从行业局势、商业影响与从业者判断来写。
上周OpenAI的研究员Noam Brown在LinkedIn上发布了一条消息：他们用一个未公开的下一代模型，配合约一万个协作AI代理，88小时内解决了纳维-斯托克斯方程的存在性与光滑性问题。消息一出，数学圈和AI圈同时安静了三分钟。
这条消息的分量，不在于「AI做了一道难题」，而在于这道题的名字是「千禧年七大数学难题」之一，悬赏金额100万美元，自1978年以来没有任何人类数学家给出过完整证明。更关键的是，证明本身长达数百页，涉及高维流体动力学的偏微分方程理论，是专业数学家需要数年甚至数十年才能理解的前沿领域。
Noam Brown本人在X（原Twitter）上给出了一个更为克制的表述："这确实花费了数百万美元。"他没有回避成本问题，而是直面对应的疑问——当算力成为生产资料，数学证明的生产成本是什么。
``mermaid
AI代理求解千禧年难题的工作流
一万个代理同时运行，算力代价可见
这被称为数学界的"李东勋时刻"——2016年AlphaGo击败李世石时，围棋界的认知边界被强行推过了一道门槛。Noam Brown的原话是："很难在AI超越你深耕多年的领域时，还能保持平静。"这句话没有夸张，它描述的是一个具体而微的心理事实：当一个数学家花费数年研究的问题，在88小时内被一组算法解决，这种冲击不是技术性的，而是职业认同层面的。
Navier-Stokes方程描述的是流体的运动规律，从飞机机翼的气流到血液在血管中的流动，都受其支配。然而，关于这个方程解的存在性和光滑性，人类数学家推进了近一个世纪。克雷数学研究所2000年设立的七个千禧年难题，每一个都是数学前沿的"硬骨头"。这道题之所以特殊，是因为它的难度不在于计算量，而在于概念层面——你需要找到或构造一种全新的数学工具，来处理非线性偏微分方程的奇点行为。
OpenAI发布的解决方案声称：在光滑外力作用下，三维不可压缩Navier-Stokes方程的解可以在有限时间内爆破（速度变为无穷大），即便动能始终保持有界。该证明使用了Lean形式化验证工具进行机器校验，这是数学证明史上首次将形式化验证与大规模AI代理协作结合使用。
形式化验证+AI代理，数学证明的新范式
这道题卡了多少年，答案写在克雷研究所的官方网站上：纳维-斯托克斯方程最早由克劳德-路易·纳维于1822年提出，斯托克斯于1845年完善其形式。1978年，托恩·布雷泽尔给出了第一个"适定性"结果，但存在性与光滑性仍是开放问题。换句话说，从1978年到2026年，整整48年。不是九十年，但同样是四分之一个世纪以上。
上周OpenAI的研究员Noam Brown在LinkedIn上发布了一条消息：他们用一个未公开的下一代模型，配合约一万个协作AI代理，88小时内解决了纳维-斯托克斯方程的存在性与光滑性问题。消息一出，数学圈和AI圈同时安静了三分钟。
这条消息的分量，不在于「AI做了一道难题」，而在于这道题的名字是「千禧年七大数学难题」之一，悬赏金额100万美元，自1978年以来没有任何人类数学家给出过完整证明。更关键的是，证明本身长达数百页，涉及高维流体动力学的偏微分方程理论，是专业数学家需要数年甚至数十年才能理解的前沿领域。
Noam Brown本人在X（原Twitter）上给出了一个更为克制的表述："这确实花费了数百万美元。"他没有回避成本问题，而是直面对应的疑问——当算力成为生产资料，数学证明的生产成本是什么。
Agent运行时过载
一、一个让数学家沉默的周五
1.1 '李东勋时刻'发生了
Noam Brown在X上写道："很难真切地感受到AGI，直到你在自己 deeply care 的领域看到AI超越了你。本周，许多在@OpenAI工作的数学家和物理学家经历了他们的李东勋时刻。"
2016年，李世石与AlphaGo的对决被广泛视为AI史上的标志性事件。那不是简单的胜负——那是一个人面对一个在特定领域已经超越自己的系统时，所经历的那种认知上的震颤。数学家的震颤方式不同，但内核相同：你投入了数年甚至数十年的研究领域，一个由代码构成的系统用88小时完成了你没做到的事。
Mark Chen在X上的回应更直接："我的许多同事离开自己的本行，正是因为相信做AI是推动本行最宏伟问题的最快路径。看到第一个挑战被攻克，看着我们曾经相信的未来变成现实，这种感觉很不真实。"
这不是第一次AI在数学上的突破。DeepMind的GNoME系统在2024年预测了22万种新的稳定晶体结构，这一成果发表在Nature上，被晶体学家评价为「改变了这个领域的地图」。但与那次不同，这次的问题没有已知答案，证明没有现成的路径，AI不是在已知解的空间里搜索，而是在生成一个之前不存在的东西。
1.2 这道题卡了多少年
纳维-斯托克斯方程描述的是流体的运动。它出现在物理学教材的第一章，但你越深入，它暴露的复杂性就越多。克雷数学研究所的官方描述是：给定初始条件，是否存在光滑的全局解，并且在三维空间中能量的有界性是否成立。
说人话：我们知道这些方程在大多数情况下工作得很好，工程模拟、天气预报、飞机设计都依赖它们。但我们从来没有严格证明过——在任何初始条件下，解不会因为某种奇点的产生而在有限时间内崩溃成无限大的速度。
1978年，克雷研究所宣布这七道难题，每道悬赏100万美元。九十年间，唯一被解决的是庞加莱猜想，由格里戈里·佩雷尔曼在2003年完成。他拒绝了菲尔兹奖和百万美元奖金，这件事本身就成为了数学界的一个文化符号。
纳维-斯托克斯是七道题中最「年轻」的一道，但也是最被低估的一道。它看起来像是一个流体力学问题，但实际上它牵涉到偏微分方程理论、调和分析、非线性泛函分析等多个核心数学分支的交叉地带。许多最杰出的分析学家为此投入了职业生涯，但没有一个人给出了完整的存在性与光滑性证明。
搬了九十年的砖终于被推倒了
OpenAI发布的方案中，他们同时尝试了多个方向：版本A和B试图证明全局正则性，版本C和D试图构造反例推翻它。最终，A和B站住了，C和D倒下了。
Olga Holtz在LinkedIn上评论："细节就是数学本身。"她指出的关键点是，这个证明从静止状态的三维不可压缩流体出发，在光滑外力作用下，速度在有限时间内无界增长，但动能保持有界，且外力在奇点处依然光滑。这三个结果——可压介质中的有限时间爆破、二维Boussinesq方程的有限时间爆破、三维不可压缩欧拉方程的有限时间爆破——都已经通过Lean形式化验证并在2026年9月7日前后发表。
这意味着这不是一个空洞的声明，而是一个有形式化验证支撑的数学成果。
##一、一个让数学家沉默的周五#
二、AI解题到底跨越了什么门槛
OpenAI此次公布的解决方案背后，是一套相当复杂的协作架构。根据公开资料，团队采用了「A/B/C/D四种版本并行」的策略：为Agent组分别注入不同类型的提示变体，其中A和B版本的目标是尝试证明存在性，C和D版本则尝试寻找反例。
这种设计并非随机试错，而是借鉴了科学假设检验的基本逻辑——同时推进「证明」与「证伪」两条路径，通过并行探索压缩搜索空间。
当AI开始同时做两件互相矛盾的事
2.1 从竞赛题到开放问题
过去AI在数学领域的表现，主要集中在竞赛题场景。Google DeepMind的AlphaZero和后续的模型在奥数题目上取得了显著进展，但这些题目有一个共同特征：答案存在且可以通过算法路径推导出来。问题的边界清晰，评判标准明确。
纳维-斯托克斯方程不同。它不是一个需要「算出答案」的问题，而是一个需要构造存在性证明的问题。更准确地说，它要求在给定初始条件下，证明三维不可压缩流体的速度场在有限时间内不会 blow up（发散）——但至今没有人知道证明是否存在。
这就像让你写一篇小说，但你甚至不确定这个故事是否应该被写出来。
OpenAI的方案没有选择硬推。它把问题拆成了多个子命题，每个子命题由不同的Agent组独立探索，再通过某种形式的聚合机制整合结论。具体而言，团队使用了 Lean 形式化验证系统对生成的证明进行逐行校验，确保每一步推导逻辑可追溯。
2.2 智能体协作的新范式
一万并发代理听起来像是一个基础设施问题，但真正决定成败的是协作机制。
从OpenAI公开的流程描述来看，整个系统大致分为三个层次：
万级并发的代价是设计代价
OpenAI NS求解Agent协作架构
这个架构的核心特征是「分层并行+强制验证」。每个Agent组只负责一条推理路径，不互相干扰；最终的交叉验证由形式化系统完成，而不是另一个LLM来判断。
这也是为什么Brown反复强调「成本会快速下降」——如果验证层从LLM切换到形式化工具，随着模型推理能力的提升，单步搜索成本会显著降低，而正确率并不会同步下降。
2.3 为什么这次不一样
OpenAI此次突破的标志性意义不在于「AI做了一道题」，而在于它触及了一个过去被认为不适合AI介入的领域。
传统观点认为，数学研究依赖直觉、灵感、对抽象结构的审美判断，这些是人类独有的能力。但此次实验显示，当问题规模足够大、搜索空间足够深时，人类直觉的天花板是可以被算力突破的。
这不是说AI替代了数学家。恰恰相反，OpenAI的方案里仍然有大量人类工作：提出假设、设计验证路径、解读结果、判断证明的可接受性。
真正改变的是效率的密度——一个需要数年才能走完的探索循环，现在可以在88小时内完成。
这不是替代，是加速
从成本角度评估，数百万美元对于一个数学突破来说并不算高。克雷数学研究所的百万美元奖金只是一个数字，真正昂贵的是时间——数学家把职业生涯耗在一道题上的机会成本。
当算力可以压缩时间，科学的经济学逻辑就被重新定义了。
Noam Brown在X上的那条推文很简短："是的，这个结果花费了数百万美元。"他没有回避成本问题，而是直面对应的疑问——当算力成为生产资料，数学证明的生产成本是什么。
按行业估算，运行约一万并发智能体88小时，涉及推理调用、内存占用、并行验证等环节，成本落在200-500万美元区间是合理的。这个数字对于OpenAI来说是可控的实验支出，对于任何独立研究者或学术团队来说都是不可复制的门槛。
烧钱换突破
3.1 数百万美元烧出来的突破
OpenAI公开的文件显示，这次求解依赖的是未公开的下一代模型，其能力显著强于GPT-6 Astra。模型的迭代本身就意味着前期大量研发投入的分摊，而智能体系统的构建又增加了工程复杂度。
更关键的消耗在于验证环节。一个数百页的数学证明，需要经过Lean等形式化工具逐行校验。每个验证步骤都对应着计算开销，而一万智能体并行产生的验证请求更是放大了这个成本。
这告诉我们一件事：当前AI破解前沿数学问题的能力，与算力投入呈强正相关。没有规模化资源投入，类似的突破难以被复制。
3.2 成本下降曲线意味着什么
Brown同时提到一个判断：成本会快速下降。这在AI行业发展史上并非孤例。从AlphaFold到Gemini，每次能力跃迁都伴随着单位推理成本的显著降低。
成本下降预期路径
这个预测是否可信？可以参考历史参照系。DeepMind在AlphaGo Zero阶段单次训练成本约500万美元，而五年后的MuZero版本在更复杂的任务上耗资大幅降低。算法改进和硬件演进确实能改变成本结构。
但对数学证明这类长链推理任务，成本下降的节奏需要单独评估。证明验证的串行瓶颈、形式化语言的学习曲线、以及多智能体协同的通信开销，都是可能延缓降价的因素。
3.3 学术界的反应与质疑
消息公布后，学术界的态度呈现出明显的分化。
一部分数学家持开放态度。柏林自由大学数学教授Olga Holtz在LinkedIn上发文称，这件事"可能是历史性的"，并特别指出"细节就是数学本身"——她强调需要审阅OpenAI公布的166页证明及其形式化验证。
另一部分则提出质疑。Reddit和Twitter上有人指出，OpenAI可能使用了其他研究者尚未发表的工作。虽然Anthropic员工Sholto Douglas从技术角度分析认为，通过用户数据获取未发表研究成果的可能性很低，但学术诚信的红线问题仍然存在。
学术界分歧焦点
这种分歧是合理的。数学证明的权威性建立在可复现和可验证之上，AI产出的证明是否应接受同等 scrutiny，是接下来半年到一年内需要厘清的问题。
对从业者而言，这件事给出的判断是：不要急于下结论，也不要轻易否定。成本是当前最大的门槛，但随着模型效率和验证流程的优化，这个门槛会下降。学术界的质疑不会消失，但形式化验证工具正在成熟，最终答案会通过验证而非立场来确立。
四、对科研从业者的启示
4.1 AI进入基础研究领域的节奏
Noam Brown在X上写过一句很诚实的话：「很难真正感受到AGI，直到你看到一个AI在你深爱的领域超越你。」这句话描述的，就是很多OpenAI内部数学家和物理学家本周的经历。
值得清醒的是，这并不意味着Navier-Stokes这类问题会很快被批量攻克。从竞赛题到开放问题的跨越是一回事，从开放问题到系统性产生可信数学洞见是另一回事。当前的结果仍然建立在数百页论文、数千个Agent迭代、以及大量人工验证基础设施（Lean形式化检查）之上。把这种方式直接套用到其他千禧年难题上，乐观估计也需要数月至数年的工程迭代。
更现实的路径是：AI会先从「辅助发现线索」切入——帮助研究者定位可能的反例方向、生成猜想候选、或快速检查某个证明思路的可行性——然后再逐步进入「独立完成完整论证」的阶段。这个节奏，参考AlphaFold解决蛋白质折叠问题的演进路径，大致需要三到五年才能在更多领域形成稳定的生产力。
4.2 人才和能力模型的转向
这次事件的真正分水岭意义，可能不在于哪个难题被解开了，而在于它重新定义了基础研究里什么能力值钱。
过去三十年，数学和理论物理训练的核心产出是「独立推导长链条证明」的能力。这种能力高度依赖个人天赋和长期积累，培养周期以十年计。当AI开始在这个领域表现出超越人类的速度时，对应的能力定价会随之调整。
未来的核心竞争力会向两个方向集中：一是「问题直觉」——判断哪些问题值得做、哪些路径有希望、哪些工具组合最有效；二是「人机协作架构」——设计Agent系统的提示策略、验证流程、以及容错机制。前者需要深厚的领域积累，后者需要工程化的系统思维。
当AI在数学家深耕的领域超越人类
mermaid
独立推导
纯计算能力的价值会在短期内被压缩，但判断力、审美力和系统思维能力，反而会因为AI的介入而变得更加稀缺。
4.3 下一步的应对策略
对于还在读研或刚进入研究领域的人，最务实的三件事：
第一，尽早建立形式化验证的基础认知。Lean、Coq等工具正在从「可选技能」变成「基础素养」。不需要成为专家，但需要知道如何让机器验证你的推理链条。
第二，把AI当作研究伙伴而非计算器。不是问它「帮我解这道题」，而是问它「这个方向有哪些已知的阻塞点」「我现在的思路可能在哪一步出问题」——后一类问题更能发挥当前AI的长处，也更能训练你自己的判断力。
第三，尽早找到你愿意深耕十年的问题。AI不会取代对好问题的敏感度，只会加速执行层面的竞争。能在AI时代保持优势的人，是那些从一开始就把精力放在「做什么」而不是「怎么做」上的人。
[[reaction=code-review-pain|caption=代码评审与证明评审正在融合]]
Mermaid
提出假设
最后说一个可能不那么好听但必须面对的判断：如果你的日常工作里超过一半是「把已知方法套到新数据上」，那么未来五年你的岗位会先被影响。如果你的日常工作里有超过一半是「判断什么问题值得做」，那么AI是你的杠杆，而不是你的替代者。这个分界线，现在就该想清楚。
参考文献
[1] We at OpenAI are sharing a solution to the Navier-Stokes Millenium Prize Problem, one of the deepest problems at the frontier of mathematics. The proof was produced by a group of agents, using an… | Noam Brown | 101 comments. https://www.linkedin.com/posts/noam-brown-8b785b62_we-at-openai-are-sharing-a-solution-to-the-activity-7503145704954187777-gH_1 [2] What is Noam Brown referring to here? What is coming? .... https://www.reddit.com/r/singularity/comments/1wak0a6/what_is_noam_brown_referring_to_here_what_is [3] Noam Brown on X: "Yes, this result cost millions of dollars .... https://x.com/polynoamial/status/2097375837670785447 [4] OpenAI 昨天丟出一份數學報告，說他們 .... https://www.facebook.com/hinet/posts/openai-%E6%98%A8%E5%A4%A9%E4%B8%9F%E5%87%BA%E4%B8%80%E4%BB%BD%E6%95%B8%E5%AD%B8%E5%A0%B1%E5%91%8A%E8%AA%AA%E4%BB%96%E5%80%91%E4%B8%80%E5%80%8B%E9%82%84%E6%B2%92%E5%85%AC%E9%96%8B%E7%9A%84%E5%85%A7%E9%83%A8%E6%A8%A1%E5%9E%8B%E4%B8%80%E5%8F%A3%E6%B0%A3%E8%A7%A3%E6%8E%89%E4%BA%86%E5%8D%81%E5%80%8B%E5%9B%B0%E4%BD%8F%E6%95%B8%E5%AD%B8%E7%95%8C%E5%BE%88%E4%B9%85%E7%9A%84%E6%9C%AA%E8%A7%A3%E9%9B%A3%E9%A1%8C%E7%99%BC%E6%B6%88%E6%81%AF%E7%9A%84%E6%98%AF-openai-%E7%A0%94%E7%A9%B6%E5%93%A1-noam-brown%E4%BB%96%E7%9A%84/10163644707038318 [5] OpenAI have solved the Navier-Stokes Problem with a substantially .... https://www.lesswrong.com/posts/yekQKwmQJNk7thDtQ/openai-have-solved-the-navier-stokes-problem-with-a [6] Noam Brown on X: "It can be hard to “feel the AGI” until you see an AI surpass you in a domain you care deeply about. This week, many mathematicians and physicists at @OpenAI had their Lee Sedol moment seeing this model solve, in minutes, open problems they’d struggled with for years." / X. https://x.com/polynoamial/status/2097375272387613183 [7] OpenAI says it has cracked one of math's 'Millennium .... https://www.straitstimes.com/world/united-states/openai-says-it-has-cracked-one-of-maths-millennium-problems?ref=latest [8] OpenAI Announces Breakthrough in Millennium-Old Problem, Tsinghua Yao Class Legendary Talent Chen Lijie Comments: This Is Truly an Incredible Era. https://eu.36kr.com/en/p/3975337527587333
