OpenAI заявила, что внутренняя ИИ-модель нашла решение проблемы существования и гладкости решений уравнений Навье-Стокса, одной из семи задач тысячелетия. Компания опубликовала доказательство объёмом 165 страниц, сообщила о его формализации и проверке в Lean.
Окончательный научный статус результата пока не установлен. Математикам предстоит проверить корректность каждого шага, соответствие исходной постановке задачи и спорные допущения, включая форму внешней силы. Формальная проверка в Lean повышает надёжность опубликованного текста, однако сама по себе не подтверждает, что OpenAI доказала именно исходное утверждение.
История сопровождается спором об авторстве. Математик Тристан Бакмастер и сотрудник Anthropic Левент Алпёге утверждают, что OpenAI могла использовать их неопубликованные наработки. OpenAI это отрицает. На фоне конфликта особенно заметен другой факт: для поиска решения компания задействовала около 10 тысяч параллельных агентов, 88 часов вычислений, 2,7 млн сообщений и примерно 130 млрд выходных токенов.
Короткий ответ: OpenAI заявила о решении, но научный статус ещё не закрыт
Что именно объявила OpenAI
Заявление OpenAI касается проблемы существования и гладкости решений уравнений Навье-Стокса. В упрощённой формулировке вопрос звучит так: всегда ли уравнения имеют корректное гладкое решение на длительном промежутке времени или в потоке может возникнуть сингулярность.
По описанию OpenAI, найденный результат связан с моделью, где скорость может неограниченно возрастать при конечной полной энергии. Такой сценарий указывает на возможный разрыв гладкости решения. Компания представила его как доказательство, закрывающее задачу тысячелетия, и опубликовала текст на 165 страницах.
После поискового этапа доказательство формализовали в Lean. Эта система позволяет записать математические определения и логические шаги в форме, которую проверяющий механизм может последовательно обработать. В описании эксперимента на формализацию и верификацию ушло ещё около 17 часов.
Что уже известно о ходе эксперимента, а что остаётся заявлением компании
У истории есть несколько уровней подтверждённости:
- OpenAI публично объявила о результате и опубликовала текст доказательства.
- Компания сообщила о работе примерно 10 тысяч параллельных агентов в течение 88 часов.
- В описании эксперимента указаны 2,7 млн сообщений и около 130 млрд выходных токенов.
- OpenAI рассказала о формализации результата в Lean и дополнительной проверке.
- Корректность доказательства, его новизна и соответствие исходной задаче требуют независимой экспертизы.
Первые четыре пункта описывают публичные заявления и опубликованные материалы OpenAI. Последний пункт относится к математическому содержанию результата, которое нельзя подтвердить одним пресс-релизом или объёмом вычислений.
Почему нельзя пока говорить об окончательно решённой задаче
Для задачи тысячелетия важен точный ответ на исходный вопрос. Доказательство может быть логически связным и при этом относиться к изменённой модели, более узкому классу решений или другим условиям.
Независимая проверка должна установить, совпадает ли постановка OpenAI с формулировкой проблемы существования и гладкости Навье-Стокса. Экспертам потребуется изучить класс решений, начальные условия, ограничения на внешнюю силу и переход от физической модели к строгому математическому утверждению. Форма внешней силы уже обозначена как возможная область разногласий.
Корректная формулировка на текущем этапе звучит так: OpenAI заявила о найденном решении и опубликовала доказательство, но научное сообщество ещё должно подтвердить, что результат действительно закрывает задачу тысячелетия.
Что такое проблема существования и гладкости Навье-Стокса
Уравнения, которые описывают движение жидкостей и газов
Уравнения Навье-Стокса моделируют движение вязких жидкостей и газов. Они связывают скорость потока, давление, вязкость, изменение состояния среды и воздействие внешних сил.
Эти уравнения используют при расчёте аэродинамики, моделировании погоды и изучении кровотока. Практические симуляции обычно работают с конкретными начальными условиями, сетками и численными методами. Проблема тысячелетия требует более общего утверждения о свойствах решений самих уравнений.
Разница принципиальна. Численный расчёт может показать поведение выбранного потока с заданной точностью. Математическое доказательство должно описать весь заявленный класс случаев и исключить возникновение недопустимого поведения.
В чём состоит вопрос о существовании и гладкости
Слово существование относится к вопросу, есть ли решение уравнений для заданных начальных условий. Гладкость означает, что решение не содержит разрывов и сингулярностей, а необходимые производные остаются корректно определёнными.
Опасный сценарий связан с тем, что некоторые характеристики потока могут расти без ограничения за конечное время. В описании результата OpenAI этот сценарий выражен через неограниченный рост скорости при конечной полной энергии.
Речь идёт о глобальном математическом утверждении, а не о расчёте одного вихря, самолёта или участка кровеносного сосуда. Даже большое число успешных симуляций не заменяет доказательства для всей постановки.
Почему постановка задачи важнее громкости заявления
В математике условия задачи определяют, что именно считается решением и какие случаи нужно охватить. Изменение внешней силы, размерности, регулярности начальных данных или класса допустимых функций может превратить исходную проблему в другую.
Поэтому экспертная проверка должна начинаться с формулировки, а не с финальной цепочки выкладок. Если доказательство работает для модифицированной модели, оно может оставаться ценным самостоятельным результатом, но это ещё не решение задачи тысячелетия.
Как ИИ-агенты искали доказательство Навье-Стокса
10 тысяч агентов и параллельный перебор гипотез
Обычная языковая модель получает запрос, формирует ответ и завершает работу. Агентная система разбивает исследование на множество ветвей: одни агенты предлагают гипотезы, другие ищут контрпример, третьи проверяют леммы или пишут код для промежуточного расчёта.
По описанию OpenAI, около 10 тысяч агентов одновременно работали над разными направлениями. Часть искала доказательство утверждения, часть пыталась его опровергнуть, остальные занимались вспомогательными задачами. Агентам предоставили возможность выполнять код и обращаться к кэшированной копии интернета.
Параллелизм расширяет поисковое пространство. Он позволяет быстро сопоставлять конкурирующие идеи и отбрасывать неработающие ветви. Количество агентов само по себе не гарантирует правильность результата: тысячи систем могут одновременно повторять одну и ту же ошибку, если неверно задан критерий отбора.
Масштаб эксперимента: 88 часов, 2,7 млн сообщений и 130 млрд токенов
Работа продолжалась около 88 часов. За это время агенты сгенерировали примерно 2,7 млн сообщений и около 130 млрд выходных токенов.
Эти цифры описывают след поискового процесса, а не длину готового доказательства. В них входят промежуточные гипотезы, повторные попытки, обмен результатами, фрагменты кода, контрдоказательства и сообщения о неудачах. Финальные 165 страниц представляют лишь отобранную часть большого массива вычислений.
Такой подход ближе к распределённой исследовательской инфраструктуре, чем к диалогу пользователя с чат-ботом. Система должна хранить состояние ветвей, направлять новые задачи, сопоставлять результаты и передавать перспективные идеи на проверку.
От машинного поиска к формализации в Lean
Поисковый этап и строгая проверка решают разные задачи. Агенты могут предложить математическую конструкцию или цепочку рассуждений. Lean проверяет формализованный вариант внутри заданной системы определений, аксиом и правил вывода.
Согласно описанию эксперимента, внутреннюю модель OpenAI использовали для поиска, а GPT-6 Astra подключили к формализации и верификации. Утверждение о превосходстве внутренней модели над GPT-6 Astra остаётся заявлением компании, а не независимым сравнительным результатом.
Формализация заняла ещё около 17 часов после основного поиска. Этот этап помогает обнаружить пропущенные условия и логические разрывы в записанной версии доказательства. Он не отменяет содержательную проверку самой математической постановки.
Вспомогательный эксперимент с уравнениями Эйлера
OpenAI описала и отдельный эксперимент с задачей о регулярности решений уравнений Эйлера. Почти 100 агентов работали над ней около 50 часов.
Уравнения Эйлера связаны с уравнениями Навье-Стокса, но описывают идеализированную среду без вязкости. Этот эпизод показывает, что команда проверяла агентный подход на соседней математической задаче. Он не подтверждает корректность решения Навье-Стокса и не заменяет экспертизу основного результата.
Спор об авторстве: Бакмастер, Алпёге и последовательность публикаций
Что представили Тристан Бакмастер и Левент Алпёге
Тристан Бакмастер, профессор математики Нью-Йоркского университета, и Левент Алпёге, сотрудник Anthropic, представили предварительные результаты 8 сентября. При подготовке они использовали модели Codex и Claude.
Предварительный результат и полное опубликованное доказательство относятся к разным стадиям научной работы. Наличие похожего утверждения ещё не показывает, что две группы получили одинаковую конструкцию, использовали один путь рассуждения или достигли одинакового уровня строгости.
Хронология и позиции участников подробно разобраны в материале о конфликте вокруг OpenAI, Бакмастера и задачи Навье-Стокса.
В чём состояло обвинение Бакмастера
Бакмастер обвинил OpenAI в том, что компания могла опереться на результаты его работы до публичного раскрытия. Претензия касается доступа к неопубликованным идеям и возможного влияния этих идей на собственное доказательство OpenAI.
Это позиция участника конфликта, а не установленный факт. Сходство формулировок или близкие математические шаги сами по себе не доказывают заимствование. Для такого вывода нужна реконструкция времени, источников и происхождения конкретных идей.
Что отрицает OpenAI
OpenAI заявила, что её исследователи и агенты не были знакомы с работой Бакмастера и Алпёге до момента публичного обнародования. После завершения собственного проекта компания связалась с исследователями и предложила одновременную публикацию и признание их приоритета в совместном заявлении.
Отрицание компании фиксирует её официальную позицию. Оно не служит независимым доказательством отсутствия доступа, как и обвинение Бакмастера не доказывает факт использования его материалов.
Какие данные могли бы прояснить вопрос приоритета
Для проверки хронологии потребовались бы:
- временные метки запуска агентов и создания промежуточных результатов;
- журналы доступа к интернету, кэшу и внутренним хранилищам;
- состав кэшированной копии интернета на каждом этапе эксперимента;
- история ветвей поиска, включая отброшенные гипотезы и контрпримеры;
- записи человеческого вмешательства и изменения заданий для агентов;
- сравнение ключевых лемм и последовательности доказательства в работах двух групп.
Закрытый процесс затрудняет такую проверку. Даже публикация финального текста не показывает, когда появилась идея, какие материалы видел агент и кто выбрал конкретную линию доказательства.
Проверка математических доказательств ИИ: почему нужна прозрачность исследований
Что проверяет Lean, а чего он не устанавливает
Lean проверяет формализованный текст внутри заданных правил. Если определения, предпосылки и переходы записаны корректно, система подтверждает логическую связность этой формализации.
Lean не решает автоматически три более широких вопроса:
- точно ли формализация передаёт исходную математическую задачу;
- не изменены ли условия, класс решений или ограничения на внешнюю силу;
- отражает ли выбранная модель именно проблему тысячелетия, а не близкое утверждение.
Если в Lean формализовали другую теорему, проверка будет корректной для этой теоремы. Поэтому формальный код усиливает доказательство, но не заменяет содержательную экспертизу.
Что должны проверить независимые математики
Независимая проверка должна охватить точную формулировку утверждения, все допущения и класс рассматриваемых решений. Отдельного внимания требуют роль внешней силы, переходы между разделами доказательства и интерпретация сценария с неограниченным ростом скорости.
Эксперты должны ответить на практический набор вопросов:
- закрывает ли результат исходную постановку Навье-Стокса;
- достаточно ли заявленных условий для каждого шага;
- нет ли скрытого сужения класса допустимых решений;
- совпадают ли математические определения в статье и в коде Lean;
- может ли независимая группа воспроизвести формализацию и получить тот же результат.
Какие артефакты нужны для прозрачного ИИ-исследования
Публикации финального доказательства недостаточно для оценки всего исследования. Проверяемый след должен связывать исходную задачу, работу агентов, человеческие решения и итоговый текст.
Полезный набор артефактов включает версии моделей и инструментов, роли агентов, временные метки, журналы доступа к источникам, состав кэша, ключевые ветви поиска, промежуточные идеи, контрпримеры, историю правок и формальный код Lean. Нужна и запись участия людей: кто выбирал направление, менял задания, отбрасывал гипотезы и утверждал финальную версию.
Полное раскрытие каждого сообщения может быть затруднено объёмом, конфиденциальностью или требованиями безопасности. В таком случае возможны независимый аудит журналов, контролируемый доступ рецензентов и публикация хешей или временных меток для подтверждения неизменности данных. Без проверяемого следа доверие ограничено финальным заявлением лаборатории.
Приоритет, корректность и воспроизводимость, три разных вопроса
| Критерий | Главный вопрос | Что нужно проверить |
|---|---|---|
| Приоритет | Кто первым получил идею или доказательство? | Временные метки, журналы доступа и история промежуточных результатов. |
| Корректность | Следует ли вывод из заявленных предпосылок? | Математический текст, формальный код и точность постановки. |
| Воспроизводимость | Может ли другая группа подтвердить результат? | Открытые материалы, инструменты, инструкции и независимый повтор. |
Успех по одному критерию не закрывает два других. Группа может первой опубликовать идею, которая потребует исправлений. Формально корректное доказательство может относиться к другой постановке. Воспроизводимый результат всё равно нуждается в ясном распределении авторского вклада.
Почему такой масштаб ИИ-поиска недоступен большинству академических групп
Что именно создаёт вычислительное преимущество
Преимущество OpenAI связано с сочетанием нескольких факторов: большим числом параллельных ветвей, непрерывной работой в течение десятков часов, автоматическим выполнением кода, обменом результатами и фильтрацией гипотез.
Одна модель может предложить несколько идей за сеанс. Тысячи агентов способны одновременно исследовать разные леммы, искать контрпримеры, переводить формулы и проверять частные случаи. Система получает широкий охват поискового пространства, а люди выбирают направления, которые стоит развивать дальше.
Такой процесс требует оркестрации, хранения состояния, маршрутизации задач, доступа к вычислениям и формальной проверке. Сильная модель остаётся одним компонентом большой инфраструктуры.
Почему академическая группа не может просто повторить эксперимент
Большинству университетских групп недоступно одновременно запустить около 10 тысяч агентов и обработать сопоставимый объём сообщений и токенов. Ограничения касаются не одной видеокарты, а совокупной инфраструктуры, доступа к закрытым моделям, программного кода и систем контроля.
Повторение эксперимента требует ещё и команды, которая сможет поддерживать агентные циклы, отбирать математически содержательные результаты и проверять формализацию. При меньшем числе агентов исследование будет другим по масштабу и скорости, но это не делает его бесполезным. Небольшая группа может изучать отдельную лемму, проверять опубликованный код или воспроизводить конкретную ветвь поиска.
Как ресурсная асимметрия меняет правила математического поиска
Если фундаментальные задачи решают закрытые лаборатории с большими вычислительными ресурсами, результаты могут появляться быстрее, чем независимые группы успевают их проверить. Приоритет начинает зависеть от доступа к моделям, журналам и инфраструктуре.
Закрытость затрагивает и конкуренцию. Лаборатория может раскрыть итоговое доказательство, сохранив историю поиска, состав данных и сведения о человеческом вкладе. Тогда внешние исследователи видят результат, но не могут полноценно восстановить его происхождение.
Для научной среды это означает необходимость публиковать проверяемые артефакты вместе с финальным текстом. Иначе вычислительный масштаб превращается в дополнительный барьер для экспертизы.
Будущее математики и искусственный интеллект: что остаётся за человеком
От задач с известным ответом к открытой математике
Олимпиадная задача или тест математического рассуждения обычно имеет заранее известный ответ. Модель восстанавливает путь к нему, комбинируя изученные методы и шаблоны.
Проблема Навье-Стокса устроена иначе. До заявления OpenAI не было общепринятого доказательства нужного утверждения, поэтому система должна была искать направление исследования, формулировать новые промежуточные идеи и проверять их последствия. Это более близко к исследовательскому поиску, чем к решению стандартного бенчмарка.
Пока рано говорить о полной автономности математического исследователя. Описанный эксперимент показывает масштабирование поиска, а не исчезновение человеческих решений.
Исследовательская интуиция, постановка задачи и контроль результата
Люди в описанном процессе задавали направление поиска и проверяли конечные результаты. Их работа начинается ещё до запуска агентов: нужно выбрать постановку, определить допустимые ограничения и сформулировать критерии успеха.
После получения результата человек оценивает смысл доказательства. Отвечает ли оно на исходный вопрос? Не скрывает ли техническая формулировка более слабую задачу? Какие допущения имеют физический и математический смысл? Эти вопросы нельзя свести к подсчёту токенов или успешному запуску проверяющего кода.
Почему ошибки и промежуточные идеи имеют научную ценность
Научный процесс состоит из контрпримеров, неудачных гипотез, частных лемм и способов, которые не сработали. Отрицательный результат сокращает пространство поиска. Ошибочная идея иногда подсказывает, какое условие нужно ослабить или усилить.
Закрытая система, которая показывает лишь последнюю цепочку вывода, скрывает значительную часть этой информации. Другие математики не видят, какие направления уже проверяли, почему их отвергли и какие промежуточные конструкции могут пригодиться для следующих исследований.
Для ИИ-исследований журналы поиска имеют самостоятельную ценность. Они помогают оценить происхождение результата и превращают разовый успех в материал для дальнейшей работы.
Закрытые AI-системы и новый стандарт научного доверия
Будущее математики может соединить человеческую постановку задач с масштабным машинным поиском. Такой подход ускоряет перебор гипотез и позволяет проверять больше вариантов за ограниченное время.
Доверие к результату потребует нескольких условий: независимой проверки математиками, формального кода, ясной фиксации версий моделей, журналов доступа к данным и описания человеческого вклада. Приоритет, корректность и воспроизводимость нужно оценивать раздельно.
ИИ способен изменить скорость и масштаб математического поиска. Стандарты доказательности и научной ответственности должны оставаться внешними для закрытой системы и проверяться исследовательским сообществом. В этой истории главный вопрос касается не того, может ли модель написать длинное доказательство, а того, сможет ли наука проверить его происхождение, условия и каждый существенный шаг.