OpenAI:s påstående om ett Navier–Stokes-bevis, förklarat

Navier–Stokes-ekvationerna beskriver hur fluider som vatten och luft rör sig. De är centrala för fluiddynamik, ingenjörsvetenskap och fysik, men matematiker har inte haft en fullständig analytisk förståelse av deras beteende i tre dimensioner.

Millenniumprisversionen frågar, grovt uttryckt, om jämna initialvillkor alltid leder till jämna lösningar för all framtida tid, eller om ekvationerna kan ”blåsa upp” — och skapa en singularitet där en storhet som hastighet blir oändlig. Clay Mathematics Institute utsåg problemet till ett av sju Millenniumprisproblem år 2000, vart och ett kopplat till ett pris på $1 miljon. Före detta tillkännagivande hade endast Poincarés förmodan lösts av de sju, vilket sammanfattas av Wikipedia.

OpenAI:s påstående, som rapporteras av Quanta Magazine, är att autonoma AI-agenter som kördes på en intern modell hittade en singularitet i de tredimensionella Navier–Stokes-ekvationerna. Quanta rapporterar att arbetet använde omkring 10 000 agenter, att agenterna hittade ett bevis efter 88 timmar och att en annan AI-modell formaliserade resultatet i Lean efter ytterligare 17 timmar. Agenterna utbytte nästan 5 miljoner meddelanden, och Sébastien Bubeck på OpenAI uppskattade beräkningskostnaden till flera miljoner dollar, enligt Quanta.

MIT Technology Review rapporterar att OpenAI säger att företaget inte planerar att göra anspråk på priset på $1 miljon. Enligt Wikipedia har motexemplet ännu inte verifierats av externa matematiker eller av Clay Mathematics Institute.

Den sista punkten är viktig. En Lean-formalisering är en stark signal, men den är inte samma sak som acceptans i forskarsamhället. Quanta noterar att formella bevis kan fastställa att ett påstående följer inom bevisassistenten, medan matematiker fortfarande behöver kontrollera att det formaliserade påståendet är logiskt ekvivalent med det matematiska påstående som människor avsåg att bevisa.

Differentialekvationer beskriver relationer mellan föränderliga storheter. Inom fluidmekanik kombinerar Navier–Stokes-ekvationerna hastighet, tryck, viskositet, yttre krafter och massans bevarande. De är tillräckligt enkla att skriva ned i standardnotation, men deras långsiktiga beteende kan vara extremt svårt att förstå.

Den centrala svårigheten är inte om ingenjörer kan simulera fluider. Det gör de, hela tiden. Frågan är om de idealiserade matematiska ekvationerna garanterat beter sig väl under de villkor som anges i Millenniumprisproblemet.

En singularitet skulle innebära att ekvationerna förutsäger ett sammanbrott: någon del av fluiden utvecklas mot ett omöjligt matematiskt tillstånd. Som Quanta förklarar innebär detta inte ett omedelbart praktiskt fel i verklig ingenjörskonst, eftersom faktiska fluider består av molekyler och atomer snarare än perfekt jämna kontinua. Men som matematik skulle det visa att de idealiserade ekvationerna har ett mer överraskande beteende än många hade väntat sig.

Problemet kopplar också till turbulens, ett av fysikens svåraste fenomen. Wikipedia beskriver turbulens som ett av de största olösta problemen inom fysiken, trots dess betydelse för vetenskap och ingenjörsvetenskap. Ett bevis för uppblåsning skulle inte ”lösa turbulens” i praktisk mening, men det skulle omforma vad matematiker vet om ekvationerna bakom den.

Kontroversen kretsar kring relationen mellan OpenAI:s arbete och Buckmasters och Alpöges arbete.

Quanta rapporterar att OpenAI:s tillkännagivande kom omkring 12 timmar efter att Buckmaster offentliggjorde resultat tillsammans med Alpöge om närbesläktade problem. Deras arbete använde en rad olika AI-modeller, inklusive OpenAI-modeller. MIT Technology Review rapporterar att Buckmaster och Alpöge hade arbetat med problemet i nästan ett år och att Buckmaster publicerade ett bevis som visade att en förenklad version av Navier–Stokes-ekvationerna kan bryta samman.

Både OpenAI:s arbete och Buckmaster–Alpöges arbete verkar bygga på en metod förknippad med Diego Córdoba och Luis Martínez-Zoroa. Quanta säger att båda teamen i hög grad byggde på arbete av Córdoba och Martínez-Zoroa, som utvecklade en strategi som avvek från de metoder de flesta matematiker använde. MIT Technology Review citerar Brown Universitys matematikprofessor Javier Gómez-Serrano, som säger att denna metod var en av flera som ansågs lovande för problemet.

OpenAI har enligt MIT Technology Review medgett att teamet inspirerades att ta sig an problemet efter att ha hört ett rykte om Buckmasters och Alpöges arbete. Tvisten gäller om OpenAI:s modeller eller anställda hade tillgång till, tränades på eller på annat sätt drog nytta av Buckmasters och Alpöges arbete.

MIT Technology Review rapporterar att Buckmaster publicerade ett dokument som beskrev interaktioner med OpenAI-anställda. Enligt Buckmasters redogörelse presenterade OpenAI-anställda två möjligheter. Buckmaster och Alpöge kunde publicera sitt arbete och OpenAI skulle publicera sin Navier–Stokes-lösning dagen därpå, eller så kunde Buckmaster arbeta med OpenAI på en Navier–Stokes-artikel som uteslöt Alpöge från författarskapet på grund av hans Anthropic-koppling. MIT Technology Review rapporterar också att OpenAI förnekade att dess anställda eller agenter fick tillgång till Buckmasters och Alpöges transkriptioner.

Det är allvarliga anklagelser, men det offentliga underlaget är ofullständigt. Rätt hållning är att skilja det matematiska påståendet från attribueringstvisten. Beviset kan vara korrekt samtidigt som processen förblir etiskt omstridd. Eller så kan beviset falla vid granskning medan attribueringsfrågorna fortfarande spelar roll.

Lean är en bevisassistent: ett system för att uttrycka matematiska påståenden och kontrollera att varje steg följer av formella regler. I matematik med höga insatser kan det undanröja en stor klass av fel. Det kan också göra AI-genererade bevis lättare att granska, eftersom beviset inte bara är prosa; det är körbar formell logik.

Det är därför Lean-komponenten är viktig. Om formaliseringen är sund och matchar det avsedda Navier–Stokes-påståendet blir resultatet mycket svårare att avfärda som flytande hallucination. För AI-byggare är detta skillnaden mellan en modell som skriver plausibla resonemang och ett system som producerar artefakter som ett annat program kan kontrollera.

Men Lean löser inte alla förtroendeproblem. Det fastställer inte prioritet. Det avslöjar inte hur beviset hittades. Det förklarar inte om privata data, transkriptioner eller opublicerade idéer påverkade sökningen. Och det ersätter inte matematikersamhällets roll i att tolka bevisets betydelse.

Den här skillnaden bör kännas bekant för personer som bygger AI-produkter. Strukturerade utdata, tester, evals och formella kontroller kan göra system mer tillförlitliga, men de besvarar inte i sig frågor om styrning. Om en AI-agent kan anropa verktyg, granska loggar, återanvända privat kontext eller samordna sig med andra agenter behöver systemet gränser och granskningsspår lika mycket som rå kapacitet.

Det är en anledning till att multiagentarbete är ett ingenjörsproblem, inte bara ett prompt-trick. Oavsett om du designar forskningsagenter eller affärsflöden är de praktiska frågorna likartade: vilka agenter kan se vilken kontext, vilka verktyg kan de anropa, var sker överlämningar och vad loggas? De designvalen spelar roll i AI-agenter långt innan insatserna når Millenniumprisnivå.

Den mest slående operativa detaljen är skalan. Quanta rapporterar ungefär 10 000 agenter, 88 timmars sökning, ytterligare 17 timmar för formalisering och nästan 5 miljoner meddelanden mellan agenter. MIT Technology Review rapporterar att OpenAI sade att körningen kostade miljontals dollar.

Den skalan är inte tillgänglig för de flesta akademiska grupper. Den pekar mot en möjlig framtid där matematiska framsteg vid frontlinjen beror på interna modeller, privata beräkningsbudgetar och agentinfrastruktur koncentrerad till ett fåtal AI-företag.

MIT Technology Review beskriver detta som en vändpunkt för matematiken: om stora öppna problem kan angripas av privata svärmar av agenter kan normerna för akademiskt samarbete pressas. Matematiker lär sig ofta av misslyckade försök, partiella resultat och felspår. Om detta sker inne i privata system och aldrig blir offentligt kan fältet få svar utan den gemensamma väg som traditionellt skapar nya verktyg och delområden.

Quanta citerar Princeton-matematikern Charles Fefferman, som skrev Clay Institutes officiella problembeskrivning, när han säger att han var begeistrad över att problemet hade lösts och pekar ut Córdoba och Martínez-Zoroa som berättelsens hjältar. Den attribueringen är en användbar korrigering. Även om det sista steget var automatiserat kom forskningskänslan — att välja en lovande riktning — från mänskligt matematiskt arbete som byggts upp under åratal.

För byggare är lärdomen inte ”använd fler agenter”. Den är att agentiska system förstärker kvaliteten i det sökutrymme de får. Bättre modeller och större budgetar hjälper, men problemformulering, kontextval, verktygsåtkomst och verifieringsslingor avgör fortfarande om systemet utforskar användbar terräng eller bränner compute.

Om du routar arbete över flera modeller gäller samma princip i mindre skala. Använd den bästa modellen för jobbet, men behandla inte modellval som hela systemet. Det omgivande arbetsflödet — retrieval, begränsningar, kontroller, godkännanden och loggar — är där tillförlitligheten kommer ifrån. Med andra ord kommer kapacitet från hela arbetsflödet, inte från ett leaderboard-val.

Det första att följa är matematisk validering. Externa matematiker och Clay Mathematics Institute behöver tid för att bedöma om beviset är korrekt, om Lean-formaliseringen matchar det avsedda påståendet och hur resultatet passar in i tidigare arbete.

Det andra är attribuering. De offentliga redogörelserna från OpenAI, Buckmaster, Alpöge och externa matematiker utgör ännu inte ett fastställt händelseförlopp. De centrala frågorna är faktiska: vad fick OpenAI:s agenter eller anställda tillgång till, vad tränades de på, vad visste de och när visste de det?

Det tredje är om detta blir en mall. Om frontier-AI-labb kan rikta massiva agentsvärmar mot berömda olösta problem kommer fler tillkännagivanden att följa. Vissa kommer att vara rena. Vissa kommer att vara omstridda. Vissa kommer att falla vid granskning. De berörda fälten kommer att behöva normer för erkännande, transparens, privat compute och AI-assisterade prioritetsanspråk.

För personer som bygger med AI utanför ren matematik är budskapet tillräckligt tydligt: kapacitet rör sig mot system, inte enskilda prompts. Agenter, verktyg, model routing och verifiering blir arbetsenheten. Teamen som hanterar proveniens och granskning väl kommer att ha ett bättre läge än team som bara jagar större utdata.

Vi fortsätter att följa berättelsen om verifiering och attribuering när den utvecklas. Om du vill ha AI-nyheter med den tekniska kontexten kvar kan du prenumerera på LIA-nyhetsbrevet.

• OpenAI påstår att autonoma AI-agenter hittade en singularitet i de tredimensionella Navier–Stokes-ekvationerna och producerade en Lean-formalisering.
• Resultatet har ännu inte verifierats av externa matematiker eller accepterats av Clay Mathematics Institute.
• Ett Lean-bevis kan minska många fel i beviskontroll, men granskare behöver fortfarande bekräfta att det formella påståendet matchar det avsedda matematiska påståendet.
• Tillkännagivandet är sammanflätat med en attribueringstvist som involverar arbete av Tristan Buckmaster, Levent Alpöge, Diego Córdoba och Luis Martínez-Zoroa.
• Den rapporterade skalan på körningen belyser ett resursgap mellan frontier-AI-labb och de flesta akademiska grupper.
• För AI-byggare visar episoden att agenter behöver proveniens, granskningsspår, verifieringsslingor och tydliga gränser, inte bara mer compute.

Det här avsnittet besvarar de praktiska frågorna bakom OpenAI:s Navier–Stokes-påstående: svaren nedan täcker tillkännagivandet, Leans roll och de delar som fortfarande behöver oberoende granskning. Det skiljer också de matematiska insatserna från attribueringstvisten kring arbetet.

OpenAI säger att företaget har en AI-genererad lösning, men påståendet behöver fortfarande extern matematisk granskning och bedömning av Clay Mathematics Institute.

Enligt de citerade rapporterna påstår OpenAI att dess agenter hittade en singularitet i de tredimensionella Navier–Stokes-ekvationerna och att en annan modell formaliserade resultatet i Lean.

Lean kan kontrollera att varje formellt steg följer av regler, vilket gör beviset svårare att avfärda som plausibel prosa. Matematiker behöver fortfarande verifiera att det formaliserade påståendet matchar det avsedda Navier–Stokes-påståendet.

Tvisten gäller om OpenAI:s arbete drog nytta av AI-assisterad forskning av Tristan Buckmaster och Levent Alpöge utan korrekt erkännande. OpenAI har förnekat att dess anställda eller agenter fick tillgång till deras transkriptioner, enligt MIT Technology Review.

Nej. Ett bevis för uppblåsning skulle omforma den matematiska förståelsen av ekvationerna bakom fluidrörelser, men det skulle inte direkt lösa turbulens som ett praktiskt ingenjörsproblem.