OpenAI утверждает, что ИИ-система выдала формализованное в Lean опровержение Навье—Стокса

OpenAI сообщает, что внутренняя ИИ-система создала аналитическое доказательство того, что трёхмерное несжимаемое движение жидкости может развить особенность за конечное время, тем самым затрагивая задачу существования и гладкости Навье—Стокса. Компания опубликовала письменное рассуждение и формализацию в Lean, но имеющиеся доказательства не подтверждают это заявление независимо.

Это объявление важно, потому что задача Навье—Стокса — одна из семи задач тысячелетия, группы математических проблем, выделенных Clay Mathematics Institute в 2000 году. Корректное решение повлияло бы на пределы автоматизированных математических исследований, а также на то, как ИИ-системы тестируются на задачах, которые десятилетиями не поддавались человеческим исследователям.

Пост OpenAI — основной источник этого материала. Сопроводительный wire-материал не содержит дополнительного текста статьи в доступной версии, поэтому наиболее сильные утверждения о производительности, масштабе и результате системы исходят от самого вендора.

Что, по словам OpenAI, было решено

OpenAI утверждает, что её система установила вариант задачи, в котором гладкая, изначально покоящаяся жидкость за конечное время образует особенность, оставаясь под действием гладкой внешней силы и сохраняя конечную энергию. В описании компании результат доказывает утверждения «C» и «D» в официальной формулировке задачи Навье—Стокса, что означало бы опровержение универсальной гладкости, а не доказательство того, что все решения остаются регулярными.

Предлагаемый механизм — это вихрь, который закручивается внутрь и растягивается вдоль своей оси. По мере сжатия центральной области скорость жидкости в математической модели неограниченно растёт. OpenAI говорит, что конструкция опирается на то, что члены ускорения, давления, переноса импульса и вязкости становятся большими, при этом точно компенсируя друг друга. Внешняя сила остаётся гладкой, то есть заявленный коллапс порождается самой гидродинамикой, а не прямым введением бесконечной силы.

Уравнения Навье—Стокса моделируют жидкости как непрерывные среды с использованием законов движения Ньютона. Инженеры и учёные используют их в таких областях, как проектирование самолётов, прогноз погоды и анализ кровотока. Нерешённый вопрос состоит в том, должна ли гладкая трёхмерная несжимаемая течь постоянной плотности оставаться гладкой для всех времён.

Большой многоагентный эксперимент

По данным OpenAI, работа началась 1 сентября после того, как компания услышала слухи о том, что две задачи тысячелетия были решены. Затем она направила координирующую систему ИИ-агентов на изучение всех открытых задач и нескольких связанных вопросов.

Компания утверждает, что в работе по Навье—Стоксу участвовало примерно 10 000 одновременно работающих агентов. Эти агенты были разделены на группы, получили разные формулировки задачи и могли использовать инструменты, включая кэшированную версию интернета и выполнение кода. OpenAI заявляет, что агенты исследовали как варианты доказательства, так и варианты опровержения, прежде чем наиболее перспективная работа была объединена.

OpenAI также сообщает, что более широкий проект сгенерировал 4,9 миллиона сообщений и использовал около 300 миллиардов выходных токенов. Для самой задачи Навье—Стокса компания указывает 2,7 миллиона сообщений и примерно 130 миллиардов выходных токенов. Эти цифры описывают внутренний эксперимент компании и не являются независимо проверенной мерой полезного математического мышления.

Компания заявляет, что агенты достигли результата по Навье—Стоксу 5 сентября после примерно 88 часов работы. Формализация и верификация в Lean, по словам OpenAI, заняли ещё 17 часов через GPT-6 Astra. Компания говорит, что Codex использовался для объединения идей различных групп агентов в ходе поиска.

Формальная верификация — это доказательство, а не окончательное признание

Артефакт Lean — важная часть раскрытия OpenAI, потому что формализация может выявить отсутствующие предположения и неверные шаги, которые могут сохраниться в обычном исследовательском черновике. Однако сама по себе она не решает, правильно ли формализованное утверждение соответствует официальной формулировке задачи тысячелетия или содержит ли реализация ошибку в определениях, импортированных леммах или гипотезах.

OpenAI опубликовала текст доказательства и формализацию Lean, но представленные доказательства не включают рецензирование со стороны Clay Mathematics Institute или независимых математиков. Компания прямо заявляет, что не намерена претендовать на Премию тысячелетия за этот результат. Это различие существенно: публичное доказательство, созданное ИИ, — это исследовательское утверждение, тогда как признание премии потребовало бы проверки специалистами и принятия по правилам института.

Сроки также требуют осторожной атрибуции. OpenAI говорит, что начала работу после слухов, связанных с Levent Alpöge, сотрудником Anthropic, и Tristan Buckmaster, профессором математики Нью-Йоркского университета. Компания утверждает, что их работа касалась forced Euler, а не того же результата по Навье—Стоксу, и что оба направления различались как методами, так и точными выводами. OpenAI говорит, что не имела доступа к их конкретным пользовательским данным или работе до публичной публикации, хотя и признаёт, что не может исключить, что обезличенные продуктовые данные помогли улучшить её модели.

Что этот результат может означать для разработчиков ИИ

Для разработчиков ИИ заметное изменение состоит не просто в том, что модель сгенерировала математический текст. OpenAI описывает рабочий процесс, в котором множество агентов независимо исследуют формулировки, обмениваются промежуточными результатами, используют программные инструменты и передают кандидат-доказательство системе формальной верификации. Такая архитектура больше похожа на автоматизированный исследовательский конвейер, чем на единый ответ чат-бота.

Подход также подчёркивает его стоимость и операционные риски. Сотни миллиардов сгенерированных токенов и тысячи одновременно работающих агентов могут быть практичны для высокоценного исследовательского бенчмарка, но они далеки от экономики обычных программных продуктов. Разработчикам нужно было бы измерить, действительно ли параллельное исследование приносит новые идеи или в основном увеличивает объём правдоподобных, но избыточных рассуждений.

Для корпоративных заказчиков этот эпизод подчёркивает разницу между способностью модели предложить результат и способностью организации доверять ему. В научных и инженерных рабочих процессах воспроизводимые артефакты, проверяемые машиной доказательства, экспертная оценка и ясные записи предположений важнее, чем оценка в бенчмарке или масштаб агентного прогона. Формализация в Lean может поддержать этот процесс, но она не устраняет необходимость в предметной экспертизе.

Объявление также является конкурентным сигналом. OpenAI утверждает, что внутренняя модель более способна, чем GPT-6 Astra, и что её обучение ещё продолжалось. Поскольку эти сравнения возможностей исходят от OpenAI, их следует воспринимать как внутренние или сообщённые вендором заявления, а не как устоявшиеся рыночные измерения.

За чем следить дальше

Первым сигналом станет независимое изучение опубликованного доказательства и кода Lean, особенно того, удовлетворяет ли конструкция всем условиям официального утверждения по Навье—Стоксу. Формальное доказательство, опирающееся на чуть иной домен, условие силы или понятие особенности, не решало бы ту же задачу.

Второй вопрос — смогут ли математики воспроизвести результат, выявить пробелы или подтвердить, что формализация компилируется и точно кодирует рассуждение. Реакция Clay Mathematics Institute также прояснит, соответствует ли работа стандартам признания.

Исследователям следует также наблюдать, раскроет ли OpenAI достаточно деталей реализации, чтобы воспроизвести многоагентный поиск, включая версии модели, промпты, границы инструментов и учёт вычислений. Без этой информации заявленные числа агентов и токенов дают контекст, но лишь ограниченную помощь командам, строящим похожие системы.

Позиция Creati.ai

Объявление OpenAI лучше всего понимать как значимое заявление о возможностях, а не как уже установленный математический факт. Сочетание координации агентов, инструментов для кода и формализации Lean — правдоподобное направление для исследований с помощью ИИ, но центральный результат по-прежнему зависит от проверки вне компании, которая его создала.

Для разработчиков практический вывод уже и полезнее заголовка: продвинутым ИИ-системам для исследований нужны уровни верификации, чёткие спецификации задачи и независимый обзор. Если эти механизмы выдержат проверку в этом случае, эпизод может стать важным кейсом машинно-ассистированной математики. Если нет, он покажет, почему беглые доказательства и формально выглядящие артефакты не могут заменить математическую валидацию.