从可落地的方案、选型取舍与实施路径来写。这件事的起点很具体：2026年9月8日深夜，OpenAI 在 X 平台发布技术报告，宣称其下一代模型在 88 小时内「解决」了纳维-斯托克斯方程的存在性与平滑性难题——克雷数学研究所千禧年大奖难题之一。随后纽约大学学者 Thomas Wolf 公开质疑这更像大规模反例搜索而非完整证明。原研究者 Tristan Buckmaster 也指出 OpenAI 抢发了他的工作成果。一场关于 AI 能否真正「解决」数学问题的讨论，从技术细节蔓延到署名权与验证标准的边界。
1.1 千禧年难题是什么，为什么它这么难
纳维-斯托克斯方程描述流体运动，从飞机气动到海洋洋流都依赖它。工程师用数值模拟已经能给出足够精确的结果，但数学上还有一个根本问题悬而未决：如果初始流动是光滑的，方程的解是否永远保持光滑？或者说，是否存在某个初始条件，让解在有限时间内「爆破」——即某些物理量趋向无穷大？
这个问题被称为「存在性与平滑性」问题。克雷数学研究所给出的官方表述非常精确，但核心直觉不难理解：我们每天看到的湍流、漩涡，数学上还没有被严格证明可以从光滑初始状态演化而来。1934年让·勒雷证明了弱解的存在性，但平滑性至今未定。这解释了为什么它被列为千禧年难题——不是因为它不可计算，而是因为它缺少一个涵盖所有可能初始条件的严密论证。
数学家看了这个证明流程
1.2 OpenAI 的方法论：10000 个 agent 协同证明
OpenAI 公布的技术报告披露，这次证明并非单个模型的输出，而是由约 10000 个自主 agent 协同完成。流程分为两个阶段：第一阶段约 1000 个 agent 并行工作 50 小时，攻克简化版欧拉方程的正则性问题；第二阶段扩展至约 10000 个 agent，对完整受迫纳维-斯托克斯方程发起证明。
关键设计在于任务拆解策略。OpenAI 将问题分为四个变体版本：版本 A 和 B 导向证明方向，版本 C 和 D 导向反例方向。这种分叉搜索策略让不同 agent 组在不同假设下并行探索，最终产出了附带 Lean 形式化验证的候选证明文本。
OpenAI Agent 协同证明流程
1.3 代价与争议：数百万美元与署名权之争
OpenAI 研究负责人 Noam Brown 在公开场合承认，单次证明耗资数百万美元，但强调成本会快速下降。这笔投入换来的是什么，学界看法分歧严重。
Thomas Wolf 的观点代表了一类质疑声音：AI 没有灵光一闪，它只是花了 1000 万美元的算力，把人类早已铺好的数学蓝图 grinding 了一遍。他引用 Hugging Face 相关研究者的工作指出，OpenAI 的结果本质上是一组反例搜索，而非完整证明。工程师用有限时间模拟流动，数学家要回答所有条件下是否永远光滑，前者能用，后者才算解决。
另一层争议来自署名权。Tristan Buckmaster 指控 OpenAI 在其未完成工作被泄露后抢先发表，尽管 OpenAI 方面承认受到相关传闻启发。这场争论触及一个更根本的问题：当 AI 代理成为「证明者」，数学成果的所有权归于谁？是训练数据的贡献者、提示词的设计者、还是算力投入方？目前数学界没有现成规则可循。
真相锁定：是证明还是搜索？
Navier–Stokes 方程描述的是流体运动。工程师用它模拟飞机周围的气流、海里的洋流，几十年用得风生水起。但数学家问的是一个更根本的问题：如果初始流动足够平滑，方程的解是否会在有限时间内「炸掉」——也就是出现无穷大的速度或压力？这个问题悬而未决近百年，克雷数学研究所把它列为七个千禧年难题之一，悬赏100万美元。
问题难在哪里？工程师模拟只需要处理有限时间和有限分辨率的样本，数学证明却要回答所有合法初值下是否永远光滑。前者是求一个特例，后者是证全称命题。
这差距可不小
OpenAI 的做法不是让一个模型单干，而是用了多阶段 agent 编排。第一阶段先用约1000个 agent 攻关简化版问题（欧拉方程受迫情形），用时约50小时；第二阶段扩展到约10000个 agent，全面进攻完整的受迫 Navier–Stokes 方程，最终产出候选证明文本和 Lean 形式化验证。
OpenAI agent 协同证明工作流
万级 agent 并发，算力烧得响
但 Thomas Wolf 在 LinkedIn 上明确表态：这更像是一次大规模反例搜索。他指出，OpenAI 的策略是把问题拆成 A/B/C/D 四个变体分别投放给不同 agent 组，其中 C 和 D 是证明猜想为假的版本——换句话说，他们在 brute-force 所有可能路径，而不是像传统数学证明那样构造性地推导出结论。
「AI 没有灵光一闪，它只是花了1000万美元的算力，把人类早已铺好的数学蓝图 grinding 了一遍。」Wolf 这句话刻薄但不完全没道理。
真正引发怒火的是署名权问题。纽约大学的数学家 Tristan Buckmaster 公开指控 OpenAI 抢先发表了他们团队未公开发表的研究成果。据 Quanta Magazine 报道，OpenAI 承认其工作受到了关于 Buckmaster 和 Alpöge 即将取得突破的传闻的启发——但他们强调并未直接阅读对方未发表的论文。
Buckmaster 此前的工作集中在简化版欧拉方程，他们确实用 LLM 辅助解析数学可能性。当 OpenAI 的结果涉及受迫 Navier–Stokes 时，时间线和方向的高度重合让 B 无法接受。
这锅谁背？
Noam Brown 在公开场合承认，单次证明耗资数百万美元。从工程角度看，这是用算力换时间的极端案例：把需要人类数十年积累的数学直觉，压缩到88小时的高强度 agent 协作里。代价是昂贵的，争议是真实的，而数学界对「什么是证明」的定义，正在被这件事重新逼问。
OpenAI 公布的候选证明，本质上是回答 Navier-Stokes 方程「是否存在光滑解」这一命题的否命题：他们找到了一组初始条件，使得解在有限时间内爆破。按照克雷研究所的规则，选项 C/D（反例）确实构成该问题的一种有效解法。但这与人类数学家追求的完整证明之间，存在结构性差异。
这差距可不小
完整证明需要回答：对所有合法初值，解是否永远保持光滑？反例搜索只回答：存在某些初值，解会爆破。前者是全称命题，后者是存在命题。工程师用有限时间模拟流动，数学家要回答所有条件下是否永远光滑。前者能用，后者才算解决。
Thomas Wolf 的核心论点是：这项工作的创意蓝图来自人类数学家的既有研究路径，尤其是 Diego Córdoba 和 Luis Martínez-Zoroa 的方法。AI 做的是把这套路径在高维搜索空间里穷举一遍。这确实需要算力，但不等于产生了新的数学洞察。
2.2 数学家视角：Buckmaster 团队的受迫 Euler 方程突破
要理解这场争议，需要把时间线还原。纽约大学的 Tristan Buckmaster 与 Igor Pipkin 合作的受迫 Euler 方程爆破结果，才是真正意义上的人类数学家突破。他们证明的是：在无粘流体（Euler 方程）的受迫版本下，存在光滑初值使得解在有限时间爆破。这本身就是一个重要的千禧年相关问题突破，且耗时远超 88 小时。
OpenAI 的 agent 集群是在这个成果的基础上，将方法扩展到含粘性的完整 Navier-Stokes 受迫方程。但扩展是否等同于证明完整命题，学界仍有分歧。问题在于：Euler 方程是 Navier-Stokes 方程在粘性系数趋近于零时的极限情形，两者之间的数学过渡并不简单。
2.3 形式化验证的意义与局限：Lean 能做什么、不能做什么
OpenAI 声称产出的证明经过 Lean 形式化验证，这在 AI 辅助数学史上是一个标志性事件。Lean 能够检查每一步推理是否符合逻辑公理系统，这是传统人工验证难以达到的一致性和彻底性。但它无法判断「证明是否完整」——如果前提假设本身有缺口，Lean 只能验证推导过程，无法补全前提。
形式化验证边界
从实践角度看，形式化验证的价值在于它能排除「看起来正确但实际有漏洞」的推理路径。但对于 AI 产出的证明，真正的风险不是推理错误，而是证明范围是否完整覆盖了问题定义中的所有情形。这一点目前仍缺乏外部学界的独立复核。
Navier–Stokes 方程描述的是流体运动。工程师用它模拟飞机周围的气流、海里的洋流，几十年用得风生水起。但数学家问的是一个更根本的问题：如果初始流动足够平滑，方程的解是否会在有限时间内「炸掉」——也就是出现无穷大的速度或压力？这个问题悬而未决近百年，克雷数学研究所把它列为七个千禧年难题之一，悬赏100万美元。
问题难在哪里？工程师模拟只需要处理有限时间和有限分辨率的样本，数学证明却要回答所有合法初值下是否永远光滑。前者是求一个特例，后者是证全称命题。
OpenAI 的做法不是让一个模型单干，而是用了多阶段 agent 编排。第一阶段先用约1000个 agent 攻关简化版问题（欧拉方程受迫情形），用时约50小时；第二阶段扩展到约10000个 agent，全面进攻完整的受迫 Navier–Stokes 方程，最终产出候选证明文本和 Lean 形式化验证。
OpenAI agent 协同证明工作流
Thomas Wolf 在 X 上的评价直指核心：AI 没有灵光一闪，它只是花了约1000万美元的算力，把人类早已铺好的数学蓝图 grinding 了一遍。他引用了 Diego Córdoba 和 Luis Martínez-Zoroa 此前的工作——这两个数学家早就设计了通过外力驱动导致解爆破的理论框架，Buckmaster 和 Alpöge 随后在此基础上完成了受迫 Euler 方程的严格推导。
也就是说，OpenAI 的 agent 系统不是在真空中发明新数学，而是在一个已被人类数学家部分打开的命题上，进行了规模化的推理搜索。
这差距可不小
这里出现了一个关键分歧：数学家真正关心的问题，和 OpenAI agent 实际解决的问题，并不完全相同。
Buckmaster 和 Alpöge 在 2025 年 8 月的成果是针对受迫 Euler 方程（无粘性版本）的爆破构造，他们使用了 Anthropic 的 LLM 辅助探索数学可能性，最终给出了一个严谨的存在性证明。这是一项被数学界严肃对待的工作，发表在同行评审期刊上。
而 OpenAI 的 agent 系统在 2026 年 9 月给出的成果，目标是完整的受迫 Navier–Stokes 方程。根据公司公开材料，agent 组被要求同时尝试选项 A/B（证明光滑性）和选项 C/D（构造反例爆破），最终找到了一个在特定外力驱动下爆破的构造。
问题来了：找到了一个爆破的特例，意味着证明了「光滑性猜想」不成立。这确实可以视为对千禧年难题的一种解决路径——但前提是，这个爆破构造覆盖的是正确版本的方程，并且证明链的每一个环节都经受了 Lean 的完整形式化校验。
Lean 在这里扮演的角色，是机械校验器：它可以检查每一步推导是否符合逻辑公理体系，但不决定「这个方向值不值得走」。数学直觉、问题重构、关键引理的选取——这些仍然来自人类。
这是搬砖，还是思考
Thomas Wolf 的另一条判断可以这样总结：工程师用有限时间模拟流动，数学家要回答所有条件下是否永远光滑。前者能用，后者才算解决。
四、这场争论的真正落点：AI 数学的边界在哪里
4.1 哪些数学问题适合 AI brute-force，哪些不行
OpenAI 这次做的工作，本质上是一个大规模搜索问题：给定一组候选定理方向（版本 A/B/C/D），让数千个 agent 并行尝试构造证明或反例。这种范式在哪些场景下有效？
答案取决于问题的结构。如果问题的解空间是离散的、有限的，或者存在可枚举的候选对象，AI brute-force 就有优势。例如数论中的某些猜想、图论中的有限情形分类，都适合这种策略。2023 年 Hales 团队用形式化方法验证了 Kepler 猜想的核心引理，就是一个成功的例子。
但 Navier-Stokes 的问题结构完全不同。它是一个关于所有合法初值的全称命题，解空间是无限维的连续统。你无法通过穷举来「验证」它。这正是 Thomas Wolf 所说的「反例搜索」与「完整证明」的本质区别。
这差距可不小
AI 数学辅助 vs 传统数学证明的路径差异
4.2 从 Navier-Stokes 看流体力学模拟与严格证明的距离
工程师用 Navier-Stokes 方程模拟飞机周围的气流、海里的洋流，几十年用得风生水起。但数学家问的是一个更根本的问题：如果初始流动足够平滑，方程的解是否会在有限时间内「炸掉」——也就是出现无穷大的速度或压力？
这个问题难在何处？工程师模拟只需要处理有限时间和有限分辨率的样本，数学证明却要回答所有合法初值下是否永远光滑。前者是求一个特例，后者是证全称命题。
OpenAI 的 10000 个 agent 在 88 小时内完成的工作，更像是在已知的数学蓝图上做系统化搜索。正如 Wolf 所说：「AI 没有灵光一闪，它只是花了 1000 万美元的算力，把人类早已铺好的数学蓝图 grinding 了一遍。」
这句话听起来刺耳，但准确区分了两个领域：
- 计算流体力学（CFD）：数值模拟，工程应用，误差可控
- 解析存在性与正则性理论：严格证明，数学基础，全称命题
前者已经有成熟的工业软件（如 ANSYS、OpenFOAM），后者至今仍是克雷数学研究所悬赏百万美元的问题。
4.3 未来十年：AI 数学家会取代人类吗
回到最初的问题：AI 能取代数学家吗？
答案是否定的，但需要加一个限定：在可预见的未来，AI 不会取代数学家的核心工作——提出新问题、构建新框架、给出关键洞察。AI 能做的，是在人类已经划定的疆域内做系统化探索，把「可能性」变成「候选结论」，再由人类数学家判断其价值并完成严格证明。
Buckmaster 和 Alpöge 团队正是这样做的。他们先通过 AI 辅助发现了受迫 Euler 方程的 blowup 现象，然后用传统的数学技巧完成了严格证明。这个过程不是 AI 独立完成的，而是人机协作的产物。
[1] Thomas Wolf, LinkedIn post, Sep 2026, www.linkedin.com/posts/thom-… [2] OpenAI, "On the Navier–Stokes Millennium Prize Problem", Sep 2026, openai.com/index/navie… [3] Quanta Magazine, "AI Has Solved One of Math's $1 Million Millennium Prize Problems", Sep 2026, www.quantamagazine.org/ai-has-solv… [4] Tristan Buckmaster & Michal Bou-Rizk, preprint on forced Euler equation blowup, 2026 [5] Science News, "AI may have solved one of math's biggest puzzles, raising controversy", Sep 2026, www.sciencenews.org/article/ai-…
