OpenAI behauptet, ein KI-System habe einen in Lean formalisierten Navier–Stokes-Widerlegungsbeweis erbracht

OpenAI sagt, ein internes KI-System habe einen analytischen Beweis dafür erbracht, dass dreidimensionale inkompressible Strömungsbewegungen eine Singularität in endlicher Zeit entwickeln können und damit das Existenz- und Glattheitsproblem der Navier–Stokes-Gleichungen adressieren. Das Unternehmen hat ein schriftliches Argument und eine Formalisierung in Lean veröffentlicht, doch die Behauptung wurde auf Grundlage der verfügbaren Belege nicht unabhängig validiert.

Die Ankündigung ist bedeutsam, weil das Navier–Stokes-Problem eines der sieben Millennium-Preis-Probleme ist, eine Gruppe mathematischer Herausforderungen, die das Clay Mathematics Institute im Jahr 2000 benannt hat. Eine korrekte Lösung hätte Auswirkungen auf die Grenzen automatisierter mathematischer Forschung sowie darauf, wie KI-Systeme bei Problemen getestet werden, die menschlichen Forschern seit Jahrzehnten widerstehen.

OpenAIs Beitrag ist die Hauptquelle für diesen Bericht. Der begleitende Wire-Text enthält in dem verfügbaren Material keinen zusätzlichen Artikeltext, daher beruhen die stärksten Aussagen über Leistung, Umfang und Ergebnis des Systems auf Angaben des Anbieters.

Was OpenAI nach eigenen Angaben gelöst hat

OpenAI sagt, sein System habe die Problemvariante gezeigt, in der eine glatte, anfangs ruhende Flüssigkeit in endlicher Zeit eine Singularität entwickelt, während sie einer glatten äußeren Kraft unterliegt und endliche Energie behält. In der Beschreibung des Unternehmens beweist das Ergebnis die Aussagen „C“ und „D“ in der offiziellen Formulierung des Navier–Stokes-Problems, was einer Widerlegung der universellen Glattheit gleichkäme, nicht einem Beweis dafür, dass alle Lösungen regelmäßig bleiben.

Der vorgeschlagene Mechanismus ist ein Wirbel, der nach innen spiralförmig verläuft und sich entlang seiner Achse streckt. Während sich der zentrale Bereich zusammenzieht, steigt die Geschwindigkeit der Flüssigkeit im mathematischen Modell ohne Grenze. OpenAI sagt, die Konstruktion beruhe darauf, dass Beschleunigungs-, Druck-, Impulsübertragungs- und Viskositätsterme groß werden und sich dabei auf präzise Weise aufheben. Die äußere Kraft bleibt glatt, was bedeutet, dass der behauptete Zusammenbruch durch die Fluiddynamik selbst erzeugt wird und nicht dadurch, dass direkt eine unendliche Kraft eingesetzt wird.

Die Navier–Stokes-Gleichungen modellieren Fluide als kontinuierliche Medien unter Verwendung der Newtonschen Bewegungsgesetze. Ingenieure und Wissenschaftler nutzen sie unter anderem beim Flugzeugbau, bei der Wettervorhersage und bei der Analyse des Blutflusses. Die offene Frage ist, ob eine glatte dreidimensionale inkompressible Strömung mit konstanter Dichte für alle Zeiten glatt bleiben muss.

Ein großes Multi-Agenten-Experiment

Laut OpenAI begann die Arbeit am 1. September, nachdem das Unternehmen Gerüchte gehört hatte, dass zwei Millennium-Preis-Probleme gelöst worden seien. Daraufhin wies es ein koordinierendes System von KI-Agenten an, alle offenen Probleme und mehrere verwandte Fragen zu untersuchen.

Das Unternehmen sagt, dass an dem Navier–Stokes-Vorhaben rund 10.000 gleichzeitig aktive Agenten beteiligt waren. Diese Agenten wurden in Gruppen aufgeteilt, erhielten unterschiedliche Formulierungen des Problems und durften Werkzeuge wie eine zwischengespeicherte Version des Internets und Codeausführung nutzen. OpenAI sagt, die Agenten hätten sowohl Beweis- als auch Widerlegungsvarianten untersucht, bevor die vielversprechendste Arbeit zusammengeführt wurde.

OpenAI berichtet außerdem, dass das größere Projekt 4,9 Millionen Nachrichten erzeugte und etwa 300 Milliarden Output-Tokens verwendete. Für das Navier–Stokes-Vorhaben selbst berichtet das Unternehmen 2,7 Millionen Nachrichten und ungefähr 130 Milliarden Output-Tokens. Diese Zahlen beschreiben das interne Experiment des Unternehmens und sind kein unabhängig geprüftes Maß für nützliche mathematische Schlussfolgerungen.

Das Unternehmen sagt, die Agenten hätten das Navier–Stokes-Ergebnis am 5. September nach etwa 88 Stunden Arbeit erreicht. Die Lean-Formalisation und -Verifikation hätten nach Angaben von OpenAI weitere 17 Stunden über GPT-6 Astra gedauert. Das Unternehmen sagt, Codex sei genutzt worden, um Erkenntnisse aus verschiedenen Agentengruppen während der Suche zusammenzuführen.

Formale Verifikation ist ein Hinweis, keine endgültige Anerkennung

Das Lean-Artefakt ist ein wichtiger Teil der Offenlegung von OpenAI, weil eine Formalisierung fehlende Annahmen und ungültige Schritte aufdecken kann, die in einem herkömmlichen Forschungsentwurf unentdeckt bleiben könnten. Für sich genommen entscheidet sie jedoch nicht darüber, ob die formalisierte Aussage korrekt mit der offiziellen Millennium-Preis-Formulierung übereinstimmt oder ob die Implementierung einen Fehler in Definitionen, importierten Lemmas oder Hypothesen enthält.

OpenAI hat den Beweistext und die Lean-Formalisation veröffentlicht, doch die vorgelegten Belege enthalten keine Prüfung durch das Clay Mathematics Institute oder unabhängige Mathematiker. Das Unternehmen sagt ausdrücklich, dass es nicht beabsichtige, für das Ergebnis den Millennium-Preis zu beanspruchen. Dieser Unterschied ist wichtig: Ein öffentliches, von KI erzeugtes Beweisstück ist eine Forschungsbehauptung, während eine Preiswürdigung die Prüfung durch Fachleute und die Anerkennung gemäß den Regeln des Instituts erfordern würde.

Auch der Zeitpunkt erfordert eine sorgfältige Zuordnung. OpenAI sagt, es habe die Arbeit begonnen, nachdem es Gerüchte gehört hatte, die mit Levent Alpöge, einem Mitarbeiter von Anthropic, und Tristan Buckmaster, einem Mathematikprofessor an der New York University, in Verbindung standen. Das Unternehmen sagt, ihre Arbeit habe sich mit dem erzwungenen Euler-Problem und nicht mit demselben Navier–Stokes-Ergebnis befasst und dass sich beide Vorhaben sowohl in den Methoden als auch in den genauen Schlussfolgerungen unterschieden. OpenAI sagt, es habe vor der öffentlichen Veröffentlichung nicht auf deren spezifische Nutzerdaten oder Arbeit zugegriffen, räumt aber ein, nicht ausschließen zu können, dass de-identifizierte Produktdaten zur Verbesserung seiner Modelle beigetragen haben.

Was das Ergebnis für KI-Entwickler bedeuten könnte

Für KI-Entwickler ist der bemerkenswerte Wandel nicht bloß, dass ein Modell mathematischen Text erzeugt hat. OpenAI beschreibt einen Workflow, in dem viele Agenten unabhängig Formulierungen erkunden, Zwischenergebnisse austauschen, Softwarewerkzeuge verwenden und einen Kandidatenbeweis an ein formales Verifizierungssystem übergeben. Diese Architektur ähnelt eher einer automatisierten Forschungspipeline als einer einzelnen Chatbot-Antwort.

Der Ansatz verdeutlicht auch seine Kosten und betrieblichen Risiken. Hunderte Milliarden generierter Tokens und Tausende gleichzeitige Agenten mögen für einen hochrangigen Forschungsmaßstab praktikabel sein, liegen aber weit entfernt von der Ökonomie gewöhnlicher Softwareprodukte. Entwickler müssten messen, ob parallele Erkundung tatsächlich neue Einsichten hervorbringt oder lediglich das Volumen plausibler, aber redundanter Überlegungen erhöht.

Für Unternehmenskunden unterstreicht der Vorfall den Unterschied zwischen der Fähigkeit eines Modells, ein Ergebnis vorzuschlagen, und der Fähigkeit einer Organisation, ihm zu vertrauen. In wissenschaftlichen und technischen Arbeitsabläufen sind reproduzierbare Artefakte, maschinell überprüfbare Beweise, Expertenprüfung und klare Aufzeichnungen von Annahmen wichtiger als ein Benchmark-Wert oder die Größe eines Agentenlaufs. Die Lean-Formalisation kann diesen Prozess unterstützen, beseitigt aber nicht die Notwendigkeit von Fachwissen.

Die Ankündigung ist auch ein Wettbewerbsignal. OpenAI sagt, das interne Modell sei leistungsfähiger als GPT-6 Astra und seine Trainingsphase laufe noch. Da diese Fähigkeitsvergleiche von OpenAI stammen, sollten sie als interne oder vom Anbieter berichtete Behauptungen und nicht als endgültige Marktmetriken behandelt werden.

Worauf als Nächstes zu achten ist

Das erste Signal wird die unabhängige Prüfung des veröffentlichten Beweises und des Lean-Codes sein, insbesondere ob die Konstruktion jede Bedingung in der offiziellen Navier–Stokes-Aussage erfüllt. Ein formaler Beweis, der von einem subtil anderen Definitionsbereich, einer anderen Kraftbedingung oder einem anderen Singularitätsbegriff abhängt, würde nicht dasselbe Problem lösen.

Das zweite Signal ist, ob Mathematiker das Ergebnis reproduzieren, Lücken identifizieren oder bestätigen, dass die Formalisierung kompiliert und das Argument getreu abbildet. Auch die Reaktion des Clay Mathematics Institute würde klären, ob die Arbeit die Kriterien für eine Anerkennung erfüllt.

Forschende sollten außerdem beobachten, ob OpenAI genügend Implementierungsdetails veröffentlicht, um die Multi-Agenten-Suche zu reproduzieren, einschließlich Modellversionen, Prompts, Werkzeuggrenzen und Rechenaufwand. Ohne diese Informationen liefern die gemeldeten Agentenzahlen und Token-Summen zwar Kontext, aber nur begrenzte Orientierung für Teams, die ähnliche Systeme bauen.

Creati.ai-Perspektive

OpenAIs Ankündigung ist am besten als bedeutende Fähigkeitsbehauptung zu verstehen, noch nicht als gesicherte mathematische Tatsache. Die Kombination aus Agentenkoordination, Codewerkzeugen und Lean-Formalisation ist eine glaubwürdige Richtung für KI-gestützte Forschung, doch das zentrale Ergebnis hängt weiterhin von einer Überprüfung außerhalb des Unternehmens ab, das es erzeugt hat.

Für Entwickler ist die praktische Lehre enger gefasst und nützlicher als die Schlagzeile: Fortgeschrittene KI-Forschungssysteme brauchen Verifikationsebenen, explizite Problemdefinitionen und unabhängige Prüfung. Wenn diese Kontrollen bei diesem Ergebnis Bestand haben, könnte der Vorfall zu einer aussagekräftigen Fallstudie in der maschinengestützten Mathematik werden. Wenn nicht, wird er zeigen, warum flüssige Beweise und formal aussehende Artefakte keine mathematische Validierung ersetzen können.