OpenAI数学成果遭遇优先权争议：AI参与科研后署名与发布规则如何重建？

【软盟资讯·新闻导读】OpenAI宣称其AI系统在约88小时内取得纳维–斯托克斯问题的重要进展，但数学家团队提前发布的相关结论引发优先权、数据使用与署名争议。

OpenAI近日公布一项与纳维–斯托克斯方程相关的数学研究成果，称其正在开发的一套人工智能系统生成了针对这一长期难题的解决方案，系统从启动到得出相关结论约用了88小时。公司将这一项目描述为人工智能参与高难度数学研究的案例，并称过程中使用了能够协同工作的多个AI智能体以及形式化验证工具。

这项消息之所以迅速引发关注，不只是因为纳维–斯托克斯问题本身的重要性，也因为它发布前后出现了另一组研究人员的相关成果。纽约大学数学家Tristan Buckmaster与Anthropic的Levent Alpöge，曾围绕欧拉方程这一与纳维–斯托克斯方程密切相关的问题推进研究，并在OpenAI公布消息前不久公开了自己的结论。双方研究对象存在关联，发布时间又高度接近，使原本应当围绕数学内容展开的讨论，转向了成果重叠、研究优先权和人工智能时代的署名规则。

OpenAI公布了什么

从公开资料看，OpenAI并没有把这项工作简单描述为普通的数学演示，而是将其放在人工智能辅助科学研究的框架中。公司称，系统通过多个智能体并行推进研究，再结合形式化工具对推导过程进行检验，最终取得了与纳维–斯托克斯问题有关的结果。

纳维–斯托克斯方程用于描述水、空气等流体的运动。相关的“存在性与光滑性”问题，关注三维情形下的解是否能够持续保持良好性质，是克雷数学研究所列出的千禧年难题之一。公开资料显示，这类问题设有百万美元奖金，但一项由AI系统生成的结果，并不等同于已经自动获得数学界认可。最终结论仍需要经过公开材料审查、同行验证以及相关机构的评估。

这里需要区分两件事：第一，OpenAI声称其系统生成了一个可能解决该问题的证明或关键结论；第二，这份材料是否完整、严密并符合数学界对正式证明的要求。前者属于公司的成果发布，后者则需要独立数学家进一步判断。现有资料并未显示这一过程已经完成，因此把“OpenAI宣称取得突破”直接写成“数学界已经确认问题被解决”，并不符合目前能够确认的事实范围。

关于计算规模，部分资料提到OpenAI使用了数千个智能体，另有报道将其概括为约一万个AI智能体。由于公开材料中的表述并不完全一致，更稳妥的说法是：OpenAI采用了大规模并行智能体协作方式，并将约88小时作为项目推进时间。至于具体智能体数量、各自分工以及验证过程，仍应以公司正式披露和后续技术材料为准。

争议为何迅速集中到优先权

争议的直接背景，是Buckmaster和Alpöge在OpenAI消息公布前，已经公开了与欧拉方程有关的研究成果。欧拉方程与纳维–斯托克斯方程属于流体力学中的相关方程体系，研究问题存在数学上的联系，但二者并不是可以不加区分地互换的同一个问题。

部分专家认为，两组工作讨论的是关系密切的数学对象，因此需要进一步比较证明中的关键思想、技术路线和结论范围。也有报道将这场争议描述为“接近的姊妹问题”之间的重叠，而不是已经确认的完全相同成果。仅凭研究主题相近、发布时间接近，无法得出一方必然使用了另一方未公开成果的结论。

争议的另一层，是OpenAI是否在研究推进过程中接触过相关未公开工作，以及人工智能服务中的用户数据是否可能影响模型改进。相关报道显示，OpenAI否认曾在相关研究公开前通过任何方式查看Buckmaster或Alpöge的研究，也否认在生成证明时访问了特定用户数据。另一方面，相关数学家和支持者则关注：如果研究团队的进展已经被某种渠道获知，随后投入大规模计算资源，是否会影响成果优先权的判断。

这些说法目前分别代表当事方的主张，不能被混写成已经得到证实的事实。尤其是在人工智能实验中，模型训练数据、服务交互数据、研究人员输入内容和内部实验记录之间可能存在复杂边界。要判断某项成果是否受到了某份具体研究的影响，需要查看时间线、访问记录、模型版本、提示与输出日志、研究草稿以及完整证明材料，而不是只依据发布先后或结果相似程度作出结论。

“谁完成了证明”不再只有一个答案

传统数学署名通常围绕人的原创贡献建立：研究者提出问题、发展关键思路、完成推导并对证明的正确性负责。人工智能参与后，证明可能由模型生成大段中间推导，研究人员负责提出任务、筛选结果、调整方向、发现错误，并借助形式化工具进行验证。这样一来，证明的“生成者”、研究设计者和最终责任人不一定是同一个主体。

目前最核心的难题，并不是简单地把AI列为作者，或把所有功劳都归给使用模型的研究人员，而是如何描述每一种贡献。若研究人员只是提出宽泛问题，再从大量输出中挑选结果，其贡献与亲自设计核心证明策略的情况不同；若研究人员对模型输出进行了重要改写、补充和严格检验，其责任也不应与一般的软件辅助计算混为一谈。

从科研诚信角度看，署名至少应当回答三个问题。第一，谁提出了关键问题和主要研究方向；第二，谁能够解释证明中的关键步骤并对其负责；第三，哪些部分由模型生成，哪些部分由人类研究者修改、验证或重新组织。如果论文只写“AI发现了证明”，却不披露模型参与的范围、实验记录和验证方式，读者很难判断成果的可重复性，也难以确认署名是否准确反映了实际贡献。

这场争议还涉及发布时间的规则。传统研究通常以论文提交、预印本公开或正式发表作为判断优先权的重要线索，但人工智能研究可以在很短时间内并行运行大量实验。一个团队可能先完成概念构想，另一个团队可能先得到完整文本；还有一种情况是，双方独立研究，却因为模型和公开资料快速聚合而出现相似路径。在这些情形下，单纯比较时间戳可能不足以处理复杂的贡献关系。

数学证明的门槛不会因为AI而降低

纳维–斯托克斯问题属于高难度数学问题，证明是否成立，不能由模型生成速度或所使用的计算资源数量决定。AI可以帮助搜索模式、尝试推导、发现反例或组织形式化证明，但最终仍要面对数学定义是否准确、假设是否完整、推理是否存在跳步以及结论是否真正覆盖原问题等检验。

形式化验证工具能够提升检查能力，但工具通过并不自动意味着研究问题被完整解决。验证对象可能只是某段已经形式化的推导，研究者仍需要确认形式化过程是否准确表达了原始命题，输入条件是否与问题要求一致，以及是否存在从局部结论到整体结论的遗漏。换言之，自动验证是重要证据，却不能替代对问题边界和证明策略的人工审阅。

这也是为什么，OpenAI的公开发布和数学界的最终接受之间需要保留距离。公司可以公布实验结果和系统能力，媒体可以报道它对科学研究方式的影响，但新闻标题不应把“声称解决”“生成了候选证明”和“获得数学界确认”混为一谈。对于读者而言，最有价值的信息不是模型在多少小时内产生了答案，而是完整证明是否公开、独立专家能否复核、相关工作之间到底共享了哪些关键思想，以及各方是否能够提供可核查的时间线。

科研机构需要重建哪些规则

这起事件显示，人工智能进入科研流程后，现有署名和优先权制度可能需要更细的记录要求。研究团队应保存模型使用时间、模型版本、输入任务、重要输出、人工修改过程和验证记录。对于涉及敏感研究或未公开成果的场景，还需要明确哪些数据可以进入模型服务，哪些内容必须在隔离环境中处理。

在论文和新闻发布中，研究者也应把“人工智能参与方式”写清楚。仅说明使用了AI工具并不足够，至少应让读者知道模型承担的是检索、生成、证明搜索、代码执行还是形式化检查；人类研究者又承担了哪些不可替代的判断。对于可能与他人工作重叠的成果，发布方还应主动说明已知相关研究、比较对象和时间线，减少发布后因信息不对称引发的猜疑。

优先权判断也不能只看谁先发布新闻稿。更合理的评价方式，可能需要同时考察独立发现的时间、关键思想的形成时间、完整证明的公开程度、成果是否可复核，以及团队是否在研究过程中接触过对方的未公开材料。这样的判断会比简单的“谁先宣布”更慢，但也更符合数学研究对可验证性和责任归属的要求。

【软盟观察】这场争议真正暴露的，并不是人工智能能否参与数学研究，而是科研共同体仍缺少一套适用于“人机协作成果”的通用记录与评价机制。OpenAI的说法、Buckmaster与Alpöge相关研究的发布时间，以及双方对是否接触未公开工作的不同主张，都需要通过公开材料和独立核验逐项拆开。现阶段，最谨慎的判断应当是：两组工作存在值得比较的数学关联，发布顺序和成果边界引发了合理疑问，但公开资料尚不足以支持对任何一方作出抄袭或不当使用的最终定性。未来的论文评审不能只看模型生成了多少内容，也不能把人类研究者简单视为“提示词操作者”。真正重要的是，谁提出了关键方向，谁理解并修改了核心证明，谁完成了独立验证，谁愿意为最终结论承担责任。科研机构还需要建立模型日志、数据来源、版本记录和人工编辑轨迹的保存制度，并在成果发布时披露AI参与范围。只有让贡献可追踪、证明可复核、争议可调查，人工智能带来的速度优势才不会以削弱科研信任为代价。