AI成果是否接触过相关研究数据？OpenAI数学突破争议应如何核查

【软盟资讯·新闻导读】OpenAI宣布内部AI系统提交纳维–斯托克斯问题相关成果后，数学家质疑研究思路与其Codex草稿存在重合，并追问训练数据边界。争议目前同时涉及证明有效性、研究优先权和数据使用，尚不能据此认定任何一方已经完成最终证明。

这场争议到底发生了什么

9月8日，OpenAI公开了一份关于纳维–斯托克斯存在性与光滑性问题的论文，同时发布了相关Lean形式化文件。根据公开资料，OpenAI称其内部AI系统通过约1万个智能体协作，在88小时内生成了一份长达166页的手稿，题目为《有限时间内纳维–斯托克斯方程的爆破》。这项工作试图沿着“构造有限时间爆破实例”的方向，回应困扰数学界多年的问题。

纳维–斯托克斯方程用于描述流体运动。它在航空、气象、造船和管道设计等领域具有重要应用，但在严格的数学层面，三维情形下的解是否始终保持光滑、是否可能在有限时间内出现速度趋于无穷的“爆破”，一直是公开悬而未决的问题。克雷数学研究所将其列入千禧年大奖难题，解决其中一道题设有奖金。

需要先把“OpenAI发布了一份证明材料”和“数学界已经确认该问题被解决”分开。前者是已公开的事件，后者则需要由相关领域专家对论文、证明链条、假设条件和形式化文件进行独立核验。目前资料显示，尚没有数学家完成最终独立确认。因此，新闻标题中的“攻克”“解出”更准确地说是机构对自身研究成果的表述，而不是已经完成学术共同体认可的结论。

质疑从哪里出现

争议的另一条线索来自纽约大学库朗研究所数学家Tristan Buckmaster及其合作者Levent Alpöge。公开资料显示，两人此前公布了三项研究成果，其中包括与流体方程和相关数学结构有关的工作，并曾使用Codex和Claude等AI模型辅助研究。

在OpenAI发布成果后，Buckmaster等人提出疑问：OpenAI系统生成的研究思路，是否可能与他们放在Codex会话中的研究草稿存在接触或重合？相关质疑并不只涉及最终论文是否相似，还涉及研究过程中的优先权、署名以及AI系统能否接触特定用户资料等问题。

这里必须区分“研究方向相近”和“使用了特定草稿”。纳维–斯托克斯问题本身是公开的，围绕它进行研究的数学家也不止一组。不同团队沿着相似方向推进，并不能自动证明一方读取了另一方的材料。反过来，如果研究中出现不寻常的具体构造、符号安排、论证路径或错误修正，也可能成为进一步核查的线索，但线索本身仍然不是证据。

公开报道还提到，相关数学家曾与OpenAI方面通话，双方对通话内容和研究贡献的理解并不完全一致。由于目前没有第三方完整记录，外界无法仅凭双方各自的陈述还原全部经过。对于这种优先权争议，最重要的不是先判断谁的语气更强，而是把时间线、文档版本、访问权限和具体论证逐项对照。

OpenAI回应意味着什么

围绕数据使用问题，OpenAI方面的回应包括：没有访问特定用户的数据，同时也不能完全排除相关数据参与训练的可能性。两句话放在一起，容易被简化成相互矛盾的表述，但实际上对应的是不同层次的问题。

“没有访问特定用户的数据”，主要涉及一次具体研究任务或运行过程中的直接访问。它所回答的是：在生成这份成果时，系统是否被明确提供、读取或调用了某个用户账户中的草稿。要核验这一点，需要查看运行环境、权限配置、会话隔离、数据调用记录和内部审计信息，而不能只观察最终论文的文字相似度。

“不能完全排除数据参与训练”，则涉及更宽泛的模型训练和数据治理范围。训练阶段使用过什么资料、哪些内容进入了训练集、训练数据是否包含公开内容或用户数据，以及模型后来生成的内容是否受到某类材料影响，都是不同问题。即使一家公司否认系统在一次任务中直接打开某份草稿，也不必然等于它已经证明该材料从未以任何形式进入训练或评估流程。

同样，不能完全排除也不等于已经确认使用。它通常说明现有披露不足以把某种可能性降为零，不能直接推导出“OpenAI确实读取了研究草稿”。在新闻写作中，这个区别尤其重要：前者是风险边界或不确定性，后者是需要证据支持的事实判断。

三类信息不要混在一起

读者阅读这类新闻时，可以先把信息分成三层。

第一层是已披露事实。例如，OpenAI公开了论文和Lean形式化文件；公司声称动用了大规模AI智能体协作；相关数学家公开表达了对研究重合、数据接触和署名问题的疑问；OpenAI对特定用户数据访问和训练数据可能性作出了回应。这些内容可以通过公开页面、当事人声明或正式发布记录进行核对，但“公开了”不代表“内容已经正确”。

第二层是当事人的主张。OpenAI认为其系统产生了相关成果，数学家认为研究思路可能与其工作发生了不寻常的重合，双方对通话经过和贡献边界存在不同说法。主张有其公共价值，因为它们揭示了争议焦点，但仍然需要标注为“某方称”“某方质疑”或“根据其公开陈述”，不能改写成没有争议的事实。

第三层是等待独立核验的部分，包括证明是否满足千禧年问题要求的完整条件、Lean形式化是否覆盖全部关键推理、论文中的构造是否真的排除了隐藏漏洞、生成路径是否独立于相关研究草稿，以及模型或智能体是否曾经接触特定数据。这些问题不能靠发布会标题、媒体转述或社交平台上的激烈措辞解决。

一份可操作的核查框架

先核对问题范围。纳维–斯托克斯问题不是一句“方程被破解”就能概括的新闻标签，必须确认成果针对的是哪一组方程、哪些初始条件和边界条件，以及证明的是全局光滑性还是构造某种爆破实例。若报道没有说明这些条件，就不应把它直接等同于解决完整的千禧年难题。

再看证明材料，而不是只看摘要。需要关注论文是否完整公开、关键引理之间是否连贯、使用的假设是否在结论中被悄悄强化，以及形式化文件究竟覆盖了哪些部分。Lean验证可以帮助检查已经形式化的推理，但“存在形式化文件”并不自动代表文件覆盖了整篇论文，也不等于研究共同体已经接受相关数学解释。

然后建立时间线。研究草稿何时形成，哪些内容何时进入Codex会话，OpenAI项目何时启动，论文和模型输出何时生成，相关文件何时公开，这些时间点需要以版本记录、提交记录、发布页面或其他可验证材料为依据。时间上的先后可以帮助判断优先权，却不能单独证明数据被访问。

还要区分“相同结论”“相似方法”和“具体文本或独特错误相似”。公开数学问题可能产生相同方向的答案；而独特的中间构造、罕见记号、同样的非标准步骤，才更值得专家进行逐段比对。即便出现高度相似，也仍需结合访问权限、系统日志和生成过程判断原因。

最后要观察后续独立意见。真正有分量的核验，应来自能够读懂该领域技术细节、且与争议双方保持适当距离的专家或机构。读者还应留意核验是否公开了反例、修订稿、评审意见和具体错误，而不是只看到“有人支持”或“有人反对”这样的阵营化表述。

对AI科研新闻，标题不能代替证据

这起事件的特殊之处在于，技术争议和学术伦理争议同时出现。即使最终证明被认为有效，也仍需回答研究优先权和数据来源问题；即使数据使用争议得到澄清，也不能因此证明数学结论正确。两条线应该分别处理，不能用其中一条的结论替代另一条的核查。

对于企业发布的AI成果，读者可以把宣传材料视为“待审查的研究声明”，而不是已经完成同行评议的结论。对于研究者的公开质疑，也应视为重要线索，而不是自动成立的指控。最稳妥的阅读方式，是明确知道哪些内容已经被文件支持，哪些只是当事人说法，哪些问题必须等待专家、审计记录或更完整的技术材料。

【软盟观察】

这场争议提醒人们，AI科研新闻的评价标准正在发生变化。过去，读者往往只需关注论文是否公开、模型性能是否提升；现在，还必须追问数据从哪里来、系统拥有哪些权限、研究过程能否复现，以及AI生成的成果是否与既有工作存在可解释的关系。对于OpenAI此次数学成果，当前最理性的态度不是急于宣布“机器已经解决千禧年难题”，也不是仅凭研究方向重合就认定存在剽窃，而是把证明有效性、数据访问、训练影响和研究署名拆开核查。企业应进一步披露与成果相关的版本记录、系统边界和验证范围，研究者则需要尽可能保存草稿、会话和时间线证据。媒体报道也不应把“公司宣布”“专家质疑”和“独立确认”放在同一事实层级。只有当数学专家完成技术审查，数据治理问题获得可验证说明，优先权争议也有清晰证据链，这项成果才适合从“引发关注的研究声明”进入“已经被学界确认的数学结果”这一层级。