Knowledge File / 全球热点解读

2026-10-17 2 浏览公开

数学家称：OpenAI 并不真正理解自己那份纳维-斯托克斯证明

Q: 这篇文章和哪些AI专题相关？

它适合放在Agent工作流、AI日报、AI工具专题里阅读。 关联原因：这篇内容命中「智能体」等主题信号。；这篇内容命中「热点解读」等主题信号。；这篇内容命中「模型」等主题信号。

OpenAI 9月初公布了一份166页的纳维-斯托克斯问题潜在解法，并称其沿用了两位西班牙数学家的思路；多位专家指出实际方法与所述不同，相似仅停留在表面。该证明用 Lean 形式化语言写成，克雷数学研究所仍在审查。与此同时，OpenAI 研究员诺姆·布朗承认，投入约1万个模型实例、88小时、1300亿 token 的智能体集群究竟贡献了什么，没人说得清，他把多智能体设置的功劳估在10%以下。

SOURCE / 全球热点解读 MIN / 9 ACCESS / 公开 POST / 2026-10-17 17:00:26

原贴

查看原文

作者：Manuel Uth 来源站点：the-decoder.com 原贴时间： 2026-10-17 17:00:26

原文

In early September, the company presented a 166-page potential solution to the Navier-Stokes problem. OpenAI claimed the proof followed the approach of Spanish mathematicians Diego Córdoba and Luis Martínez-Zoroa. Several groups of experts now disagree, Scientific American reports . "When you go to the details, it is a different approach," says mathematician Gonzalo Cao-Labora of EPFL. The similarities are only surface-level, he says. The potential proof is written in Lean, a formal verification language that checks every logical step but doesn't make it readable to humans on its own. The Clay Mathematics Institute (CMI) has been reviewing it since its release. Ad Before publication, NYU mathematician Tristan Buckmaster accused OpenAI of building on work that he and Anthropic's Levent Alpöge had done with publicly available models. OpenAI denied the claim, saying it never used Buckmaster's data. A definitive answer is probably impossible because language models are black boxes, according to Camillo De Lellis of the Institute for Advanced Study. Ad In early October, OpenAI dumped roughly 400 more results that the math community can barely keep up with. Publishing them as a loose collection on GitHub angered many mathematicians , who felt it cheapened their field. There's another thing OpenAI doesn't seem to understand about its own work. The company threw a lot of compute at the effort, deploying about 10,000 model instances for roughly 88 hours and 130 billion tokens to develop the potential Navier-Stokes solution. According to OpenAI researcher Noam Brown , nobody actually knows what that massive agent swarm contributed to the result. Ad Behavior at that scale hasn't been studied because running systematic comparison tests with thousands of agents costs too much. No one has tested how long a single agent would take to solve the same problem, and it's nearly impossible to tell what concrete advantage 10,000 agents offer over 1,000 . Brown puts less than 10 percent of the success down to the multi-agent setup. These systems are new and flashy, he says, so they get a disproportionate share of the credit. What really matters is the base model itself, which can grind through tasks over long periods and run in parallel. Ad Subscribe to THE DECODER for ad-free reading, a weekly AI newsletter, our exclusive "AI Radar" frontier report six times a year, full archive access, and access to our comment section.

中文翻译

9月初，该公司提交了一份166页的纳维-斯托克斯问题潜在解决方案。OpenAI 声称，该证明沿用了西班牙数学家迭戈·科尔多瓦和路易斯·马丁内斯-索罗阿的方法。据《科学美国人》报道，现在有几个专家团队对此表示不同意。“当你深入到细节，会发现这是一种不同的方法，”洛桑联邦理工学院的数学家贡萨洛·曹-拉沃拉说。他说，相似之处只停留在表面。

这份潜在证明是用 Lean 写成的，这是一种形式化验证语言，它检查每一个逻辑步骤，但本身并不会让它变得对人类可读。克雷数学研究所自其发布以来一直在审查它。

在发表之前，纽约大学数学家特里斯坦·巴克马斯特指责 OpenAI 建立在他和 Anthropic 的莱文特·阿尔珀格利用公开可用模型所做工作的基础上。OpenAI 否认了这一说法，称其从未使用巴克马斯特的数据。据高等研究院的卡米洛·德·莱利斯说，确定性的答案很可能无法得到，因为语言模型是黑箱。

10月初，OpenAI 又抛出了大约400项结果，数学界几乎跟不上。把它们作为一个松散集合发布在 GitHub 上，激怒了许多数学家，他们觉得这贬低了他们的领域。

还有另一件事，OpenAI 似乎并不理解自己的工作。该公司在这项工作上投入了大量算力，为开发这个潜在的纳维-斯托克斯解决方案，部署了约1万个模型实例，运行约88小时，消耗1300亿个 token。据 OpenAI 研究员诺姆·布朗说，实际上没有人知道那庞大的智能体集群对结果贡献了什么。

这种规模下的行为尚未被研究，因为用数千个智能体运行系统性对比测试成本太高。没有人测试过单个智能体解决同一问题需要多长时间，也几乎无法判断1万个智能体相比1000个智能体有什么具体优势。布朗认为，成功中归因于多智能体设置的部分不到10%。他说，这些系统新且炫目，因此获得了不成比例的功劳。真正重要的是基础模型本身，它能够长时间持续处理任务并并行运行。

核心信息

OpenAI 9月初公布了一份166页的纳维-斯托克斯问题潜在解法，并称其沿用了两位西班牙数学家的思路；多位专家指出实际方法与所述不同，相似仅停留在表面。该证明用 Lean 形式化语言写成，克雷数学研究所仍在审查。与此同时，OpenAI 研究员诺姆·布朗承认，投入约1万个模型实例、88小时、1300亿 token 的智能体集群究竟贡献了什么，没人说得清，他把多智能体设置的功劳估在10%以下。

OpenAI 9月初公布了一份166页的纳维-斯托克斯问题潜在解法，并称其沿用了两位西班牙数学家的思路；多位专家指出实际方法与所述不同，相似仅停留在表面。该证明用 Lean 形式化语言写成，克雷数学研究所仍在审查。与此同时，OpenAI 研究员诺姆·布朗承认，投入约1万个模型实例、88小时、1300亿 token 的智能体集群究竟贡献了什么，没人说得清，他把多智能体设置的功劳估在10%以下。
原贴提到：In early September, the company presented a 166-page potential solution
来源：the-decoder.com

详细解读

这是什么信号

这不是一条“AI 又解出一道世纪难题”的进展新闻，而是一条关于AI 产出如何被专业共同体验收的信号。事实层面有三层：其一，OpenAI 9月初给出166页的纳维-斯托克斯潜在解法，并明确把方法溯源到两位西班牙数学家，但多位专家认为实际路径与所述不同，相似只是表面；其二，证明用 Lean 写成，每个逻辑步骤可被机器检查，但机器可校验不等于人类可读，克雷数学研究所仍在审查；其三，OpenAI 自己的研究员诺姆·布朗承认，约1万个模型实例、88小时、1300亿 token 的智能体集群究竟贡献了什么，目前无人说清，他给多智能体设置的功劳估值低于10%。

把这三层放在一起看，真正的信号是：AI 在高端知识生产中的“产能”已经跑到了“归因能力”和“验收能力”的前面。产出可以批量生成，但谁贡献了什么、是否成立、共同体是否接受，这三件事都还没有配套的机制。

为什么重要

第一，它暴露了声明与事实之间的落差风险。把成果归因到一个既有学术路线上，本意是给评审提供坐标系，但一旦细节不符，反而会削弱可信度。对任何使用 AI 做严肃产出的团队，这都是一次提醒：方法溯源要能被逐段核对，而不是停留在摘要级描述。

第二，它把形式化验证的边界摆到台面上。Lean 能保证每一步推导合规，但“可校验”和“可理解、可评审、可接受”是三件事。工具能替你排除低级错误，不能替你完成学术说服。

第三，也是最具业务迁移价值的一点：多智能体的功劳被高估了。布朗的判断——真正起作用的是能长时间持续处理任务、可并行运行的基础模型，编排层的贡献不到10%——直接挑战了当前“堆智能体数量就能提效”的默认叙事。他还点出了无法验证的原因：用数千个智能体做系统性对照测试成本太高，也没人测过单智能体解同一问题需要多久。这意味着多智能体的收益目前是未被测量的，不是已被证实的。

对谁有价值

对三类人最有价值。第一类是正在做 AI 研发投入决策的人：这条信号提示，算力与智能体规模的扩张需要配一组对照实验，否则无法判断钱花在了基础模型能力上还是花在了编排的自我感动上。第二类是知识生产型团队（研究、咨询、法务、审计）：Lean 的例子说明，形式化与可复现是对抗“AI 幻觉式产出”的有效交付标准。第三类是做 AI 内容与传播的人：数学家对“400项结果打包发 GitHub”的不满，说明社区对节奏与体例的敏感度不低于对结论的敏感度，发布方式本身会成为声誉变量。

可以怎么行动

先做小规模对照再放量。在把智能体数量从百级推到万级之前，至少留一个单智能体基线和一个小规模集群基线，记录耗时、成本与产出质量，让“规模收益”可被验证而非被假设。
把归因写清楚。对外说明成果时，明确区分基础模型、编排策略、人工评审各自的作用，避免把系统性能力记在某个炫目的架构上。
用可校验格式交付。在允许的场合引入形式化、可复现脚本或逐步可核对的结构化产出，把“看起来对”升级为“可以被别人查”。
把发布体例当产品设计。批量结果应附带索引、优先级与自评置信度，而不是作为松散集合一次性投放到公共仓库。
预设审查周期。像 CMI 这类机构的审查是按月甚至按年计的，把“待审查”作为常态状态写进对外沟通，而不是等待一个确定性结论。

风险与限制

必须承认这条信号的证据是有限度的。原文明确提到，确定性的答案很可能无法得到，因为语言模型是黑箱；多智能体贡献无法量化，也同样源于规模实验成本过高。这意味着我们讨论的是归因的不确定性，而不是“证明是假的”或“多智能体无效”这类结论——两者都不能从原文推出。

另外三点需要注意：其一，专家意见目前是分歧状态，不是共识裁决；其二，Lean 可校验与数学成立之间仍有距离，机器的每一步合规不自动等于整体结论被接受；其三，这是一次单点事件，不能直接外推为“AI 数学能力不行”或“OpenAI 一贯如此”。合理的读法是：产能已经上来了，验收与归因的基础设施还没跟上，而这个缺口本身就是机会与风险所在。

信息差价值

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《数学家称：OpenAI 并不真正理解自己那份纳维-斯托克斯证明》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

参考来源

Manuel Uth 原帖

TOPIC HUBS

延伸专题

Agent工作流 Agent工作流：智能体、AI编程与自动化协作

这篇内容命中「智能体」等主题信号。

AI日报 AI日报：每日AI信号、工具动态与行动判断

这篇内容命中「热点解读」等主题信号。

AI工具 AI工具：模型、插件、自动化与实战场景

这篇内容命中「模型」等主题信号。

AI SUMMARY

这篇文章回答了什么