9 月 8 日，OpenAI 公布了一套针对纳维-斯托克斯方程千禧年问题的有限时间奇点构造。按其说法，一个仍在训练中的内部模型，配合约 1 万个 Agent 持续搜索约 88 小时，随后用形式化工具 Lean 完成验证。OpenAI 给出的结论是：在光滑外力与有限动能条件下，三维流体可以演化到局部速度无界。

消息发布后迅速引发争论。航空航天工程教授 Chris Combs 提醒，这并不等于得到一套可以直接计算任意流体运动的通用解法，对现有 CFD（计算流体力学）工作也不会立刻产生明显变化。数学侧的讨论则聚焦于三维光滑解能否一直维持正则性——有限时间 blow-up 本身就正面击中了这一命题。与此同时，纽约大学数学家 Tristan Buckmaster 与 Anthropic 研究员 Levent Alpöge 的相近研究也被卷入讨论，使事件多了一层研究路线与成果来源的争议。

要理解这份约 100 页的证明，先要厘清一个容易被模糊掉的分工：AI 并没有凭空顿悟流体力学，而是加速了人类数学家已有的思路。据推特上多位学术大 V 及业内人士透露，OpenAI 可能通过某些渠道提前获知了 Buckmaster 团队的核心解题框架，随后动用内部算力抢跑。更有传闻称，OpenAI 曾提出让 Buckmaster 担任论文第一作者，但附带要求把在 Anthropic 工作的合作者排除在外。这些说法目前仍属未经证实的传闻。

从技术视角看，人类数学家负责的是搭骨架与提供物理直觉。纳维-斯托克斯方程的难点在于非线性放大与黏性耗散的冲突，人类贡献了故意偏离临界尺度、高频振荡脉冲、剥离局部速度与整体动能等关键结构，这类需要跳跃性思维的几何直觉，目前 AI 仍难以从零到一完成。OpenAI 的约 1 万个 Agent 则承担填血肉与高维约束搜索：证明需要同时满足自相似尺度、局部剪切、应力锥等数十个互相牵制的高维非凸条件，人类可能耗费数年试错，而 Agent 在 88 小时内穷尽分支，从庞杂假设空间中搜出一套能整体闭合的构造。Lean 与 Comparator 则负责防幻觉，把证明钉死在逻辑系统中，确保搜索过程没有悄悄篡改原始命题的条件。

技术细节上，奇点构造的关键是故意偏离临界尺度。纳维-斯托克斯的麻烦在于非线性放大与黏性耗散会同时随尺度缩小而增强，强度关系稍有偏差，要么奇点被耗散抹平，要么能量、压力和外力一起失控。OpenAI 没有去找一个单纯旋转更快的流场，而是设计了一套各向异性的自相似尺度：从轴对称带旋流的涡核出发，接近奇点时涡核径向快速收缩、轴向收缩略慢，逐渐变成一根越来越细长的旋转流体柱。径向压缩、角向加速与轴向拉伸形成能持续运转的动力结构，而一个很小的指数偏置让局部速度走向无界的同时，整体动能仍受控制——奇点不是整个流场一起暴烈，而是被压缩进更小的核心区域。

真正困难的是残差处理。内部自相似涡核接到由黏性扩散控制的外部流场后，两者之间留下环形过渡区，动量残差集中于此。若直接把这些残差定义为外力，外力本身可能随奇点临近而失控。于是证明需要完成一个更苛刻的转换：把本该由外力承担的误差，转化成流体内部细尺度运动自己产生的动量输运。这正是高频振荡脉冲出现的原因——脉冲平均速度很小，但非线性二次耦合能留下稳定的平均动量通量，即雷诺应力。问题由此从把误差压小，变成能否合成出所需方向的应力。不同振荡模式能制造的动量通量比例受限，几类波形组合只能覆盖一个特定的应力锥，目标残差必须落在锥体内部才能被表示。若落在锥外，增加振幅没有意义，因为缺失的是方向而非强度。

这反过来要求修改背景流。OpenAI 用小振幅、高频率的径向微扰调整局部剪切：微扰很弱，整体积分量变化有限，但高频会明显放大导数，局部剪切得以较大调整，应力方向随之改变。高频调整又会破坏已匹配的径向矩条件，因此还需低频修正补回整体约束，形成高频改局部、低频维护整体的多尺度分工。脉冲的时间演化也经过设计：背景剪切先放大脉冲使其完成动量输运，又把波长拉短、频率升高，黏性耗散随之增强，脉冲完成任务后自然被压下去。黏性在这里扮演两种角色——在奇点核心里是被重新安排的耗散机制，在高频修正里是清理脉冲尾部的工具。

这也解释了为何该问题对单线程推理极不友好。系统需同时决定自相似尺度、轴对称剖面、轴附近延拓方式、外部流场、局部剪切、应力锥、径向矩条件、振荡模式与高阶修正，且变量之间并非局部独立，一处修改往往在很后面才暴露代价。多 Agent 系统的价值在于同时维持大量候选结构：有的搜自相似剖面，有的试参数范围，有的检查应力方向，有的寻找局部引理，还有的专门追踪某条路线为何失败，失败由此变成新的约束信息。OpenAI 还把接近 100 个 Agent 放到相邻的 Euler 问题上，该分支突破后，中间几何与构造思路再迁回纳维-斯托克斯路线。纳维-斯托克斯路线最终产生约 270 万条 Agent 消息和 1300 亿输出 token，其中大量内容不会进入最终证明，但承担了参数试验与中间引理搜索。

验证环节同样关键。搜索规模膨胀到百万级推理轨迹后，验证成本迅速上升，自然语言里漏掉一个前提或量词变化，结论就可能已不是原命题。Lean 把隐藏条件显式拉进形式系统，每个变量类型、引理前提与依赖关系都必须闭合；Comparator 则用独立形式化的纳维-斯托克斯命题检查目标表述是否仍对应原始问题。Lean 检查证明链，Comparator 约束命题边界，两层合起来构成大规模 AI 数学搜索的验证出口。

整体看，这次工作的技术分量或许不在某个孤立技巧，而在于几层机制必须连续咬合：自相似尺度拆开速度发散与有限动能，各向异性结构重新安排黏性、旋转与拉伸的强度关系，残差通过高频振荡合成雷诺应力并借助应力锥、剪切调节与多尺度修正逐层清除，万级 Agent 在互相牵制的条件间搜索可行结构，Lean 与 Comparator 最后把结果收回到严格证明与原始命题上。OpenAI 展示的已不只是一个更会做数学的模型，而是一套把开放数学问题拆成构造、搜索、修正与验证环节的研究系统。至于这套构造能否被数学界普遍接受，以及它与 Buckmaster 等人研究之间的优先权争议如何落定，仍有待后续检验。