OpenAI宣布攻克千禧年大奖难题：AI数学突破为何同时引发学术发布争议

【软盟资讯·新闻导读】OpenAI宣布，其未公开的下一代模型联合约1万个AI Agent，在88小时内完成纳维-斯托克斯存在性与光滑性问题的证明，并发布166页论文和Lean形式化验证代码。但研究方向与纽约大学数学教授Tristan Buckmaster、Anthropic研究员Levent Alpöge此前的工作高度接近，成果归属、数据使用和发布时机因此引发争议。目前，证明是否成立以及是否构成学术不当行为，都仍需完整审查与独立验证。

OpenAI公布了什么

9月9日前后，OpenAI对外宣布，其一款尚未公开的下一代前沿模型，联合约1万个并发协作的AI Agent，在88小时内完成了纳维-斯托克斯存在性与光滑性问题的一份完整证明。相关材料包括一篇166页的数学推导论文，以及配套的Lean形式化数学验证代码。

纳维-斯托克斯问题是克雷数学研究所设立的七个千禧年大奖难题之一，奖金为100万美元。它与流体运动有关，核心问题可以概括为：在三维不可压缩流体中，如果初始状态足够平滑，方程的解是否会始终保持平滑，还是可能在有限时间内形成奇点。奇点意味着模型中的某些物理量可能在有限时间内出现失控，从而使现有数学描述无法继续保持正常形式。

根据公开报道，OpenAI选择了克雷研究所允许的C、D方向，研究设定包括空间和时间上有限、处处光滑的外力。OpenAI方面称，系统在外力作用下逐渐形成涡旋，并最终证明局部速度可以在有限时间内趋于无穷，由此对应三维纳维-斯托克斯方程可能发生有限时间崩溃的情形。

OpenAI还披露了这次工作的规模：不同Agent被分成多个小组，分别探索证明路径，能够读取缓存版本的互联网、运行代码并相互交流。项目期间，Agent之间交换了约490万条消息，生成约3000亿个输出Token。另有报道按照相关模型费率估算，这一过程可能对应数百万美元甚至更高的计算成本，但不同报道的估算口径并不一致，不能简单视为经过审计的最终账单。

OpenAI表示无意申领这项难题对应的100万美元奖金，而是将其视为人工智能参与前沿科学研究的一次展示。公司研究人员将其描述为AI从辅助计算、资料整理走向参与复杂科学探索的一个重要节点。

真正引发争议的不是“AI能否做数学”

争议的焦点，很快从证明本身扩展到研究时间线和成果来源。

纽约大学数学教授Tristan Buckmaster与Anthropic研究员Levent Alpöge此前也在研究相关流体方程问题。Buckmaster称，两人已经在8月22日完成了一个带光滑外力的三维不可压缩欧拉方程有限时间奇点结果，并在9月3日联系了OpenAI。之后，他们质疑OpenAI是否接触过自己的Codex会话，或者相关数据是否曾被用于模型训练。

据相关报道，Buckmaster认为，两人的研究采用了较为特殊的路径，即通过平滑外力推进到克雷问题对应的方向，而不是直接沿着更常见的路线展开。如果OpenAI在未看到他们公开成果的情况下，很快采用相同策略并完成更完整的证明，那么双方为何在研究路径上出现高度重合，就需要得到解释。

另一种说法来自OpenAI。OpenAI研究人员表示，在Buckmaster和Alpöge公开工作之前，公司的研究人员与Agent没有通过任何途径看到他们的成果。Sebastien Bubeck也表示，OpenAI是在听到相关传言后开始关注这一问题，并否认研究人员或Agent查看过Buckmaster的Codex提示词。

但公开信息同时显示，OpenAI无法完全排除去标识化数据曾对模型训练产生帮助的可能性。这种表述并不等于承认使用了相关未公开成果，却也说明“模型是否可能从训练数据中接触到相近信息”与“研究团队是否主动读取他人材料”是两个不同的问题，不能混为一谈。

目前至少存在两条时间线需要厘清。第一条是Buckmaster和Alpöge完成相关研究、联系OpenAI以及对外公布成果的时间线。第二条是OpenAI听到传言、启动内部研究、组织Agent攻关并发布证明的时间线。报道显示，OpenAI确认其最新尝试始于9月1日，起因是听到“两个千禧年难题已被解决”的传言。如果这一时间线成立，研究启动与竞争对手成果进入公开视野之间的距离非常短，这也是外界质疑发布时机的原因。

数学成果、抢先发布和学术规范要分开判断

第一层是数学成果本身。OpenAI是否真正解决了纳维-斯托克斯存在性与光滑性问题，最终仍要回到证明的每一个定义、假设、推导步骤和边界条件。166页论文以及Lean代码可以提高检查效率，但“发布了长篇论文”和“已经被数学界确认正确”并不是同一件事。即便形式化代码能够通过相应检查，也需要确认代码准确对应了问题要求，证明是否覆盖了克雷研究所规定的完整命题，以及其中是否存在建模或转译层面的遗漏。

第二层是研究发布时机。研究者可以在同一问题上独立获得相近思路，也可以在公开传言的刺激下快速调整方向。AI系统拥有大规模并行搜索和计算资源，可能把原本需要较长时间筛选的路线压缩到几天之内。但如果团队是在得知他人未公开进展后才启动冲刺，就必须说明哪些信息被获知、何时获知、信息是否包含具体技术路线，以及这些信息是否实际影响了研究决策。

第三层是研究竞争。OpenAI拥有大量计算资源和并行Agent，这种能力与传统数学研究者依靠少数合作者逐步推进的模式差异明显。竞争本身并不自动构成不当行为，使用公开问题、公开论文和公开讨论也属于正常学术活动。但当竞争者的研究尚未公开，且一方可能通过模型数据、会话数据或内部沟通接触到相关内容时，资源优势就会与信息边界问题交织在一起。

第四层是学术规范。成果归属不能只看谁最先发布完整文本，也不能只看谁最早提出某个局部方向。需要考察独立贡献、关键思路来源、研究时间、公开程度、数据访问权限以及双方是否存在实质性的技术重合。若后续调查发现某一方使用了未经授权的未公开材料，那么问题就不再只是“谁先完成证明”，而会涉及数据治理、作者署名、优先权确认和研究机构责任。

为什么“完整证明”仍不能马上等于“问题已解决”

数学界对重大证明通常需要较长时间的同行检查。对于纳维-斯托克斯这类千禧年大奖难题，审查重点不仅是局部推导是否成立，还包括证明是否严格对应原始命题、是否满足规定的解空间和正则性条件，以及是否把一个特殊构造误写成了普遍结论。

OpenAI披露的材料描述了一种带光滑外力的研究设定，并指向有限时间奇点。外界需要进一步确认，这一结果究竟对应克雷问题允许的哪一种完整解题方向，证明中的外力条件、初始条件和方程定义是否满足正式要求，以及“存在一个发生奇点的情形”与问题所要求的完整数学结论之间如何对应。

Lean形式化验证的价值在于，它可以把一部分逻辑推导交给机器逐步检查，减少传统人工审阅中的遗漏。但形式化验证并不能独立决定命题是否定义正确，也不能替研究者解决“形式化对象是否准确表达原问题”的前置判断。换句话说，机器可以帮助确认一套形式化证明是否自洽，却仍需要数学家确认这套证明回答的确实是那个问题。

因此，现阶段更稳妥的表述应是：OpenAI宣布完成了一份针对纳维-斯托克斯问题相关方向的证明，并公开了论文和形式化验证材料；这项成果具有很高的潜在影响，但是否达到千禧年大奖难题所要求的最终标准，仍等待独立数学审查。将公司公告直接改写成“数学界已经确认问题被攻克”，会越过目前公开材料能够支持的范围。

AI数学研究需要怎样的新规则

这起事件暴露出的制度问题，可能比一次证明竞争更值得关注。

首先是数据来源记录。面向科研的AI系统需要能够追溯模型训练数据、检索内容、会话数据和Agent之间的任务分配。若无法说明模型是否接触过某项尚未公开的研究，研究团队在面对成果归属争议时就很难提供有说服力的证据。

其次是研究日志。AI Agent可以在短时间内生成数量庞大的候选路线，但研究者需要保留关键提示、时间戳、版本信息、筛选过程和人工修改记录。只有这样，外界才有机会区分系统独立探索、基于公开资料推导，还是受到特定未公开成果的直接影响。

再次是贡献披露。传统论文通常围绕作者、实验和引用展开，而大规模Agent协作需要进一步说明哪些内容由模型提出，哪些内容由人类研究者选择，哪些步骤经过形式化验证，哪些部分仍依赖人工判断。AI并不天然拥有作者资格，但使用AI也不应成为模糊关键贡献来源的理由。

最后是发布机制。面对重大数学成果，企业可以先发布预印本或技术报告，但不宜只依靠宣传口径强化“攻克”结论。更透明的做法，是同步公开证明材料、形式化代码、研究时间线、数据使用边界和待验证问题，并明确哪些结论已经确认、哪些仍处于同行评审阶段。

【软盟观察】

OpenAI这次事件的价值，不能只用“AI是否超过数学家”来衡量。更现实的判断是，AI已经能够把大量候选思路、代码实验和形式化检查组织到同一个研究流程中，从而显著改变重大数学问题的探索速度。但速度越快，证据链就越需要完整。传统研究中的优先权争议，往往围绕论文提交时间和独立发现展开；当模型训练数据、私人会话、Agent记忆和企业内部资源加入其中后，单看谁先发布，已经不足以判断贡献归属。

因此，当前不宜急于给OpenAI贴上“抄袭”或“完全独立突破”的标签，也不宜因为论文篇幅和计算规模惊人，就把公司声明直接当作最终数学事实。更合理的路径，是同时推动三类审查：由数学家检查证明是否成立，由数据与研究机构核查模型是否接触过未公开材料，由学术共同体讨论竞争性发布是否符合优先权和署名规范。只有这三条线都能够提供清晰证据，公众才能判断这究竟是一次真正的AI数学突破，还是一次建立在信息不对称之上的抢先发布。对科技从业者而言，最重要的启示也许不是立即追逐下一个“88小时神话”，而是建立可审计、可复现、可解释的AI科研流程。AI可以加速发现，但不能替代证明责任；企业可以争取领先，但不能把领先速度当成学术合法性的全部依据。