คำกล่าวอ้างเรื่องการพิสูจน์ Navier–Stokes ของ OpenAI อธิบายแบบเข้าใจง่าย

สมการ Navier–Stokes อธิบายการเคลื่อนที่ของของไหล เช่น น้ำและอากาศ สมการเหล่านี้เป็นศูนย์กลางของพลศาสตร์ของไหล วิศวกรรม และฟิสิกส์ แต่นักคณิตศาสตร์ยังไม่มีความเข้าใจเชิงวิเคราะห์ที่สมบูรณ์เกี่ยวกับพฤติกรรมของสมการในสามมิติ

ปัญหาในเวอร์ชันรางวัลมิลเลนเนียมถามโดยคร่าว ๆ ว่า เงื่อนไขเริ่มต้นที่เรียบจะนำไปสู่คำตอบที่เรียบเสมอสำหรับเวลาทั้งหมดในอนาคตหรือไม่ หรือสมการสามารถ “ระเบิด” ได้หรือไม่ — ทำให้เกิด singularity ที่ปริมาณบางอย่าง เช่น ความเร็ว กลายเป็นอนันต์ Clay Mathematics Institute กำหนดให้ปัญหานี้เป็นหนึ่งในเจ็ดปัญหารางวัลมิลเลนเนียมในปี 2000 โดยแต่ละปัญหามีรางวัล $1 ล้าน ก่อนประกาศนี้ ในบรรดาทั้งเจ็ดปัญหา มีเพียงข้อคาดการณ์ของปวงกาเรเท่านั้นที่ได้รับการแก้ ตามที่สรุปไว้โดย Wikipedia

คำกล่าวอ้างของ OpenAI ตามที่ Quanta Magazine รายงาน คือเอเจนต์ AI อัตโนมัติที่ทำงานบนโมเดลภายในพบ singularity ในสมการ Navier–Stokes สามมิติ Quanta รายงานว่างานนี้ใช้เอเจนต์ประมาณ 10,000 ตัว เอเจนต์พบการพิสูจน์หลังผ่านไป 88 ชั่วโมง และโมเดล AI อีกตัวทำให้ผลลัพธ์เป็นรูปแบบทางการใน Lean หลังจากนั้นอีก 17 ชั่วโมง เอเจนต์แลกเปลี่ยนข้อความกันเกือบ 5 ล้านข้อความ และ Sébastien Bubeck จาก OpenAI ประเมินต้นทุนการประมวลผลไว้ที่หลายล้านดอลลาร์ ตามรายงานของ Quanta

MIT Technology Review รายงานว่า OpenAI บอกว่าไม่มีแผนจะอ้างสิทธิ์รางวัล $1 ล้าน ตามข้อมูลจาก Wikipedia counterexample นี้ยังไม่ได้รับการตรวจสอบจากนักคณิตศาสตร์ภายนอกหรือจาก Clay Mathematics Institute

ประเด็นสุดท้ายนั้นสำคัญ การทำให้เป็นรูปแบบทางการใน Lean เป็นสัญญาณที่หนักแน่น แต่ไม่เหมือนกับการยอมรับจากชุมชน Quanta ระบุว่าการพิสูจน์แบบเป็นทางการสามารถยืนยันได้ว่าข้อความหนึ่ง ๆ เป็นผลตามมาใน proof assistant ขณะที่นักคณิตศาสตร์ยังต้องตรวจสอบว่าข้อความที่ทำให้เป็นรูปแบบทางการนั้นสมมูลทางตรรกะกับข้อกล่าวอ้างทางคณิตศาสตร์ที่ผู้คนตั้งใจพิสูจน์หรือไม่

สมการเชิงอนุพันธ์อธิบายความสัมพันธ์ระหว่างปริมาณที่เปลี่ยนแปลง ในกลศาสตร์ของไหล สมการ Navier–Stokes รวมความเร็ว ความดัน ความหนืด แรงภายนอก และการอนุรักษ์มวลเข้าด้วยกัน สมการเหล่านี้เขียนด้วยสัญกรณ์มาตรฐานได้ไม่ยาก แต่พฤติกรรมระยะยาวของมันอาจเข้าใจได้ยากมาก

ความยากหลักไม่ใช่ว่าวิศวกรจำลองของไหลได้หรือไม่ พวกเขาทำอยู่ตลอดเวลา ประเด็นคือสมการคณิตศาสตร์แบบอุดมคตินี้มีหลักประกันว่าจะมีพฤติกรรมที่ดีภายใต้เงื่อนไขที่ปัญหารางวัลมิลเลนเนียมกำหนดหรือไม่

singularity จะหมายความว่าสมการทำนายการพังทลาย: บางส่วนของของไหลวิวัฒน์ไปสู่สถานะทางคณิตศาสตร์ที่เป็นไปไม่ได้ ตามที่ Quanta อธิบาย สิ่งนี้ไม่ได้หมายถึงความล้มเหลวเชิงปฏิบัติทันทีในงานวิศวกรรมโลกจริง เพราะของไหลจริงประกอบด้วยโมเลกุลและอะตอม ไม่ใช่คอนตินิวอัมที่เรียบสมบูรณ์แบบ แต่ในฐานะคณิตศาสตร์ มันจะแสดงให้เห็นว่าสมการแบบอุดมคติมีพฤติกรรมที่น่าประหลาดใจกว่าที่หลายคนคาดไว้

ปัญหานี้ยังเชื่อมโยงกับความปั่นป่วน ซึ่งเป็นหนึ่งในปรากฏการณ์ที่ยากที่สุดในฟิสิกส์ Wikipedia อธิบายว่าความปั่นป่วนเป็นหนึ่งในปัญหาที่ยังแก้ไม่ได้ที่ยิ่งใหญ่ที่สุดในฟิสิกส์ แม้จะมีความสำคัญในวิทยาศาสตร์และวิศวกรรม การพิสูจน์การ blowup จะไม่ “แก้ความปั่นป่วน” ในความหมายเชิงปฏิบัติ แต่จะปรับเปลี่ยนสิ่งที่นักคณิตศาสตร์รู้เกี่ยวกับสมการเบื้องหลังมัน

ข้อถกเถียงนี้มีศูนย์กลางอยู่ที่ความสัมพันธ์ระหว่างงานของ OpenAI กับงานของ Buckmaster และ Alpöge

Quanta รายงานว่าประกาศของ OpenAI ออกมาประมาณ 12 ชั่วโมงหลังจาก Buckmaster ประกาศผลลัพธ์ร่วมกับ Alpöge เกี่ยวกับปัญหาที่ใกล้เคียงกันมาก งานของทั้งสองใช้โมเดล AI หลายแบบ รวมถึงโมเดลของ OpenAI MIT Technology Review รายงานว่า Buckmaster และ Alpöge ทำงานกับปัญหานี้มาเกือบหนึ่งปี และ Buckmaster ได้โพสต์การพิสูจน์ที่แสดงว่าเวอร์ชันที่ทำให้ง่ายลงของสมการ Navier–Stokes สามารถพังทลายได้

ทั้งงานของ OpenAI และงานของ Buckmaster–Alpöge ดูเหมือนจะอาศัยแนวทางที่เกี่ยวข้องกับ Diego Córdoba และ Luis Martínez-Zoroa Quanta ระบุว่าทั้งสองทีมพึ่งพางานของ Córdoba และ Martínez-Zoroa อย่างมาก ซึ่งพัฒนากลยุทธ์ที่แตกต่างจากวิธีที่นักคณิตศาสตร์ส่วนใหญ่ใช้อยู่ MIT Technology Review อ้างคำพูดของ Javier Gómez-Serrano ศาสตราจารย์คณิตศาสตร์จาก Brown University ว่าแนวทางนี้เป็นหนึ่งในหลายแนวทางที่ถูกมองว่ามีแนวโน้มดีสำหรับปัญหานี้

OpenAI ยอมรับตามรายงานของ MIT Technology Review ว่าทีมได้รับแรงบันดาลใจให้ติดตามปัญหานี้หลังจากได้ยินข่าวลือเกี่ยวกับความพยายามของ Buckmaster และ Alpöge ข้อพิพาทอยู่ที่ว่าโมเดลหรือพนักงานของ OpenAI เข้าถึง ถูกฝึกด้วย หรือได้รับประโยชน์จากงานของ Buckmaster และ Alpöge ในรูปแบบอื่นหรือไม่

MIT Technology Review รายงานว่า Buckmaster โพสต์เอกสารที่อธิบายการปฏิสัมพันธ์กับพนักงานของ OpenAI ตามคำบอกเล่าของ Buckmaster พนักงาน OpenAI เสนอทางเลือกสองทาง Buckmaster และ Alpöge สามารถโพสต์งานของตน แล้ว OpenAI จะโพสต์คำตอบ Navier–Stokes ของตนในวันถัดไป หรือ Buckmaster สามารถทำงานร่วมกับ OpenAI ในบทความ Navier–Stokes ที่ไม่ใส่ชื่อ Alpöge เป็นผู้เขียนเพราะเขาสังกัด Anthropic MIT Technology Review ยังรายงานด้วยว่า OpenAI ปฏิเสธว่าพนักงานหรือเอเจนต์ของตนเข้าถึงทรานสคริปต์ของ Buckmaster และ Alpöge

นี่เป็นข้อกล่าวหาที่ร้ายแรง แต่บันทึกสาธารณะยังไม่สมบูรณ์ จุดยืนที่เหมาะสมคือแยกข้อกล่าวอ้างทางคณิตศาสตร์ออกจากข้อพิพาทเรื่องการให้เครดิต การพิสูจน์อาจถูกต้องได้แม้กระบวนการยังถูกโต้แย้งทางจริยธรรม หรือการพิสูจน์อาจไม่ผ่านการทบทวน ขณะที่คำถามเรื่องการให้เครดิตยังคงสำคัญอยู่

Lean คือ proof assistant: ระบบสำหรับแสดงข้อความทางคณิตศาสตร์และตรวจสอบว่าแต่ละขั้นตอนเป็นไปตามกฎเชิงรูปแบบ ในคณิตศาสตร์ที่มีเดิมพันสูง สิ่งนี้สามารถกำจัดข้อผิดพลาดได้จำนวนมาก และยังทำให้การตรวจสอบการพิสูจน์ที่ AI สร้างขึ้นง่ายขึ้น เพราะการพิสูจน์ไม่ได้เป็นเพียงร้อยแก้ว แต่เป็นตรรกะเชิงรูปแบบที่รันได้

นี่คือเหตุผลที่องค์ประกอบของ Lean สำคัญ หากการทำให้เป็นรูปแบบทางการนั้นถูกต้องและตรงกับข้อความ Navier–Stokes ที่ตั้งใจไว้ ผลลัพธ์จะถูกปัดตกว่าเป็น hallucination ที่ฟังดูคล่องได้ยากขึ้นมาก สำหรับผู้สร้าง AI นี่คือความแตกต่างระหว่างโมเดลที่เขียนเหตุผลที่ดูน่าเชื่อ กับระบบที่สร้างชิ้นงานซึ่งโปรแกรมอีกตัวสามารถตรวจสอบได้

แต่ Lean ไม่ได้แก้ปัญหาความน่าเชื่อถือทุกอย่าง มันไม่ได้ยืนยันลำดับความมาก่อนหลัง ไม่ได้เผยว่าการพิสูจน์ถูกค้นพบอย่างไร ไม่ได้อธิบายว่าข้อมูลส่วนตัว ทรานสคริปต์ หรือแนวคิดที่ยังไม่เผยแพร่มีอิทธิพลต่อการค้นหาหรือไม่ และไม่ได้แทนที่บทบาทของชุมชนคณิตศาสตร์ในการตีความความสำคัญของการพิสูจน์

ความแตกต่างนี้น่าจะคุ้นเคยกับคนที่สร้างผลิตภัณฑ์ AI เอาต์พุตที่มีโครงสร้าง การทดสอบ evals และการตรวจสอบเชิงรูปแบบสามารถทำให้ระบบเชื่อถือได้มากขึ้น แต่สิ่งเหล่านี้ไม่ได้ตอบคำถามด้านธรรมาภิบาลด้วยตัวเอง หากเอเจนต์ AI สามารถเรียกใช้เครื่องมือ ตรวจดู logs ใช้บริบทส่วนตัวซ้ำ หรือประสานงานกับเอเจนต์ตัวอื่น ระบบก็ต้องมีขอบเขตและ audit trails มากพอ ๆ กับความสามารถดิบ

นี่เป็นเหตุผลหนึ่งที่งาน multi-agent เป็นปัญหาทางวิศวกรรม ไม่ใช่แค่เทคนิคการเขียน prompt ไม่ว่าคุณจะออกแบบเอเจนต์วิจัยหรือเวิร์กโฟลว์ธุรกิจ คำถามเชิงปฏิบัติก็คล้ายกัน: เอเจนต์ใดเห็นบริบทใดได้บ้าง เรียกใช้เครื่องมือใดได้บ้าง handoffs เกิดขึ้นตรงไหน และอะไรถูกบันทึกไว้? ตัวเลือกการออกแบบเหล่านี้สำคัญในเอเจนต์ AI นานก่อนที่เดิมพันจะสูงถึงระดับรางวัลมิลเลนเนียม

รายละเอียดเชิงปฏิบัติการที่โดดเด่นที่สุดคือขนาด Quanta รายงานว่ามีเอเจนต์ราว 10,000 ตัว การค้นหา 88 ชั่วโมง อีก 17 ชั่วโมงสำหรับการทำให้เป็นรูปแบบทางการ และข้อความระหว่างเอเจนต์เกือบ 5 ล้านข้อความ MIT Technology Review รายงานว่า OpenAI ระบุว่าการรันครั้งนี้มีต้นทุนหลายล้านดอลลาร์

ขนาดระดับนั้นไม่ใช่สิ่งที่กลุ่มวิชาการส่วนใหญ่เข้าถึงได้ มันชี้ให้เห็นอนาคตที่เป็นไปได้ซึ่งความก้าวหน้าทางคณิตศาสตร์แนวหน้าอาจขึ้นอยู่กับโมเดลภายใน งบประมาณ compute ส่วนตัว และโครงสร้างพื้นฐานเอเจนต์ที่กระจุกตัวอยู่ในบริษัท AI เพียงไม่กี่แห่ง

MIT Technology Review วางกรอบสิ่งนี้ว่าเป็นจุดเปลี่ยนของคณิตศาสตร์: หากปัญหาเปิดขนาดใหญ่สามารถถูกโจมตีด้วยฝูงเอเจนต์ส่วนตัวจำนวนมหาศาล บรรทัดฐานของความร่วมมือทางวิชาการอาจถูกกดดัน นักคณิตศาสตร์มักเรียนรู้จากความพยายามที่ล้มเหลว ผลลัพธ์บางส่วน และทางเลี้ยวผิด หากสิ่งเหล่านั้นเกิดขึ้นภายในระบบส่วนตัวและไม่เคยเผยแพร่ สาขานี้อาจได้คำตอบโดยไม่มีเส้นทางร่วมที่ตามธรรมเนียมแล้วสร้างเครื่องมือและสาขาย่อยใหม่ ๆ

Quanta อ้างคำพูดของ Charles Fefferman นักคณิตศาสตร์จาก Princeton ผู้เขียนคำอธิบายปัญหาอย่างเป็นทางการของ Clay Institute ว่าเขาตื่นเต้นที่ปัญหานี้ถูกแก้ และระบุว่า Córdoba และ Martínez-Zoroa คือฮีโร่ของเรื่องนี้ การให้เครดิตเช่นนี้เป็นการถ่วงดุลที่มีประโยชน์ แม้ขั้นตอนสุดท้ายจะเป็นอัตโนมัติ แต่รสนิยมทางวิจัย — การเลือกทิศทางที่มีแนวโน้ม — มาจากงานคณิตศาสตร์ของมนุษย์ที่สั่งสมมาหลายปี

สำหรับผู้สร้าง บทเรียนไม่ใช่ “ใช้เอเจนต์ให้มากขึ้น” แต่คือระบบเอเจนต์จะขยายคุณภาพของพื้นที่ค้นหาที่ถูกมอบให้ โมเดลที่ดีกว่าและงบประมาณที่ใหญ่กว่าช่วยได้ แต่การวางกรอบปัญหา การเลือกบริบท การเข้าถึงเครื่องมือ และลูปการตรวจสอบยังคงเป็นตัวกำหนดว่าระบบจะสำรวจพื้นที่ที่มีประโยชน์หรือเผา compute ทิ้ง

หากคุณกำลังกระจายงานข้ามหลายโมเดล หลักการเดียวกันนี้ใช้ได้ในขนาดที่เล็กลง ใช้โมเดลที่ดีที่สุดสำหรับงาน แต่อย่ามองว่าการเลือกโมเดลคือทั้งระบบ เวิร์กโฟลว์รอบ ๆ — retrieval, constraints, checks, approvals และ logs — คือที่มาของความน่าเชื่อถือ กล่าวอีกอย่างคือ ความสามารถมาจากทั้งเวิร์กโฟลว์ ไม่ใช่จากการเลือกตาม leaderboard

สิ่งแรกที่ต้องจับตาคือการตรวจสอบทางคณิตศาสตร์ นักคณิตศาสตร์ภายนอกและ Clay Mathematics Institute จะต้องใช้เวลาในการประเมินว่าการพิสูจน์ถูกต้องหรือไม่ การทำให้เป็นรูปแบบทางการใน Lean ตรงกับข้อกล่าวอ้างที่ตั้งใจไว้หรือไม่ และผลลัพธ์นี้เข้ากับงานก่อนหน้าอย่างไร

อย่างที่สองคือการให้เครดิต บันทึกสาธารณะจาก OpenAI, Buckmaster, Alpöge และนักคณิตศาสตร์ภายนอกยังไม่รวมกันเป็นข้อเท็จจริงที่ลงตัว คำถามหลักเป็นเรื่องข้อเท็จจริง: เอเจนต์หรือพนักงานของ OpenAI เข้าถึงอะไร ฝึกบนอะไร รู้อะไร และรู้เมื่อไร?

อย่างที่สามคือสิ่งนี้จะกลายเป็นแม่แบบหรือไม่ หากแล็บ AI แนวหน้าสามารถชี้ฝูงเอเจนต์ขนาดมหึมาไปยังปัญหาที่ยังแก้ไม่ได้อันโด่งดัง ก็จะมีประกาศตามมาอีก บางกรณีจะสะอาด บางกรณีจะถูกโต้แย้ง บางกรณีจะไม่ผ่านการทบทวน สาขาที่ได้รับผลกระทบจะต้องมีบรรทัดฐานสำหรับเครดิต การเปิดเผย compute ส่วนตัว และการอ้างสิทธิ์ความมาก่อนหลังที่มี AI ช่วย

สำหรับคนที่สร้างด้วย AI นอกคณิตศาสตร์บริสุทธิ์ สารที่ได้ค่อนข้างชัดเจน: ความสามารถกำลังเคลื่อนเข้าหาระบบ ไม่ใช่ prompt เดี่ยว เอเจนต์ เครื่องมือ model routing และการตรวจสอบกำลังกลายเป็นหน่วยของงาน ทีมที่จัดการ provenance และการทบทวนได้ดีจะอยู่ในตำแหน่งที่ดีกว่าทีมที่ไล่ตามเอาต์พุตที่ใหญ่ขึ้นเพียงอย่างเดียว

เราจะติดตามเรื่องการตรวจสอบและการให้เครดิตต่อไปเมื่อมีความคืบหน้า หากคุณต้องการข่าว AI ที่ยังคงบริบททางเทคนิคไว้ครบ คุณสามารถสมัครรับ จดหมายข่าว LIA

• OpenAI อ้างว่าเอเจนต์ AI อัตโนมัติพบ singularity ในสมการ Navier–Stokes สามมิติ และสร้างการทำให้เป็นรูปแบบทางการใน Lean
• ผลลัพธ์นี้ยังไม่ได้รับการตรวจสอบจากนักคณิตศาสตร์ภายนอกหรือได้รับการยอมรับจาก Clay Mathematics Institute
• การพิสูจน์ใน Lean สามารถลดข้อผิดพลาดในการตรวจพิสูจน์ได้มาก แต่ผู้ทบทวนยังต้องยืนยันว่าข้อความเชิงรูปแบบตรงกับข้อกล่าวอ้างทางคณิตศาสตร์ที่ตั้งใจไว้
• ประกาศนี้พัวพันกับข้อพิพาทเรื่องการให้เครดิตที่เกี่ยวข้องกับงานของ Tristan Buckmaster, Levent Alpöge, Diego Córdoba และ Luis Martínez-Zoroa
• ขนาดของการรันตามรายงานชี้ให้เห็นช่องว่างด้านทรัพยากรระหว่างแล็บ AI แนวหน้าและกลุ่มวิชาการส่วนใหญ่
• สำหรับผู้สร้าง AI เหตุการณ์นี้แสดงให้เห็นว่าเอเจนต์ต้องมี provenance, audit trails, verification loops และขอบเขตที่ชัดเจน ไม่ใช่แค่ compute ที่มากขึ้น

ส่วนนี้ตอบคำถามเชิงปฏิบัติที่อยู่เบื้องหลังคำกล่าวอ้างเรื่อง Navier–Stokes ของ OpenAI: คำตอบด้านล่างครอบคลุมประกาศ บทบาทของ Lean และส่วนที่ยังต้องได้รับการทบทวนอย่างอิสระ นอกจากนี้ยังแยกเดิมพันทางคณิตศาสตร์ออกจากข้อพิพาทเรื่องการให้เครดิตรอบงานนี้

OpenAI ระบุว่ามีคำตอบที่ AI สร้างขึ้น แต่คำกล่าวอ้างนี้ยังต้องได้รับการทบทวนทางคณิตศาสตร์จากภายนอกและการประเมินโดย Clay Mathematics Institute

ตามรายงานที่อ้างถึง OpenAI อ้างว่าเอเจนต์ของตนพบ singularity ในสมการ Navier–Stokes สามมิติ และโมเดลอีกตัวทำให้ผลลัพธ์เป็นรูปแบบทางการใน Lean

Lean สามารถตรวจสอบว่าแต่ละขั้นตอนเชิงรูปแบบเป็นไปตามกฎ ซึ่งทำให้ปัดการพิสูจน์ทิ้งว่าเป็นร้อยแก้วที่ดูน่าเชื่อได้ยากขึ้น นักคณิตศาสตร์ยังต้องตรวจสอบว่าข้อความที่ทำให้เป็นรูปแบบทางการตรงกับข้อกล่าวอ้าง Navier–Stokes ที่ตั้งใจไว้

ข้อพิพาทเกี่ยวข้องกับว่างานของ OpenAI ได้ประโยชน์จากงานวิจัยที่ใช้ AI ช่วยของ Tristan Buckmaster และ Levent Alpöge โดยไม่ได้ให้เครดิตอย่างเหมาะสมหรือไม่ OpenAI ปฏิเสธว่าพนักงานหรือเอเจนต์ของตนเข้าถึงทรานสคริปต์ของทั้งสองคน ตามรายงานของ MIT Technology Review

ไม่ การพิสูจน์ blowup จะปรับเปลี่ยนความเข้าใจทางคณิตศาสตร์เกี่ยวกับสมการเบื้องหลังการเคลื่อนที่ของของไหล แต่จะไม่แก้ปัญหาความปั่นป่วนโดยตรงในฐานะปัญหาวิศวกรรมเชิงปฏิบัติ