Заява OpenAI про доказ для рівнянь Нав’є–Стокса: пояснюємо

Рівняння Нав’є–Стокса описують, як рухаються рідини й гази, зокрема вода та повітря. Вони є центральними для гідродинаміки, інженерії та фізики, але математики досі не мали повного аналітичного розуміння їхньої поведінки в трьох вимірах.

Версія Проблеми тисячоліття, грубо кажучи, запитує, чи гладкі початкові умови завжди ведуть до гладких розв’язків упродовж усього майбутнього часу, чи рівняння можуть «вибухати» — породжувати сингулярність, де така величина, як швидкість, стає нескінченною. Математичний інститут Клея назвав цю проблему однією із семи Проблем тисячоліття у 2000 році, кожна з яких пов’язана з премією в $1 млн. До цього оголошення серед семи була розв’язана лише гіпотеза Пуанкаре, як підсумовує Wikipedia.

Заява OpenAI, як повідомляє Quanta Magazine, полягає в тому, що автономні AI-агенти, які працювали на внутрішній моделі, знайшли сингулярність у тривимірних рівняннях Нав’є–Стокса. Quanta повідомляє, що в роботі було використано близько 10 000 агентів, що агенти знайшли доказ за 88 годин, а інша AI-модель формалізувала результат у Lean ще за 17 годин. Агенти обмінялися майже 5 млн повідомлень, а Sébastien Bubeck з OpenAI оцінив обчислювальну вартість у кілька мільйонів доларів, за даними Quanta.

MIT Technology Review повідомляє, що OpenAI не планує претендувати на премію в $1 млн. За даними Wikipedia, контрприклад ще не був перевірений зовнішніми математиками або Математичним інститутом Клея.

Останній пункт важливий. Формалізація в Lean — сильний сигнал, але це не те саме, що прийняття спільнотою. Quanta зазначає, що формальні докази можуть встановити, що твердження випливає всередині proof assistant, тоді як математикам усе ще потрібно перевірити, чи формалізоване твердження логічно еквівалентне математичній заяві, яку люди мали намір довести.

Диференціальні рівняння описують зв’язки між змінними величинами. У механіці рідин рівняння Нав’є–Стокса поєднують швидкість, тиск, в’язкість, зовнішні сили та закон збереження маси. Їх достатньо легко записати в стандартній нотації, але їхню довгострокову поведінку може бути надзвичайно складно зрозуміти.

Головна складність не в тому, чи можуть інженери симулювати рідини. Вони роблять це постійно. Питання в тому, чи гарантовано ідеалізовані математичні рівняння поводяться добре за умов, визначених Проблемою тисячоліття.

Сингулярність означала б, що рівняння передбачають руйнування: певна частина рідини еволюціонує до неможливого математичного стану. Як пояснює Quanta, це не означає негайного практичного збою в реальній інженерії, адже справжні рідини складаються з молекул і атомів, а не з ідеально гладких континуумів. Але з погляду математики це показало б, що ідеалізовані рівняння мають більш несподівану поведінку, ніж багато хто очікував.

Проблема також пов’язана з турбулентністю — одним із найскладніших явищ у фізиці. Wikipedia описує турбулентність як одну з найбільших нерозв’язаних проблем фізики попри її важливість для науки й інженерії. Доказ blowup не «розв’яже турбулентність» у практичному сенсі, але змінить уявлення математиків про рівняння, що лежать в її основі.

Суперечка зосереджена на зв’язку між роботою OpenAI та роботою Бакмастера й Альпоге.

Quanta повідомляє, що оголошення OpenAI з’явилося приблизно через 12 годин після того, як Бакмастер оголосив результати разом з Альпоге щодо тісно пов’язаних проблем. Їхня робота використовувала різні AI-моделі, зокрема моделі OpenAI. MIT Technology Review повідомляє, що Бакмастер і Альпоге працювали над проблемою майже рік, а Бакмастер опублікував доказ того, що спрощена версія рівнянь Нав’є–Стокса може зазнавати руйнування.

І робота OpenAI, і робота Бакмастера–Альпоге, схоже, спираються на підхід, пов’язаний із Diego Córdoba та Luis Martínez-Zoroa. Quanta пише, що обидві команди значною мірою спиралися на роботу Córdoba та Martínez-Zoroa, які розробили стратегію, що відрізнялася від методів, які використовувала більшість математиків. MIT Technology Review цитує професора математики Brown University Javier Gómez-Serrano, який сказав, що цей підхід був одним із кількох, які вважали перспективними для цієї проблеми.

OpenAI визнала, за даними MIT Technology Review, що команда надихнулася взятися за проблему після того, як почула чутку про зусилля Бакмастера й Альпоге. Суперечка стосується того, чи моделі або співробітники OpenAI мали доступ до роботи Бакмастера й Альпоге, навчалися на ній або іншим чином скористалися нею.

MIT Technology Review повідомляє, що Бакмастер опублікував документ з описом взаємодій зі співробітниками OpenAI. За версією Бакмастера, співробітники OpenAI запропонували два варіанти. Бакмастер і Альпоге могли опублікувати свою роботу, а OpenAI наступного дня опублікувала б своє розв’язання для рівнянь Нав’є–Стокса; або Бакмастер міг співпрацювати з OpenAI над статтею про Нав’є–Стокса, у якій Альпоге не був би серед авторів через свою афіліацію з Anthropic. MIT Technology Review також повідомляє, що OpenAI заперечила, ніби її співробітники або агенти мали доступ до транскриптів Бакмастера й Альпоге.

Це серйозні звинувачення, але публічний запис неповний. Правильна позиція — відокремлювати математичну заяву від спору про атрибуцію. Доказ може бути правильним, навіть якщо процес лишається етично спірним. Або доказ може не пройти перевірку, тоді як питання атрибуції все одно матимуть значення.

Lean — це proof assistant: система для вираження математичних тверджень і перевірки того, що кожен крок випливає з формальних правил. У математиці з високими ставками це може усунути великий клас помилок. Це також може полегшити аудит AI-згенерованих доказів, адже доказ є не лише прозою; це виконувана формальна логіка.

Саме тому компонент Lean важливий. Якщо формалізація коректна й відповідає задуманому твердженню про рівняння Нав’є–Стокса, результат стає значно важче відкинути як переконливу галюцинацію. Для розробників AI це різниця між моделлю, яка пише правдоподібні міркування, і системою, що створює артефакти, які може перевірити інша програма.

Але Lean не розв’язує всіх проблем довіри. Він не встановлює пріоритет. Він не показує, як було знайдено доказ. Він не пояснює, чи вплинули на пошук приватні дані, транскрипти або неопубліковані ідеї. І він не замінює роль математичної спільноти в інтерпретації значущості доказу.

Це розрізнення має бути знайомим людям, які створюють AI-продукти. Структуровані виводи, тести, evals і формальні перевірки можуть робити системи надійнішими, але самі по собі не відповідають на питання управління. Якщо AI-агент може викликати інструменти, переглядати логи, повторно використовувати приватний контекст або координуватися з іншими агентами, системі потрібні межі та аудиторські сліди так само, як і чиста спроможність.

Це одна з причин, чому багатоагентна робота — інженерна проблема, а не просто трюк із prompt. Проєктуєте ви дослідницьких агентів чи бізнес-процеси, практичні питання схожі: які агенти можуть бачити який контекст, які інструменти вони можуть викликати, де відбуваються handoff і що логуються? Ці проєктні рішення мають значення для AI-агентів задовго до того, як ставки доходять до рівня Проблем тисячоліття.

Найразючіша операційна деталь — масштаб. Quanta повідомляє про приблизно 10 000 агентів, 88 годин пошуку, ще 17 годин для формалізації та майже 5 млн повідомлень між агентами. MIT Technology Review повідомляє, що OpenAI заявила: запуск коштував мільйони доларів.

Такий масштаб недоступний більшості академічних груп. Він натякає на можливе майбутнє, у якому передовий математичний прогрес залежить від внутрішніх моделей, приватних обчислювальних бюджетів та агентної інфраструктури, зосереджених у кількох AI-компаніях.

MIT Technology Review подає це як переломний момент для математики: якщо великі відкриті проблеми можна атакувати приватними роями агентів, норми академічної співпраці можуть опинитися під тиском. Математики часто вчаться на невдалих спробах, часткових результатах і хибних поворотах. Якщо це відбувається всередині приватних систем і ніколи не стає публічним, галузь може отримати відповіді без спільного шляху, який традиційно створює нові інструменти й підгалузі.

Quanta цитує принстонського математика Charles Fefferman, який написав офіційний опис проблеми для Clay Institute: він сказав, що в захваті від розв’язання проблеми, і назвав Córdoba та Martínez-Zoroa героями цієї історії. Така атрибуція є корисним корективом. Навіть якщо фінальний крок був автоматизований, дослідницький смак — вибір перспективного напряму — походив із людської математичної роботи, накопиченої роками.

Для розробників урок не в тому, щоб «використовувати більше агентів». Він у тому, що агентні системи підсилюють якість простору пошуку, який їм задано. Кращі моделі й більші бюджети допомагають, але формулювання проблеми, добір контексту, доступ до інструментів і цикли перевірки й далі визначають, чи система досліджує корисну територію, чи просто спалює обчислення.

Якщо ви маршрутизуєте роботу між кількома моделями, той самий принцип діє в меншому масштабі. Використовуйте найкращу модель для завдання, але не вважайте вибір моделі всією системою. Навколишній workflow — retrieval, обмеження, перевірки, approvals і логи — це те, звідки береться надійність. Іншими словами, спроможність походить від усього workflow, а не від вибору за leaderboard.

Перше, за чим варто стежити, — математична валідація. Зовнішнім математикам і Математичному інституту Клея знадобиться час, щоб оцінити, чи доказ правильний, чи формалізація в Lean відповідає заявленому твердженню і як результат вписується в попередні роботи.

Друге — атрибуція. Публічні версії від OpenAI, Бакмастера, Альпоге та зовнішніх математиків поки не складаються в усталений запис. Центральні питання — фактичні: до чого мали доступ агенти або співробітники OpenAI, на чому вони навчалися, що вони знали і коли вони це знали?

Третє — чи стане це шаблоном. Якщо frontier AI labs можуть спрямовувати масивні рої агентів на відомі нерозв’язані проблеми, нові оголошення не забаряться. Деякі будуть чистими. Деякі — спірними. Деякі не пройдуть перевірку. Галузям, яких це торкнеться, знадобляться норми щодо визнання внеску, розкриття інформації, приватних обчислень і заяв про пріоритет за участю AI.

Для людей, які створюють продукти з AI поза чистою математикою, сигнал достатньо чіткий: спроможність рухається в бік систем, а не одиничних prompt. Агенти, інструменти, маршрутизація моделей і верифікація стають одиницею роботи. Команди, які добре працюють із походженням даних і перевіркою, будуть у кращій позиції, ніж ті, хто лише женеться за більшими виводами.

Ми й далі стежитимемо за історією перевірки та атрибуції в міру її розвитку. Якщо вам потрібні AI-новини зі збереженим технічним контекстом, можете підписатися на розсилку LIA.

• OpenAI стверджує, що автономні AI-агенти знайшли сингулярність у тривимірних рівняннях Нав’є–Стокса й створили формалізацію в Lean.
• Результат ще не був перевірений зовнішніми математиками або прийнятий Математичним інститутом Клея.
• Доказ у Lean може зменшити кількість багатьох помилок під час перевірки доказу, але рецензенти все одно мають підтвердити, що формальне твердження відповідає задуманій математичній заяві.
• Оголошення переплетене зі спором про атрибуцію, що стосується роботи Tristan Buckmaster, Levent Alpöge, Diego Córdoba та Luis Martínez-Zoroa.
• Заявлений масштаб запуску підкреслює ресурсний розрив між frontier AI labs і більшістю академічних груп.
• Для розробників AI цей епізод показує, що агентам потрібні походження даних, аудиторські сліди, цикли перевірки й чіткі межі, а не лише більше обчислень.

У цьому розділі відповідаємо на практичні питання, що стоять за заявою OpenAI про рівняння Нав’є–Стокса: відповіді нижче охоплюють оголошення, роль Lean і ті частини, які ще потребують незалежної перевірки. Він також відокремлює математичні ставки від спору про атрибуцію навколо роботи.

OpenAI заявляє, що має згенероване AI розв’язання, але ця заява все ще потребує зовнішньої математичної перевірки й оцінки Математичного інституту Клея.

Згідно з наведеними матеріалами, OpenAI стверджує, що її агенти знайшли сингулярність у тривимірних рівняннях Нав’є–Стокса, а інша модель формалізувала результат у Lean.

Lean може перевіряти, що кожен формальний крок випливає з правил, завдяки чому доказ складніше відкинути як правдоподібну прозу. Математики все ще мають перевірити, що формалізоване твердження відповідає задуманій заяві про рівняння Нав’є–Стокса.

Суперечка стосується того, чи робота OpenAI скористалася AI-дослідженням Tristan Buckmaster і Levent Alpöge без належного визнання внеску. OpenAI заперечила, що її співробітники або агенти мали доступ до їхніх транскриптів, за даними MIT Technology Review.

Ні. Доказ blowup змінив би математичне розуміння рівнянь, що лежать в основі руху рідин, але не розв’язав би турбулентність безпосередньо як практичну інженерну проблему.