleen het vermoeden van Poincaré opgelost, zoals samengevat door Wikipedia.

OpenAI's claim, zoals gemeld door Quanta Magazine, is dat autonome AI-agenten die op een intern model draaiden een singulariteit hebben gevonden in de driedimensionale Navier–Stokes-vergelijkingen. Quanta meldt dat voor het werk ongeveer 10.000 agenten zijn gebruikt, dat de agenten na 88 uur een bewijs vonden en dat een ander AI-model het resultaat na nog eens 17 uur in Lean formaliseerde. De agenten wisselden bijna 5 miljoen berichten uit, en Sébastien Bubeck van OpenAI schatte de rekenkosten op enkele miljoenen dollars, volgens Quanta.

MIT Technology Review meldt dat OpenAI zegt niet van plan te zijn de prijs van $1 miljoen op te eisen. Volgens Wikipedia is het tegenvoorbeeld nog niet geverifieerd door externe wiskundigen of door het Clay Mathematics Institute.

Dat laatste punt is belangrijk. Een Lean-formalisering is een sterk signaal, maar is niet hetzelfde als acceptatie door de gemeenschap. Quanta merkt op dat formele bewijzen kunnen aantonen dat een uitspraak binnen de proof assistant volgt, terwijl wiskundigen nog steeds moeten controleren of de geformaliseerde uitspraak logisch equivalent is aan de wiskundige claim die men wilde bewijzen.

Differentiaalvergelijkingen beschrijven relaties tussen veranderende grootheden. In de vloeistofmechanica combineren de Navier–Stokes-vergelijkingen snelheid, druk, viscositeit, externe krachten en behoud van massa. Ze zijn eenvoudig genoeg om in standaardnotatie op te schrijven, maar hun langetermijngedrag kan extreem moeilijk te begrijpen zijn.

De kernmoeilijkheid is niet of ingenieurs vloeistoffen en gassen kunnen simuleren. Dat doen ze voortdurend. Het punt is of de geïdealiseerde wiskundige vergelijkingen gegarandeerd goed gedrag vertonen onder de voorwaarden die het Millennium Prize-probleem specificeert.

Een singulariteit zou betekenen dat de vergelijkingen een instorting voorspellen: een deel van de vloeistof of het gas ontwikkelt zich richting een onmogelijke wiskundige toestand. Zoals Quanta uitlegt, impliceert dit geen onmiddellijk praktisch falen in echte engineering, omdat werkelijke vloeistoffen en gassen bestaan uit moleculen en atomen in plaats van perfect gladde continua. Maar als wiskunde zou het laten zien dat de geïdealiseerde vergelijkingen verrassender gedrag vertonen dan velen verwachtten.

Het probleem is ook verbonden met turbulentie, een van de moeilijkste fenomenen in de natuurkunde. Wikipedia beschrijft turbulentie als een van de grootste onopgeloste problemen in de natuurkunde, ondanks het belang ervan in wetenschap en engineering. Een bewijs van blowup zou „turbulentie” niet in praktische zin oplossen, maar het zou wel veranderen wat wiskundigen weten over de vergelijkingen erachter.

De controverse draait om de relatie tussen OpenAI's werk en het werk van Buckmaster en Alpöge.

Quanta meldt dat OpenAI's aankondiging ongeveer 12 uur kwam nadat Buckmaster resultaten met Alpöge had aangekondigd over nauw verwante problemen. Hun werk gebruikte verschillende AI-modellen, waaronder OpenAI-modellen. MIT Technology Review meldt dat Buckmaster en Alpöge bijna een jaar aan het probleem hadden gewerkt en dat Buckmaster een bewijs plaatste dat laat zien dat een vereenvoudigde versie van de Navier–Stokes-vergelijkingen kan instorten.

Zowel het werk van OpenAI als dat van Buckmaster–Alpöge lijkt te leunen op een aanpak die wordt geassocieerd met Diego Córdoba en Luis Martínez-Zoroa. Quanta zegt dat beide teams sterk vertrouwden op werk van Córdoba en Martínez-Zoroa, die een strategie ontwikkelden die afweek van de methoden die de meeste wiskundigen gebruikten. MIT Technology Review citeert Brown University-wiskundeprofessor Javier Gómez-Serrano, die zegt dat deze aanpak werd gezien als een van meerdere kansrijke routes voor het probleem.

OpenAI heeft volgens MIT Technology Review erkend dat het team werd geïnspireerd om het probleem op te pakken nadat het een gerucht had gehoord over de inspanningen van Buckmaster en Alpöge. Het geschil gaat over de vraag of OpenAI's modellen of medewerkers toegang hadden tot, getraind zijn op of op een andere manier hebben geprofiteerd van het werk van Buckmaster en Alpöge.

MIT Technology Review meldt dat Buckmaster een document heeft geplaatst waarin interacties met OpenAI-medewerkers worden beschreven. Volgens Buckmasters relaas legden OpenAI-medewerkers twee mogelijkheden voor. Buckmaster en Alpöge konden hun werk plaatsen en OpenAI zou de volgende dag zijn Navier–Stokes-oplossing plaatsen, of Buckmaster kon met OpenAI werken aan een Navier–Stokes-paper waarbij Alpöge vanwege zijn Anthropic-affiliatie van auteurschap werd uitgesloten. MIT Technology Review meldt ook dat OpenAI ontkende dat zijn medewerkers of agenten toegang hadden tot de transcripties van Buckmaster en Alpöge.

Dat zijn serieuze beschuldigingen, maar het publieke dossier is onvolledig. De juiste houding is om de wiskundige claim te scheiden van het geschil over toeschrijving. Het bewijs kan correct zijn terwijl het proces ethisch omstreden blijft. Of het bewijs kan bij review falen terwijl de toeschrijvingsvragen nog steeds belangrijk zijn.

Lean is een proof assistant: een systeem om wiskundige uitspraken uit te drukken en te controleren dat elke stap uit formele regels volgt. In wiskunde met hoge inzet kan dat een grote categorie fouten wegnemen. Het kan AI-gegenereerde bewijzen ook makkelijker te auditen maken, omdat het bewijs niet alleen proza is; het is uitvoerbare formele logica.

Daarom is de Lean-component belangrijk. Als de formalisering solide is en overeenkomt met de bedoelde Navier–Stokes-uitspraak, wordt het resultaat veel moeilijker weg te zetten als vloeiende hallucinatie. Voor AI-bouwers is dit het verschil tussen een model dat plausibele redeneringen schrijft en een systeem dat artefacten produceert die een ander programma kan controleren.

Maar Lean lost niet elk vertrouwensprobleem op. Het stelt geen prioriteit vast. Het onthult niet hoe het bewijs is gevonden. Het verklaart niet of private data, transcripties of ongepubliceerde ideeën de zoektocht hebben beïnvloed. En het vervangt niet de rol van de wiskundige gemeenschap bij het interpreteren van de betekenis van het bewijs.

Dit onderscheid zal vertrouwd aanvoelen voor mensen die AI-producten bouwen. Gestructureerde outputs, tests, evals en formele checks kunnen systemen betrouwbaarder maken, maar beantwoorden op zichzelf geen governance-vragen. Als een AI-agent tools kan aanroepen, logs kan inspecteren, private context kan hergebruiken of met andere agenten kan coördineren, heeft het systeem net zo hard grenzen en auditsporen nodig als pure capaciteit.

Dat is een reden waarom multi-agentwerk een engineeringprobleem is, niet alleen een promptingtruc. Of je nu onderzoeksagenten of bedrijfsworkflows ontwerpt, de praktische vragen lijken op elkaar: welke agenten mogen welke context zien, welke tools mogen ze aanroepen, waar vinden handoffs plaats en wat wordt gelogd? Die ontwerpkeuzes doen er bij AI-agenten al toe lang voordat de inzet Millennium Prize-niveau bereikt.

Het meest opvallende operationele detail is schaal. Quanta meldt ongeveer 10.000 agenten, 88 uur zoeken, nog eens 17 uur voor formalisering en bijna 5 miljoen berichten tussen agenten. MIT Technology Review meldt dat OpenAI zei dat de run miljoenen dollars kostte.

Die schaal is voor de meeste academische groepen niet beschikbaar. Dit wijst op een mogelijke toekomst waarin vooruitgang in de frontier-wiskunde afhangt van interne modellen, private compute-budgetten en agentinfrastructuur die geconcentreerd zijn binnen een paar AI-bedrijven.

MIT Technology Review schetst dit als een kantelpunt voor de wiskunde: als grote open problemen kunnen worden aangevallen door private zwermen agenten, kunnen de normen van academische samenwerking onder druk komen te staan. Wiskundigen leren vaak van mislukte pogingen, gedeeltelijke resultaten en verkeerde afslagen. Als die binnen private systemen plaatsvinden en nooit publiek worden, kan het veld antwoorden krijgen zonder het gedeelde pad dat traditioneel nieuwe tools en deelgebieden creëert.

Quanta citeert Princeton-wiskundige Charles Fefferman, die de officiële probleembeschrijving van het Clay Institute schreef, die zei dat hij enthousiast was dat het probleem was opgelost en Córdoba en Martínez-Zoroa aanwees als de helden van het verhaal. Die toeschrijving is een nuttige correctie. Zelfs als de laatste stap geautomatiseerd was, kwam de onderzoeksintuïtie — het kiezen van een veelbelovende richting — voort uit menselijk wiskundig werk dat over jaren is opgebouwd.

Voor bouwers is de les niet „gebruik meer agenten”. Het is dat agentische systemen de kwaliteit versterken van de zoekruimte die ze krijgen. Betere modellen en grotere budgetten helpen, maar probleemkadering, contextselectie, tooltoegang en verificatielussen bepalen nog steeds of het systeem nuttig terrein verkent of compute verbrandt.

Als je werk over meerdere modellen routeert, geldt hetzelfde principe op kleinere schaal. Gebruik het beste model voor de taak, maar behandel modelkeuze niet als het hele systeem. De omliggende workflow — retrieval, beperkingen, checks, goedkeuringen en logs — is waar betrouwbaarheid vandaan komt. Met andere woorden: capaciteit komt uit de hele workflow, niet uit een keuze op een leaderboard.

Het eerste om in de gaten te houden is wiskundige validatie. Externe wiskundigen en het Clay Mathematics Institute hebben tijd nodig om te beoordelen of het bewijs correct is, of de Lean-formalisering overeenkomt met de bedoelde claim en hoe het resultaat past binnen eerder werk.

Het tweede is toeschrijving. De publieke verklaringen van OpenAI, Buckmaster, Alpöge en externe wiskundigen vormen nog geen vaststaand dossier. De centrale vragen zijn feitelijk: waar hadden OpenAI's agenten of medewerkers toegang toe, waarop trainden ze, wat wisten ze en wanneer wisten ze dat?

Het derde is of dit een template wordt. Als frontier-AI-labs enorme agentzwermen op beroemde onopgeloste problemen kunnen zetten, zullen er meer aankondigingen volgen. Sommige zullen zuiver zijn. Sommige zullen worden betwist. Sommige zullen bij review falen. De getroffen velden zullen normen nodig hebben voor erkenning, disclosure, private compute en AI-ondersteunde prioriteitsclaims.

Voor mensen die met AI bouwen buiten de pure wiskunde is de boodschap duidelijk genoeg: capaciteit verschuift richting systemen, niet losse prompts. Agenten, tools, modelrouting en verificatie worden de werkeenheid. Teams die herkomst en review goed aanpakken, staan er beter voor dan teams die alleen grotere outputs najagen.

We blijven het verificatie- en toeschrijvingsverhaal volgen terwijl het zich ontwikkelt. Als je AI-nieuws wilt met de technische context erbij, kun je je abonneren op de LIA-nieuwsbrief.

• OpenAI claimt dat autonome AI-agenten een singulariteit hebben gevonden in de driedimensionale Navier–Stokes-vergelijkingen en een Lean-formalisering hebben geproduceerd.
• Het resultaat is nog niet geverifieerd door externe wiskundigen of geaccepteerd door het Clay Mathematics Institute.
• Een Lean-bewijs kan veel fouten bij bewijscontrole verminderen, maar reviewers moeten nog steeds bevestigen dat de formele uitspraak overeenkomt met de bedoelde wiskundige claim.
• De aankondiging is verweven met een toeschrijvingsgeschil rond werk van Tristan Buckmaster, Levent Alpöge, Diego Córdoba en Luis Martínez-Zoroa.
• De gerapporteerde schaal van de run benadrukt een resourcekloof tussen frontier-AI-labs en de meeste academische groepen.
• Voor AI-bouwers laat de episode zien dat agenten herkomst, auditsporen, verificatielussen en duidelijke grenzen nodig hebben, niet alleen meer compute.

Deze sectie beantwoordt de praktische vragen achter OpenAI's Navier–Stokes-claim: de antwoorden hieronder behandelen de aankondiging, de rol van Lean en de onderdelen die nog onafhankelijke review nodig hebben. Ook scheidt dit de wiskundige inzet van het toeschrijvingsgeschil rond het werk.

OpenAI zegt dat het een door AI gegenereerde oplossing heeft, maar de claim moet nog extern wiskundig worden beoordeeld en door het Clay Mathematics Institute worden geëvalueerd.

Volgens de aangehaalde berichten claimt OpenAI dat zijn agenten een singulariteit hebben gevonden in de driedimensionale Navier–Stokes-vergelijkingen en dat een ander model het resultaat in Lean heeft geformaliseerd.

Lean kan controleren dat elke formele stap uit regels volgt, waardoor het bewijs moeilijker weg te zetten is als plausibel proza. Wiskundigen moeten nog steeds verifiëren dat de geformaliseerde uitspraak overeenkomt met de bedoelde Navier–Stokes-claim.

Het geschil gaat over de vraag of OpenAI's werk heeft geprofiteerd van AI-ondersteund onderzoek door Tristan Buckmaster en Levent Alpöge zonder passende erkenning. OpenAI heeft ontkend dat zijn medewerkers of agenten toegang hadden tot hun transcripties, volgens MIT Technology Review.

Nee. Een blowupbewijs zou het wiskundige begrip van de vergelijkingen achter vloeistof- en gasbeweging veranderen, maar het zou turbulentie niet rechtstreeks oplossen als praktisch engineeringprobleem.