作者丨郑佳美
编辑丨岑峰
9 月 8 日，OpenAI 公布了一套针对 Navier–Stokes 千禧年问题的有限时间奇点构造方案。该方案利用一个仍在训练的内部模型，配合约 1 万个 Agent 持续搜索 88 小时，并最终通过 Lean 完成形式化证明。
根据 OpenAI 的结果，这套构造能在光滑外力和有限动能条件下，使三维流体演化至局部速度无界。消息发布后迅速引发学界争论：航空航天工程教授 Chris Combs 指出，这并非可直接计算任意流体运动的通用解法，对现有 CFD 工作影响有限；数学界则聚焦于三维光滑解的正则性维持问题，有限时间 blow-up 直接击中了该命题核心。
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，引发了关于研究路线和成果归属的争议。抛开外围纷争，从技术层面拆解，OpenAI 的核心突破在于三个关键环节：首先找到黏性存在下仍能持续收缩的奇点结构；其次将发散残差重新吸收进流体非线性中；最后在多重约束条件下构建出整体闭合的证明架构。
01 OpenAI 与人类数学家的分工
在解读这份百页证明前，需厘清一个关键事实：AI 并未凭空顿悟流体力学终极奥秘，而是暴力加速了人类数学家的灵感。这也是 Tristan Buckmaster 团队对此表示不满的原因。据业内人士透露，OpenAI 可能提前获悉了 Buckmaster 团队的核心解题框架，随后动用内部算力实现“抢跑”。
若从技术视角审视这场竞争，可清晰看到人类顶尖心智与 AI 算力霸权的分工：
人类数学家：负责“搭骨架”与“物理直觉”
Navier-Stokes 方程的难点在于非线性放大与黏性耗散的冲突。人类数学家贡献了核心破局思路，构想了“故意偏离临界尺度”、“高频振荡脉冲”及“剥离局部速度与整体动能”等精妙数学结构。这种需要跳跃性思维的几何与物理直觉，是目前 AI 难以实现的从 0 到 1 的突破。
OpenAI 的万级 Agent：负责“填血肉”与“高维约束搜索”
有了骨架，后续则是繁重的验证工作。证明需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约束。人类数学家需耗费数年试错，而 OpenAI 动用约 1 万个内部 Agent，在 88 小时内穷尽所有分支，从庞杂假设空间中“搜”出了一套能整体闭合的数学构造。
Lean 与 Comparator：负责“防幻觉”的终极锁死
为防止算力给出的答案存在逻辑漏洞，OpenAI 利用形式化工具 Lean 将庞大证明钉死在逻辑系统中，确保 Agent 在探索过程中未篡改原始命题条件。
02 奇点构造的关键：故意偏离临界尺度
Navier–Stokes 方程的复杂性在于，非线性放大和黏性耗散会随尺度缩小而同时增强。涡量拉伸将流动压向更细结构，而黏性对这些高频结构作用更强。若强度关系稍有偏差，奇点便会被耗散抹平，或导致能量与压力失控。
OpenAI 的策略并非寻找旋转更快的流场，而是设计一套各向异性的自相似尺度。其从轴对称带旋流的涡核出发，在接近奇点时，涡核径向快速收缩，轴向收缩稍慢，使核心逐渐变为细长的旋转流体柱。径向流推动旋转加速，不可压缩条件迫使流体沿轴向排出，形成持续运转的动力结构。
关键在于，OpenAI 引入了一个微小的指数偏置，使三个方向不按同一尺度变化。这一偏置解决了速度发散与有限动能的冲突：随着奇点逼近，局部速度虽趋向无界，但高速区域的空间体积缩小更快，从而控制整体动能。换言之，奇点是被压缩进更小核心区域，而非整个流场暴烈化。
此外，该偏置重新安排了黏性的作用方向：径向维持输运与扩散的竞争，角向惯性作用增强，轴向扩散退居次席。这使得黏性未被排除，而是被限制在特定方向以稳定结构，同时为旋转和拉伸留出增长空间。
然而，制造奇点仅是第一步。内部结构与外部平滑流场连接时会产生动量失衡，若误差随奇点发散，构造即不成立。因此，必须让奇点留下的误差具备可修正结构。
03 真正困难的是残差处理
OpenAI 将内部自相似涡核接入由黏性扩散控制的外部流场，两者间留有环形过渡区，动量残差集中于此。若直接将残差定义为外力，外力可能随奇点临近而失控。证明需完成苛刻转换：将外力承担的误差转化为流体内部细尺度运动产生的动量输运。
这正是高频振荡脉冲的作用所在。这些脉冲平均速度极小，不改变背景流，但通过 Navier–Stokes 的非线性二次耦合，细尺度速度相互作用后可留下稳定的平均动量通量（雷诺应力）。系统先计算背景流缺失的动量输运方向，再反向设计振荡，使其生成对应的有效应力。
问题随之转变为“能否合成所需方向的应力”。不同振荡模式制造的动量通量比例受限，几类波形组合仅能覆盖特定应力锥。若目标残差落在锥体外，增加振幅无效，因缺失的是方向而非强度。
为此，OpenAI 利用小振幅、高频率的径向微扰调整局部剪切。微扰虽弱，但高频放大了导数，显著调整了局部剪切，进而改变振荡脉冲产生的应力方向，使原本落在锥体外的残差重回可实现区域。
但高频调整可能破坏已匹配的径向矩条件，因此系统需加入低频修正以补回整体约束。由此形成明确的多尺度分工：高频结构调整局部导数和剪切方向，低频结构维护整体积分条件和外部匹配。
脉冲的时间演化亦经专门设计：背景剪切先放大脉冲以完成动量输运，随后拉长波长、升高频率，利用增强的黏性耗散自然消除脉冲尾部。黏性在此扮演双重角色：在奇点核心是被重新安排的耗散机制，在高频修正中则是清理脉冲的工具。
接近奇点时，修正会在越来越细的时空尺度上反复进行，层层清除误差，直至剩余外力及其高阶导数能平滑延拓。这要求证明不仅需要一个漂亮的奇点，更需要一种“可被持续修正的奇点”，使背景涡核几何、局部剪切、目标应力和高阶修正从一开始就纳入同一结构体系。
04 万级 Agent 搜索整体闭合构造
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、外部流场、局部剪切、应力锥等变量，且这些变量相互牵制，一处修改往往在后期才暴露代价。
例如，某剖面能形成奇点却导致残余应力超出应力锥；调整剪切可拉回应力方向，却又破坏径向矩；补回矩条件后，外部流场连接又出问题。这是一道高维、非凸的约束设计题。
多 Agent 系统的价值在于同时维持大量候选结构：有的搜索自相似剖面，有的尝试参数范围，有的检查应力方向，有的追踪失败原因。失败不再只是浪费，而是转化为新的约束信息，帮助排除不合适区间。
OpenAI 还将部分 Agent 用于相邻的 Euler 问题（去掉黏性），先单独暴露非线性奇点结构，待突破后再将几何思路迁回 Navier–Stokes 路线，集中资源解决黏性与残差闭合问题。
万级 Agent 并非简单扩大答案数量，而是扩大“可同时存在的数学假设空间”。单个模型推深某条路线，多 Agent 系统让多条路线并行，再通过汇总和算力重分配重组局部有效结构。Navier–Stokes 路线最终产生约 270 万条 Agent 消息和 1300 亿输出 token，大量内容虽未进入最终证明，但承担了参数试验与中间引理搜索。
系统搜索的对象因此从“下一步证明怎么写”扩展为“什么样的数学结构能让这些约束同时成立”。
05 Lean 处理验证风险
当推理轨迹膨胀至百万级，验证成本迅速上升。多尺度构造涉及大量函数空间、边界行为和高阶修正，自然语言推导中若漏掉前提或量词变化，结论可能偏离原命题。
Lean 的作用是将隐藏条件显式拉入形式系统。在形式化阶段，每个变量类型、引理前提及依赖关系必须闭合。Agent 可大胆探索，但最终留下的证明必须能被机器逐步复检。
除证明链闭合外，AI 数学还存在隐蔽风险：系统可能在推导中悄悄弱化原始条件（如更换函数空间、降低外力光滑性要求）。为此，OpenAI 加入 Comparator，用独立形式化的 Navier–Stokes 命题检查目标表述是否对应原始问题。Lean 检查证明链，Comparator 约束命题边界，共同构成大规模 AI 数学搜索的验证出口。
综上，OpenAI 此次工作的技术分量不在于孤立技巧，而在于多层机制的连续咬合：自相似尺度拆分速度发散与有限动能，各向异性结构重排黏性与旋转关系，高频振荡合成雷诺应力并逐层清除残差。万级 Agent 在牵制条件间搜索可行结构，Lean 和 Comparator 则将搜索结果收束至严格证明。
这展示了一套将开放数学问题拆解为构造、搜索、修正和验证环节的研究系统，而不仅仅是一个更擅长做数学的模型。
参考链接：https://openai.com/index/navier-stokes-solution
