核心观点 AI在数学研究中的能力正快速提升，已能解决部分未解难题，但其“广度”与人类专家的“深度”高度互补，AI加速了证明生成与验证，却未同步提升人类的理解与消化速度，可能导致“证明消化不良”和下一代科学家培养的缺失 AI数学能力进展 - AI驱动的自主智能体在88小时内生成三维纳维-斯托克斯方程有限时间爆破问题的证明，并用Lean完成形式化验证，这是AI首次宣称攻破克雷数学研究所悬赏100万美元的“千禧年大奖难题”之一[4] - 过去四年AI数学能力从解初中数学题逐步提升至解研究生资格考试题，近期开始解决人类研究者长期未能解决的问题，如围绕单位距离问题的相关成果已被人类借鉴[35] - 在“First Proof挑战”中，用十道研究级数学题测试最新模型，表现最好的模型能解出五六道[36] - AI解题成功率与成本尚不透明，私营公司未公开投入资源，计算费用可能是十万美元或一百万美元，成功率未知[36] AI与人类能力的互补性 - 人类专家注重深度，会挑选有难度但非完全不可能的问题深挖，而AI擅长广度，能并行尝试大量问题，搜索不同领域方法，寻找被遗漏的组合[21][22] - AI可能没有先入为主的偏见，能发现专家普遍认同的错误看法，有时能找到所有人都漏掉的解法[22] - 将一千道题交给AI，即使只解出5%也是五十道题，在解题数量上已能超过人类数学家[22] - 数学界需利用AI大范围解决部分问题的新能力，与人类慢慢深挖少数深度问题的能力配合[23] AI对科学过程的冲击 - AI加速了实验、代码、证明生成的速度，但人类理解和消化知识的速度没有同步提高，导致“证明消化不良”[5][33] - AI生成的证明可能花大量篇幅解释简单事，却对最有意思的部分一笔带过，因为AI分不清哪里容易哪里难[32] - 开普勒发现行星运动定律的过程说明，科学研究需要时间消化理论，AI太快可能导致“过拟合”，构建出与现实中真正发生的事情无关的复杂模型[25][28] - 风险在于将AI用于科学时优化了错误的目标，纸面上取得惊人成果，但科学并未像以前那样真正向前推进[29] AI作为研究伙伴的局限性 - 陶哲轩预测到2026年AI可能成为数学研究中“值得信赖的合著者”，但对他本人而言，攻克核心难点的过程并未发生同等程度的改变，纸和笔仍是重要工具[6][7] - AI会犯错，有时会一味迎合用户，且目前互动更偏向单人使用，无法像人类合作者那样形成思维默契和自然流畅的对话[43] - AI有一定的上下文记忆能力，但无法像人类合作者那样持续学习或重新接上很久以前的思路[43] - 陶哲轩更常将AI用于辅助任务，如检索文献、检查证明、写代码或校对，而非真正解题过程[43] 对下一代科学家的影响 - 研究生训练过程中，AI已能处理许多训练性问题并产出论文，若用AI取代研究生，将无法培养下一代研究者[49] - 若不继续消化AI产出并整理成知识基础，整个科学共同体可能停滞，只优化现有技术能做的事，却不再发展原创性新想法[50] - 需要更公开讨论基础科学的价值，以及由人组成的研究群体探索未知的重要性，即使进展慢或方法不如AI高效[50]

核心观点 OpenAI通过调动约10000个AI智能体协同工作88小时，成功解决了七大千禧年难题之一的纳维-斯托克斯方程存在性与光滑性问题[1] 该成果由一款未公开的内部模型完成，其能力远超最新发布的GPT-6 Astra[9][14] 公司表示不领取100万美元奖金，旨在展示AI模型的实质性飞跃[16] 千禧年难题背景 - 2000年数学领域七个最深奥未解难题被列为千禧年大奖难题，单项悬赏100万美元[3] - 此前仅有一道千禧年难题被人类攻克[4] - 纳维-斯托克斯方程问题从1934年悬而未解，揭示液体与气体运动本质规律[5] 解题过程与成果 - OpenAI于8月底开始训练新模型，模型很快展现卓越数学能力[9] - 9月1日公司听闻有两道千禧年难题已被解决的传言，决定加快步伐[10] - 最初模型对准黎曼猜想、P/NP问题等均无功而返[10] - 经过约50小时工作后AI取得足够进展，公司决定将所有算力倾注于纳维-斯托克斯问题[10] - 9月5日部署10000个AI智能体约88小时后找到解[10] - 模型成功定位极限场景：初始静止的平滑流体在有限时间内形成奇异点[7] - 一个意面状漩涡一边剧烈收缩一边加速，转速无限飙升触发有限时间爆破[7] - 证明攻克了千禧年大奖四项证明命题中的C、D两种情况[8] 算力与成本 - 10000个AI智能体互相发送270万条消息[11] - 消耗1300亿个输出Token，大致相当于100万本书的文本量[11] - 按OpenAI最先进模型对外算力定价换算，算力成本约1000万美元[12] 行业影响与AI进化 - 短短几年间AI从基础算术频频出错到斩获国际数学奥林匹克奖牌，再到攻克重大开放性学术难题[13] - 公司首席科学家Jakub Pachocki表示这极其直观展现了AI的进化高度和速度[14] - 近几个月各大AI巨头通过展示模型在组合几何学和代数数论领域突破来炫耀肌肉[14] - 外界此前普遍认为前沿实验室短期内几乎不可能完成解决千禧年大奖难题的终极飞跃[14] - 菲尔兹奖得主Timothy Gowers感叹这是技术演进史上一连串必然突破中的又一高光时刻[16] 抄袭争议 - 纽约大学数学教授Tristan Buckmaster表示他和在Anthropic工作的数学家Levent Alpöge也一直在解决该问题[17] - Buckmaster称9月3日察觉到关于他们研究进展的信息被悄然透给了OpenAI[17] - Buckmaster公开质疑OpenAI在获取他们研究工作风声后仓促上马项目[17] - OpenAI向Buckmaster与Alpöge的同行并行研究表达祝贺，盛赞其工作卓越非凡[17] - 公司坚称未通过任何渠道接触过其研究细节，未调取任何用户隐私数据[17] - 公司补充无法完全排除衍生自用户使用产品过程中去标识化数据可能间接促进模型迭代升级[18] - 双方证明路线存在本质差异，最终推导出的具体结论截然不同[18]