事件概述

2026 年 9 月 8 日，OpenAI 发布了一项重量级研究成果：其内部 AI 系统成功解决了 Navier–Stokes 千禧年大奖问题（Millennium Prize Problem）中的存在性与光滑性问题。该结果不仅包含一篇完整的论文式证明（writeup），还提供了用 Lean 证明助手完成的形式化验证。

这一结果声称：三维不可压缩常密度流体的 Navier–Stokes 方程，即使初始状态光滑、所受外力平滑、且总能量在整个动力学过程中保持有限，也可以在有限时间内发展出奇异性（singularity）。换言之，流体速度会在有限时间内无界增长。这对应着官方千禧年问题陈述中的“C”和“D”版本，即对问题的否定性解决。

OpenAI 同时披露，该证明由内部模型驱动的大规模多 Agent 系统完成，其能力显著超越了 GPT‑6 Astra。此次发布旨在让世界了解 AI 进展的速度，以及即将到来的模型能够达到什么样的水平。

原文链接：https://openai.com/index/navier-stokes-solution

背景：Navier–Stokes 问题是什么？

Navier–Stokes 方程基于牛顿第二定律（F=ma）描述流体的运动。它的核心假设是把流体视为连续介质，而不是追踪单个分子。这套方程是飞行器设计、天气预报、血液流动研究等众多工程与科学领域的基础。

但长期以来存在一个基础性的开放问题：连续介质近似是否会失效？ 具体而言，一个从光滑初值出发的三维不可压缩常密度流体，其速度场是否会在有限时间内发散——即产生“奇异性”——即便存在倾向于平滑运动的粘性？

如果奇异性真的出现，意味着方程不再适用于描述该流体（真实流体不可能无限速运动），此时必须转向粒子级别的描述，对系统进行建模。该方程源自 19 世纪 Claude-Louis Navier 和 George Gabriel Stokes 的工作；1934 年 Jean Leray 证明了广义解的存在性，但解是否始终光滑成为核心未解之谜。2000 年，Clay 数学研究所将其列为七大千禧年大奖问题之一。

技术要点

奇异性解的结构：拉伸的螺旋涡

OpenAI 系统给出的解是一个涡（vortex）：流体呈旋涡状向内盘旋，并像面条一样被不断拉长。中心区域收缩的同时加速旋转，但能量始终保持在有限范围内——这是满足物理规律的必要条件。

技术上的难点在于：奇异性必须由流体运动自身产生，而非人为故意注入无穷大的外力。 在数学上，这意味着 Navier–Stokes 方程中的各关键项——加速度、压力梯度、动量输运、粘性——需要同时变得极大，又要以精确的方式相互抵消。这种精细的平衡使得即使流体速度无界增长，外部施加的力仍然是光滑的。

证明的发现过程：多 Agent 系统

OpenAI 披露了该结果的发现过程细节，其规模和方法都有很强的工程参考价值：

  • 自 2026 年 8 月 28 日起，OpenAI 开始训练一个新的内部模型，该模型在数学等基准测试上表现出前所未有的性能，且训练仍在进行中。
  • 9 月 1 日，团队听到两个千禧年问题已被解决的传闻（后证实与 Anthropic 员工 Levent Alpöge 和 NYU 数学教授 Tristan Buckmaster 有关），随即启动评估工作，让内部模型尝试所有千禧年问题及其他高影响力问题。
  • 系统由多个 Agent 小组构成，Agent 拥有读取缓存互联网和运行代码的工具。小组内部可以通信，规模各不相同。最终产生 Navier–Stokes 结果的 Agent 小组并行度达到约 10,000 个 Agent。
  • 对不同小组提示了不同版本的问题变体。针对 Navier–Stokes，版本 A、B 导向证明路线，版本 C、D 导向否证路线。
  • 一个“更低难度”的预实验结果是 Euler 方程（无粘性 Navier–Stokes）的无外力版正则性问题：近 100 个 Agent 花了约 50 小时解决了该问题。这一结果增强了团队的信心，决定将资源集中到 Navier–Stokes 上。
  • 研究采用交叉授粉策略：用 Codex 整合各 Agent 小组的中间洞察，生成引导性提示后再次注入。
  • Agent 于 9 月 5 日（约首次启动后 88 小时）得出解；GPT‑6 Astra 额外花费 17 小时完成 Lean 形式化验证。

规模的量化

在所有被尝试的问题中，Agent 共发送了 490 万条消息，消耗约 3000 亿输出 tokens。其中仅 Navier–Stokes 问题的解决过程就发送了 270 万条消息，消耗约 1300 亿 tokens。

对数据科学与 AI Agent 落地的意义

这次事件至少从三个层面影响 AI 与科学研究的未来：

第一，AI Agent 已具备挑战数学深水区的能力。 不同于辅助验证已有猜想，这个系统是在没有给定答案路径的情况下，通过大规模并行探索多种数学策略，自主找到了构造性反例。这意味着 Agent 的高强度推理能力已经迈过了一个实质性门槛——它不再只是一个“模式匹配器”，而是能够参与发现新的数学结构。

第二，大规模多 Agent 协作范式得到验证。 近万个 Agent 并发工作，分组探索、消息互通、中期结果汇总、再交叉引导，这个协作架构本身就是一次实验。它验证了“Agent 群体智能”在处理极端复杂问题上的可行性，也说明研究模式的演化方向不再局限于更强的单体模型。

第三，形式化验证的闭环成为可及的工作流。 从研究撰写到 Lean 验证，只用了 17 小时。AI 前后一体地推进非正式推理与机器可验证证明，相当于给“正确性”定义了一个可执行的终点。这种 workflow 对未来高利害场景下的 AI 研究是至关重要的框架。

此外，时间上的细节也值得玩味：OpenAI 的努力与 Anthropic/NYU 研究者的成果之间存在并行发现的关系。开 OpenAImAI 在消息中提到，他们在 9 月 6 日完成项目和 Lean 验证后，主动接触对方以探讨联合发布时间，并承认对方在 Euler 问题上的优先权。这反映出在前沿 AI 竞争的时代，研究团队之间对优先权和开放性的处理方式也在演化。

我的技术点评

如果该结果被数学界广泛验证成立，那它将是 AI 驱动的数学发现的一个历史性节点。值得注意的几点：

关于证明性质的“非构造性”。 从 OpenAI 公布的内容来看，证明给出了明确的解的结构——涡旋的拉伸机制——它并非依赖统计或启发式方法，而是可被 Lean 验证的形式化数学。这比单纯提出一个不可靠的猜测有本质的区别。在 AI 大量引入数学研究的背景下，“机器发现，人机共同验证”的科研循环将越来越普遍。

关于湍流与连续介质极限。 如果三维 Navier–Stokes 方程确实允许有限时间内出现光滑解的破裂，这将深刻影响湍流建模的理论前提，也会动摇 CFD 仿真在极端参数条件下（如激波、边界层转捩、高雷诺数流动）对连续介质假定的信心。对于“现实流体”而言，分子自由度的介入是物理层面的最终防线，但方程层面的破裂仍然意味着我们长期依赖的数学框架存在根本边界——这句话的原意并非说 CFD 会因此失效，而是说理论解释需要新的层次。

关于形式化证明的速度与 Agent 能量消耗。 1300 亿 tokens 对单一数学问题而言是庞大的计算量。它暗示一种新的“计算换理论”范式：用大量搜索换取人类难以独立推导的结构发现。算法的未来方向并不只是把它变得更聪明，也在于让它消耗更少的推理成本。真正高效的科学研究型 AI Agent 或许应该具备更精确的问题分解、记忆与回溯能力，而不只是盲目扩大搜索规模。

还需保持的谨慎。 截至原文发布时，该证明尚未经过全面外部同行评审。Lean 形式化验证只保证推理链从公理到结论的正确性，并不能自动赋予构造出的数学对象以物理意义。原文中“解决 Navier–Stokes 千禧年大奖问题”的表述若按 Clay 研究所章程，需满足正式发表与学术共同体确认等条件。按严格的科学价值判断，OpenAI 声称“这一结果解决了千禧年问题”，但这还需要时间检验。就结果本身而言，发现和验证都是里程碑，而问题定义的细节（如“C”和“D”的具体表述）只能以此为起点。

另一个值得持续观察的点：传闻中的 Anthropic 相关工作。 OpenAI 证明了 Navier-Stokes 的破缺版本，而外部的相关研究则解决了有外力 Euler 方程的正则性问题。两个问题方向不一样，还需要等待他们发布的详情。数学界正在面临一个新的局面——多个前沿实验室几乎同时触及数学最深处的开放问题，科学发现的速度与形态正在改变。

未来的数学领域，机器的角色也许不再是“解题的工具”，而是“提出结构的合作者”。这是令人兴奋、也值得深思的方向。

本文基于 OpenAI 官方博客信息整理与评论，原文未详细说明的部分（如内部模型的架构细节、训练成本、完整证明论文的篇幅与完整内容、以及 peer review 状态）均未展开。Lean 形式化证明的代码仓库和论文可在原文页面中访问。