Заявление OpenAI о доказательстве для уравнений Навье — Стокса: что известно

Уравнения Навье — Стокса описывают движение жидкостей и газов, например воды и воздуха. Они лежат в основе гидродинамики, инженерии и физики, но у математиков до сих пор не было полного аналитического понимания их поведения в трех измерениях.

Версия задачи тысячелетия, грубо говоря, спрашивает: всегда ли гладкие начальные условия приводят к гладким решениям на все будущие моменты времени, или уравнения могут «уйти в бесконечность» — породить сингулярность, где такая величина, как скорость, становится бесконечной. Институт математики Клэя включил эту проблему в список из семи задач тысячелетия в 2000 году; за каждую полагается премия в $1 миллион. До этого анонса из семи была решена только гипотеза Пуанкаре, как кратко изложено в Wikipedia.

Заявление OpenAI, по данным Quanta Magazine, состоит в том, что автономные ИИ-агенты, работавшие на внутренней модели, нашли сингулярность в трехмерных уравнениях Навье — Стокса. Quanta сообщает, что в работе использовалось около 10 000 агентов, что агенты нашли доказательство за 88 часов, а затем другая ИИ-модель формализовала результат в Lean еще за 17 часов. Агенты обменялись почти 5 миллионами сообщений, а Себастьен Бюбек из OpenAI оценил вычислительные затраты в несколько миллионов долларов, согласно Quanta.

MIT Technology Review сообщает, что OpenAI не планирует претендовать на премию в $1 миллион. Согласно Wikipedia, контрпример пока не был проверен внешними математиками или Институтом математики Клэя.

Последний пункт важен. Формализация в Lean — сильный сигнал, но это не то же самое, что признание сообществом. Quanta отмечает, что формальные доказательства могут установить, что утверждение следует внутри proof assistant, но математикам все равно нужно проверить, что формализованное утверждение логически эквивалентно той математической формулировке, которую люди намеревались доказать.

Дифференциальные уравнения описывают связи между изменяющимися величинами. В механике жидкости уравнения Навье — Стокса объединяют скорость, давление, вязкость, внешние силы и сохранение массы. Их достаточно легко записать в стандартной нотации, но их долгосрочное поведение может быть крайне трудно понять.

Главная сложность не в том, могут ли инженеры моделировать жидкости. Они постоянно это делают. Вопрос в том, гарантированно ли идеализированные математические уравнения ведут себя хорошо при условиях, заданных задачей тысячелетия.

Сингулярность означала бы, что уравнения предсказывают разрушение: какая-то часть жидкости эволюционирует к невозможному математическому состоянию. Как объясняет Quanta, это не означает немедленного практического сбоя в реальной инженерии, потому что настоящие жидкости состоят из молекул и атомов, а не из идеально гладких континуумов. Но с точки зрения математики это показало бы, что идеализированные уравнения ведут себя куда более неожиданно, чем многие предполагали.

Задача также связана с турбулентностью — одним из самых сложных явлений в физике. Wikipedia описывает турбулентность как одну из величайших нерешенных проблем физики, несмотря на ее важность для науки и инженерии. Доказательство blowup не «решило бы турбулентность» в практическом смысле, но изменило бы представления математиков об уравнениях, которые за ней стоят.

Спор сосредоточен на связи между работой OpenAI и работой Бакмастера и Алпёге.

Quanta сообщает, что анонс OpenAI появился примерно через 12 часов после того, как Бакмастер объявил о результатах с Алпёге по близкородственным задачам. В их работе использовались разные ИИ-модели, включая модели OpenAI. MIT Technology Review сообщает, что Бакмастер и Алпёге почти год работали над проблемой, а Бакмастер опубликовал доказательство того, что упрощенная версия уравнений Навье — Стокса может разрушаться.

И работа OpenAI, и работа Бакмастера — Алпёге, судя по всему, опираются на подход, связанный с Диего Кордобой и Луисом Мартинесом-Сороа. Quanta пишет, что обе команды сильно опирались на работы Кордобы и Мартинеса-Сороа, разработавших стратегию, отличавшуюся от методов, которыми пользовалось большинство математиков. MIT Technology Review цитирует профессора математики Брауновского университета Хавьера Гомеса-Серрано, который сказал, что этот подход считался одним из нескольких перспективных для задачи.

OpenAI признала, согласно MIT Technology Review, что команда заинтересовалась проблемой после слуха об усилиях Бакмастера и Алпёге. Спор в том, имели ли модели или сотрудники OpenAI доступ к работе Бакмастера и Алпёге, обучались ли на ней или иным образом извлекли из нее пользу.

MIT Technology Review сообщает, что Бакмастер опубликовал документ с описанием взаимодействий с сотрудниками OpenAI. По версии Бакмастера, сотрудники OpenAI предложили два варианта. Бакмастер и Алпёге могли опубликовать свою работу, а OpenAI на следующий день опубликовала бы свое решение по Навье — Стоксу; либо Бакмастер мог работать с OpenAI над статьей по Навье — Стоксу, исключив Алпёге из числа авторов из-за его связи с Anthropic. MIT Technology Review также сообщает, что OpenAI отрицала, что ее сотрудники или агенты получали доступ к транскриптам Бакмастера и Алпёге.

Это серьезные обвинения, но публичная картина пока неполна. Правильная позиция — отделять математическое утверждение от спора об атрибуции. Доказательство может оказаться верным, даже если процесс останется этически спорным. Или доказательство может не выдержать проверки, но вопросы атрибуции все равно будут важны.

Lean — это proof assistant: система для выражения математических утверждений и проверки того, что каждый шаг следует из формальных правил. В математике с высокими ставками это может устранить большой класс ошибок. Это также может упростить аудит сгенерированных ИИ доказательств, потому что доказательство существует не только в виде текста; это исполняемая формальная логика.

Именно поэтому компонент Lean важен. Если формализация корректна и соответствует предполагаемому утверждению о Навье — Стоксе, результат становится намного труднее списать на гладкую галлюцинацию. Для разработчиков ИИ это разница между моделью, которая пишет правдоподобные рассуждения, и системой, которая создает артефакты, проверяемые другой программой.

Но Lean не решает все проблемы доверия. Он не устанавливает приоритет. Он не показывает, как было найдено доказательство. Он не объясняет, повлияли ли на поиск частные данные, транскрипты или неопубликованные идеи. И он не заменяет роль математического сообщества в интерпретации значимости доказательства.

Это различие должно быть знакомо тем, кто создает ИИ-продукты. Структурированные outputs, тесты, evals и формальные проверки могут делать системы надежнее, но сами по себе они не отвечают на вопросы управления. Если ИИ-агент может вызывать инструменты, просматривать логи, повторно использовать приватный контекст или координироваться с другими агентами, системе нужны границы и audit trails не меньше, чем сырые возможности.

Это одна из причин, почему работа с несколькими агентами — инженерная задача, а не просто prompt-трюк. Проектируете ли вы исследовательских агентов или бизнес-процессы, практические вопросы похожи: какие агенты видят какой контекст, какие инструменты они могут вызывать, где происходят handoff и что логируется? Эти проектные решения важны для ИИ-агентов задолго до того, как ставки достигают уровня задач тысячелетия.

Самая впечатляющая операционная деталь — масштаб. Quanta сообщает примерно о 10 000 агентах, 88 часах поиска, еще 17 часах формализации и почти 5 миллионах сообщений между агентами. MIT Technology Review сообщает, что, по словам OpenAI, запуск стоил миллионы долларов.

Такой масштаб недоступен большинству академических групп. Это указывает на возможное будущее, в котором прогресс в frontier mathematics зависит от внутренних моделей, частных бюджетов на вычисления и агентной инфраструктуры, сосредоточенной внутри нескольких ИИ-компаний.

MIT Technology Review описывает это как поворотный момент для математики: если крупные открытые проблемы можно атаковать частными роями агентов, нормы академического сотрудничества могут оказаться под давлением. Математики часто учатся на неудачных попытках, частичных результатах и неверных поворотах. Если все это происходит внутри частных систем и никогда не становится публичным, область может получать ответы без общего пути, который традиционно создает новые инструменты и подобласти.

Quanta цитирует математика из Princeton Чарльза Феффермана, автора официального описания задачи для Института Клэя: он сказал, что был в восторге от решения проблемы, и назвал Кордобу и Мартинеса-Сороа героями этой истории. Такая атрибуция — полезная поправка. Даже если финальный шаг был автоматизирован, исследовательский вкус — выбор перспективного направления — возник из человеческой математической работы, построенной за годы.

Для разработчиков урок не в том, чтобы «использовать больше агентов». Он в том, что агентные системы усиливают качество пространства поиска, которое им задано. Более сильные модели и большие бюджеты помогают, но формулировка задачи, выбор контекста, доступ к инструментам и циклы проверки по-прежнему определяют, будет ли система исследовать полезную область или просто сжигать вычисления.

Если вы распределяете работу между несколькими моделями, тот же принцип применим в меньшем масштабе. Используйте лучшую модель для задачи, но не считайте выбор модели всей системой. Окружающий workflow — retrieval, ограничения, проверки, approvals и логи — вот откуда берется надежность. Иными словами, capability возникает из всего workflow, а не из выбора по leaderboard.

Первое, за чем стоит следить, — математическая валидация. Внешним математикам и Институту математики Клэя понадобится время, чтобы оценить, верно ли доказательство, соответствует ли формализация в Lean предполагаемому утверждению и как результат соотносится с предыдущими работами.

Второе — атрибуция. Публичные версии OpenAI, Бакмастера, Алпёге и сторонних математиков пока не складываются в окончательную картину. Центральные вопросы фактические: к чему имели доступ агенты или сотрудники OpenAI, на чем они обучались, что они знали и когда они это узнали?

Третье — станет ли это шаблоном. Если frontier AI-лаборатории смогут направлять массивные рои агентов на знаменитые нерешенные проблемы, последуют новые анонсы. Некоторые будут безупречными. Некоторые — спорными. Некоторые не выдержат проверки. Затронутым областям понадобятся нормы для признания авторства, раскрытия информации, частных вычислений и заявлений о приоритете с помощью ИИ.

Для людей, которые создают решения с ИИ вне чистой математики, сигнал достаточно ясен: возможности смещаются к системам, а не к одиночным prompt. Агенты, инструменты, маршрутизация моделей и верификация становятся единицей работы. Команды, которые хорошо справляются с provenance и review, окажутся в лучшей позиции, чем команды, которые только гонятся за более крупными output.

Мы продолжим следить за развитием истории проверки и атрибуции. Если вам нужны новости об ИИ с сохранением технического контекста, подпишитесь на рассылку LIA.

• OpenAI утверждает, что автономные ИИ-агенты нашли сингулярность в трехмерных уравнениях Навье — Стокса и подготовили формализацию в Lean.
• Результат пока не проверен внешними математиками и не принят Институтом математики Клэя.
• Доказательство в Lean может снизить число многих ошибок проверки, но рецензентам все равно нужно подтвердить, что формальное утверждение соответствует предполагаемой математической формулировке.
• Анонс переплетен со спором об атрибуции, связанным с работами Тристана Бакмастера, Левента Алпёге, Диего Кордобы и Луиса Мартинеса-Сороа.
• Сообщаемый масштаб запуска подчеркивает разрыв в ресурсах между frontier AI-лабораториями и большинством академических групп.
• Для разработчиков ИИ этот эпизод показывает, что агентам нужны provenance, audit trails, циклы проверки и четкие границы, а не только больше вычислений.

Этот раздел отвечает на практические вопросы за заявлением OpenAI о Навье — Стоксе: ниже разобраны сам анонс, роль Lean и части, которым все еще нужна независимая проверка. Он также отделяет математические ставки от спора об атрибуции вокруг работы.

OpenAI говорит, что у нее есть сгенерированное ИИ решение, но заявление все еще требует внешней математической проверки и оценки Институтом математики Клэя.

Согласно приведенным материалам, OpenAI утверждает, что ее агенты нашли сингулярность в трехмерных уравнениях Навье — Стокса, а другая модель формализовала результат в Lean.

Lean может проверять, что каждый формальный шаг следует из правил, поэтому доказательство труднее списать на правдоподобный текст. Математикам все равно нужно убедиться, что формализованное утверждение соответствует предполагаемому заявлению о Навье — Стоксе.

Спор касается того, могла ли работа OpenAI воспользоваться исследованиями Тристана Бакмастера и Левента Алпёге с помощью ИИ без надлежащего указания авторства. Согласно MIT Technology Review, OpenAI отрицает, что ее сотрудники или агенты получали доступ к их транскриптам.

Нет. Доказательство blowup изменило бы математическое понимание уравнений, стоящих за движением жидкости, но не решило бы турбулентность напрямую как практическую инженерную задачу.