OpenAI发布722篇数学手稿引发学界震动,纳维-斯托克斯方程证明成争议焦点

OpenAI近期宣称其内部模型解决了300多个长期悬而未决的数学难题,包括纳维-斯托克斯方程存在性问题,并在GitHub发布722篇手稿。此举引发数学界强烈反响:有人视其为千年变革,也有人质疑验证困难...

人工智能

2024年9月,OpenAI宣布其未公开AI模型在88小时内完成了纳维-斯托克斯方程存在性与光滑性问题的证明,并同步公开166页论文及Lean定理验证代码。这一消息迅速震动全球数学界——该问题自19世纪提出以来,历经数代数学家努力仍未解决,是克雷数学研究所设立的七大“千禧年大奖难题”之一,悬赏金额高达100万美元。

一个月后,OpenAI在GitHub平台一次性发布722篇数学手稿0,声称其“尖端内部模型”已攻克300余个此前人类无法解决的数学问题,覆盖代数、逻辑、几何与概率等多个领域。部分手稿涉及霍奇猜想、黎曼假设等更深层的未解之谜。法国数学家、菲尔兹奖得主塞德里克·维拉尼评价称:“这无疑是至少4个世纪以来、甚至可能是一千年以来,数学领域最根本的变革。”

然而,热潮之下质疑声同样强烈。多位数学家指出,验证这些AI生成证明的工作量极大。2022年菲尔兹奖得主雨果·迪米尼-科潘坦言:“这个消息简直让人懵了!我们必须完全重新想象数学研究的形式。”他正着手复核AI声称已解决的16个问题,但受限于理论深度与数据规模,进展缓慢。事实上,OpenAI在发布初期即因暴露明显错误而主动撤回3篇手稿。

更关键的争议在于成果的原创性与归属。美国西北大学数学教授本杰明·安蒂奥指出,AI对纳维-斯托克斯方程的处理并非从零开始,而是基于两位数学家的前期工作:他们曾使用OpenAI的编程工具(如Copilot)辅助研究,其中一人还与竞争对手Anthropic合作过。安蒂奥强调:“现阶段AI有助于解决已有问题,但没有扩大学科领域,提出新的方程课题,更没有取代人类的创造力。”他进一步解释:“即使AI可以回答任何问题,数学家仍将发挥重要作用。因为这不是从A点到B点的解题,而是提出有助于整个社会的问题。”

这一观点呼应了伦敦大学学院教授汉娜·弗莱(Hannah Fry)的反思。她在《新科学家》专栏中回忆,早年有资深数学教授警告她“世界畏惧数学家,让我们保持这种状态”,彼时她正通过视频与播客向公众普及数学。起初她视此为精英主义偏见,但近年AI密集产出高阶证明后,她承认那位教授“埋藏在傲慢下的判断或许有道理”——当机器能以远超人类的速度产出严谨证明,数学作为一门依赖直觉、美学与创造性提问的学科,其核心价值正面临前所未有的重估。

技术层面,OpenAI未公开具体模型架构,仅透露“平均每个问题消耗相当于ChatGPT Pro 3小时的算力”。所用工具链包括Lean——一个交互式定理证明器,用于形式化验证证明过程的每一步逻辑。这种方式虽提升了可靠性,却也带来新挑战:人类数学家需花费大量时间将自然语言问题转化为Lean可接受的形式;而AI生成的证明往往冗长、非直观,缺乏传统数学所珍视的“优雅性”与“洞察力”。

例如,纳维-斯托克斯方程描述流体运动,本质是牛顿第二定律F=ma在连续介质中的推广。弗莱本人博士论文即聚焦于此,她形容其“美得令人窒息”,能统一解释水滴滑落、大气环流乃至星云演化。但AI给出的证明路径是否揭示了物理本质?抑或仅是符号操作的胜利?学界尚无共识。

值得注意的是,此次事件并非孤立现象。过去两年,DeepMind的AlphaGeometry已在欧几里得几何领域实现突破;Meta的Llama系列模型亦被用于辅助组合数学猜想验证。但OpenAI此次动作的独特性在于:规模空前(722篇)、领域广泛(横跨多个核心分支)、且直接挑战千禧年难题——这使其成为AI介入基础科学的标志性事件。

数学界内部出现明显分化。一部分学者持开放态度,认为AI是强大协作者,可承担繁琐计算与穷举验证,释放人类专注更高阶的抽象与建模;另一派则担忧职业生态剧变。维拉尼直言:“世界上没有一所大学能以如此高效的速度产出高水平数学研究。自此以后,我的专业将发生根本性的改变。”他所指的不仅是效率,更是数学知识生产方式的范式转移:从个体灵光乍现,转向人机协同、大规模算力驱动的“证明工厂”。

目前,国际数学联盟尚未就此类AI生成成果的发表规范达成一致。传统期刊要求作者声明贡献来源,但AI作为“非人类主体”无法署名,导致伦理与版权边界模糊。已有期刊开始试点“AI辅助声明”字段,要求作者详细说明模型角色、训练数据范围及人工干预程度。

长远看,这场“存在危机”实为学科自我更新的契机。数学史上多次经历类似震荡:17世纪微积分诞生时,贝克莱主教斥其为“幽灵中的幽灵”;19世纪非欧几何出现,冲击了“空间唯一性”的常识。每一次,数学都通过吸纳新工具拓展了疆域。AI带来的不是终结,而是对“何为数学创造”的再定义——当机器能完成证明,人类的价值或将更集中于提出问题、设定目标、赋予意义。

正如安蒂奥所言:“数学的终极目标从来不是解出所有方程,而是理解世界如何运作。”在AI加速推进证明边界的当下,这一古老追问,反而显得愈发迫切。