9 月 8 日，OpenAI 公佈了一套針對納維-斯托克斯方程千禧年問題的有限時間奇點構造。按其說法，一個仍在訓練中的內部模型，配合約 1 萬個 Agent 持續搜尋約 88 小時，隨後用形式化工具 Lean 完成驗證。OpenAI 給出的結論是：在光滑外力與有限動能條件下，三維流體可以演化到區域性速度無界。

訊息釋出後迅速引發爭論。航空航天工程教授 Chris Combs 提醒，這並不等於得到一套可以直接計算任意流體運動的通用解法，對現有 CFD（計算流體力學）工作也不會立刻產生明顯變化。數學側的討論則聚焦於三維光滑解能否一直維持正則性——有限時間 blow-up 本身就正面擊中了這一命題。與此同時，紐約大學數學家 Tristan Buckmaster 與 Anthropic 研究員 Levent Alpöge 的相近研究也被捲入討論，使事件多了一層研究路線與成果來源的爭議。

要理解這份約 100 頁的證明，先要釐清一個容易被模糊掉的分工：AI 並沒有憑空頓悟流體力學，而是加速了人類數學家已有的思路。據推特上多位學術大 V 及業內人士透露，OpenAI 可能通過某些渠道提前獲知了 Buckmaster 團隊的核心解題框架，隨後動用內部算力搶跑。更有傳聞稱，OpenAI 曾提出讓 Buckmaster 擔任論文第一作者，但附帶要求把在 Anthropic 工作的合作者排除在外。這些說法目前仍屬未經證實的傳聞。

從技術視角看，人類數學家負責的是搭骨架與提供物理直覺。納維-斯托克斯方程的難點在於非線性放大與黏性耗散的衝突，人類貢獻了故意偏離臨界尺度、高頻振盪脈衝、剝離區域性速度與整體動能等關鍵結構，這類需要跳躍性思維的幾何直覺，目前 AI 仍難以從零到一完成。OpenAI 的約 1 萬個 Agent 則承擔填血肉與高維約束搜尋：證明需要同時滿足自相似尺度、區域性剪下、應力錐等數十個互相牽制的高維非凸條件，人類可能耗費數年試錯，而 Agent 在 88 小時內窮盡分支，從龐雜假設空間中搜出一套能整體閉合的構造。Lean 與 Comparator 則負責防幻覺，把證明釘死在邏輯系統中，確保搜尋過程沒有悄悄篡改原始命題的條件。

技術細節上，奇點構造的關鍵是故意偏離臨界尺度。納維-斯托克斯的麻煩在於非線性放大與黏性耗散會同時隨尺度縮小而增強，強度關係稍有偏差，要麼奇點被耗散抹平，要麼能量、壓力和外力一起失控。OpenAI 沒有去找一個單純旋轉更快的流場，而是設計了一套各向異性的自相似尺度：從軸對稱帶旋流的渦核出發，接近奇點時渦核徑向快速收縮、軸向收縮略慢，逐漸變成一根越來越細長的旋轉流體柱。徑向壓縮、角向加速與軸向拉伸形成能持續運轉的動力結構，而一個很小的指數偏置讓區域性速度走向無界的同時，整體動能仍受控制——奇點不是整個流場一起暴烈，而是被壓縮排更小的核心區域。

真正困難的是殘差處理。內部自相似渦核接到由黏性擴散控制的外部流場後，兩者之間留下環形過渡區，動量殘差集中於此。若直接把這些殘差定義為外力，外力本身可能隨奇點臨近而失控。於是證明需要完成一個更苛刻的轉換：把本該由外力承擔的誤差，轉化成流體內部細尺度運動自己產生的動量輸運。這正是高頻振盪脈衝出現的原因——脈衝平均速度很小，但非線性二次耦合能留下穩定的平均動量通量，即雷諾應力。問題由此從把誤差壓小，變成能否合成出所需方向的應力。不同振盪模式能製造的動量通量比例受限，幾類波形組合只能覆蓋一個特定的應力錐，目標殘差必須落在錐體內部才能被表示。若落在錐外，增加振幅沒有意義，因為缺失的是方向而非強度。

這反過來要求修改背景流。OpenAI 用小振幅、高頻率的徑向微擾調整區域性剪下：微擾很弱，整體積分量變化有限，但高頻會明顯放大導數，區域性剪下得以較大調整，應力方向隨之改變。高頻調整又會破壞已匹配的徑向矩條件，因此還需低頻修正補回整體約束，形成高頻改區域性、低頻維護整體的多尺度分工。脈衝的時間演化也經過設計：背景剪下先放大脈衝使其完成動量輸運，又把波長拉短、頻率升高，黏性耗散隨之增強，脈衝完成任務後自然被壓下去。黏性在這裡扮演兩種角色——在奇點核心裡是被重新安排的耗散機制，在高頻修正裡是清理脈衝尾部的工具。

這也解釋了為何該問題對單執行緒推理極不友好。系統需同時決定自相似尺度、軸對稱剖面、軸附近延拓方式、外部流場、區域性剪下、應力錐、徑向矩條件、振盪模式與高階修正，且變數之間並非區域性獨立，一處修改往往在很後面才暴露代價。多 Agent 系統的價值在於同時維持大量候選結構：有的搜自相似剖面，有的試引數範圍，有的檢查應力方向，有的尋找區域性引理，還有的專門追蹤某條路線為何失敗，失敗由此變成新的約束資訊。OpenAI 還把接近 100 個 Agent 放到相鄰的 Euler 問題上，該分支突破後，中間幾何與構造思路再遷回納維-斯托克斯路線。納維-斯托克斯路線最終產生約 270 萬條 Agent 訊息和 1300 億輸出 token，其中大量內容不會進入最終證明，但承擔了引數試驗與中間引理搜尋。

驗證環節同樣關鍵。搜尋規模膨脹到百萬級推理軌跡後，驗證成本迅速上升，自然語言裡漏掉一個前提或量詞變化，結論就可能已不是原命題。Lean 把隱藏條件顯式拉進形式系統，每個變數型別、引理前提與依賴關係都必須閉合；Comparator 則用獨立形式化的納維-斯托克斯命題檢查目標表述是否仍對應原始問題。Lean 檢查證明鏈，Comparator 約束命題邊界，兩層合起來構成大規模 AI 數學搜尋的驗證出口。

整體看，這次工作的技術分量或許不在某個孤立技巧，而在於幾層機制必須連續咬合：自相似尺度拆開速度發散與有限動能，各向異性結構重新安排黏性、旋轉與拉伸的強度關係，殘差通過高頻振盪合成雷諾應力並藉助應力錐、剪下調節與多尺度修正逐層清除，萬級 Agent 在互相牽制的條件間搜尋可行結構，Lean 與 Comparator 最後把結果收回到嚴格證明與原始命題上。OpenAI 展示的已不只是一個更會做數學的模型，而是一套把開放數學問題拆成構造、搜尋、修正與驗證環節的研究系統。至於這套構造能否被數學界普遍接受，以及它與 Buckmaster 等人研究之間的優先權爭議如何落定，仍有待後續檢驗。