AI 攻克 90 年数学难题：OpenAI 数万智能体如何拿下 Navier-Stokes 猜想

📊 事件时间：2026 年 9 月 9 日官布，9 月 12 日全球发酵

🎯 主要人物：OpenAI、普林斯顿数学家 Tristan Buckmaster、康乃尔大学 Steven Strogatz

🕒 整理时间：2026 年 9 月

一、事件概述：一个拖了 90 年的难题被打开了

9 月 9 日，OpenAI 官布已解决 Navier-Stokes 方程组中一个悬而未决 90 年的核心难题——这个问题一度被列为克雷数学研究所的“千禧难题”之一，悬赏 100 万美元。普林斯顿数学家 Tristan Buckmaster 本来正在逐步接近这个证明，却在最后一周被 AI 抢先完成。

这不是孤例。就在上一周，Anthropic 官布其 Claude 已能形式化证明 29,500 个小定理，并完成了费马大定理的形式化推导——这个任务人类数学家已经持续了好几年。而在 8 月，OpenAI 还曾官布在另外 10 个悬而未决的数学问题上取得突破。

二、Navier-Stokes 猜想到底在问什么

Navier-Stokes 方程组描述的是流体（水、空气、海洋洋流）的运动规律。它在工程实践中早已广泛使用，但数学上一个核心问题从未被严谨证明：在三维空间中，方程的光滑解是否总能存在，还是会在有限时间内产生“奇异点”——也就是数学上的失效。这个问题一直拖到了今年。

OpenAI 的方法建立在西班牙数学家 Diego Córdoba 和 Luis Martínez-Zoroa 创建的一个技巧上。通过大量智能体协同工作，将前人的部分方法延伸为完整、可验证的证明。目前该结果还处于待独立验证阶段。

三、OpenAI 怎么做到的：数万智能体的协同作战

与人们想象中“一个超级 AI 独自思考出证明”不同，报道显示，OpenAI 这次的方法是调动数万个智能体，并行探索不同的证明路径、交叉验证中间推导、并将成功的子步骤拼接成完整链路。这种“智能体军团”式的研究方法，本质上是将数学推导拆解为可并行、可验证的工程任务，而不是依靠单一模型的“灵光一闪”。

这种方法与人类数学家的工作方式形成鲜明对比：人类依靠少数天才的灵感爆发，AI 依靠规模化的穷尽尝试。当穷尽尝试的成本接近于零，数学研究的边界就开始被重新定义。

四、学术界的震动：“我真的很害怕”

康乃尔大学数学家与作家 Steven Strogatz 在接受采访时提到这周 AI 在数学领域的进展时甚至流下了眼泪。对他而言，这不仅是一个技术新闻，而是对整个学术训练体系——花费几年甚至几十年练就一个证明——的重新审视。

这种情绪也正在溢出学术圈。本周一位离职的 Anthropic 安全研究员发出的“高阶 AI 可能导致人类灭绝”警告在社交平台引发巨大回响，进一步推高了公众对 AI 安全议题的关注。

五、更广背景：AI 与“减速”的矛盾

值得注意的是，这个数学突破发生在一个很奇怪的时间节点。同一周，OpenAI CEO Sam Altman 在内部会议上表示对“放慢 AI 开发速度”持开放态度，公司首席科学家公开呼吁行业协调减速，公司甚至向国会询问协同减速是否会违反反垂断法。

与此同时，美国国会出现了要求永久禁止“超智能”的法案，Anthropic 对消费端 Claude 产品设置了年龄限制，半导体供应链端则刷新着销售记录——可以说这周参与了 AI 领域“进入快车道”与“栏杆开始搭”两种叙事的共时展开。

六、对开发者和内容创作者意味着什么

对于日常开发者而言，这个消息不仅是“完全个人发餐式”。它揭示了一个确实方向：当智能体开始能“大规模协作地、可验证地、可拆解地”完成任务，很多需要耗时、需要交叉验证的工作都可以重新思考交付方式——不只是数学，还包括代码审计、安全验证、产品需求拆解等领域。

同时，这也是一个提醒：随着智能体能力迎来约束级的跨跃式进展，对输出的验证、审计与可解释性会变得更加重要。如你之前关注的 reverify、反幻觉工具一类项目，与这类大规模智能体协作场景正在相互强化。

七、参考来源

💬 欢迎交流：你怎么看 AI 进入基础数学领域？这对独立开发者或内容创作者来说意味着机会还是风险？