万代协作与1300亿Token：OpenAI流体难题证明意味着什么

一场动用上万并发智能体与形式化验证的数学探索，不仅触及连续介质力学的百年疑云，更展现了机器科研组织的全新形态。

2026年9月8日，OpenAI 公布了一份引发全球数学与人工智能界震动的成果：其内部系统在约 88 小时内完成了一份长达 166 页的论文，声称构造出了三维不可压缩 Navier–Stokes 方程的有限时间奇异性证明，并随后由公开模型完成了 Lean 4 形式化验证 [1][2]。

这项工作声称确立了克雷数学研究所（Clay Mathematics Institute）千禧年大奖问题中关于 Navier–Stokes 方程的 C 与 D 两个对立命题 [1][3]。尽管 OpenAI 明确表示无意申领百万美元奖金，且该成果最终是否成立仍需经受全球数学界的严格审查与同行评议，但其背后的探索过程已经向世人展示了一种前所未有的科研范式 [1]。

在这场持续数天的计算中，系统动用了约一万个并发智能体，产生超过 270 万条消息与 1300 亿输出 Token [1]。当庞大的计算预算、多路线协同与严格的形式化验证在世界级数学难题上交汇，它所揭示的不仅是流体力学方程的深层性质，更是人类组织机器进行前沿科学探索的全新可能。

01｜百年悬案：光滑性、粘性耗散与动能控制的边界

在经典物理学与偏微分方程的世界中，描述流体运动的 Navier–Stokes 方程始终居于核心地位。自十九世纪法国工程师纳维与英国物理学家斯托克斯提出这组方程以来，人类用它模拟气流、洋流乃至星际等离子体。然而，在纯粹数学层面，一个根本性的疑问悬而未决已有近两个世纪：在三维空间中，遵循牛顿粘性定律且不可压缩的流体，从极其光滑的初始状态出发，其运动状态是否能永久保持光滑？

克雷数学研究所在设立千禧年大奖问题时，为 Navier–Stokes 方程设定了极其清晰的判定标准 [3]。官方表述主要分为两组：命题 A 与 B 要求证明在没有外力输入的情况下，所有物理上合理的初始光滑速度场均能产生全局存在的光滑解；而命题 C 与 D 则允许引入满足特定光滑与衰减条件的外力，要求构造出在有限时间内失去光滑性的反例 [3]。只要数学家完整确立其中任意一种情形，即可视为对该问题的解决 [3]。

这个问题的核心困难在于非线性对流项与粘性耗散项之间的微妙博弈。在三维空间中，速度梯度的自放大效应可能导致涡旋急剧拉伸，使得局部速度梯度与涡量在极小区域内迅速飙升；与此同时，粘性项 ν ∇²u 试图通过能量耗散平滑这些剧烈波动。经典偏微分方程理论能够证明总动能（即速度的 L² 范数）受到物理守恒律的严格控制，但控制整体能量并不自动意味着能阻止局部速度（L^∞ 范数）在某一点冲向无穷大 [2]。这种宏观能量有限与微观局部集中之间的断层，正是困扰历代分析学家的深渊。

02｜构造性突破：当光滑外力遇上极速收缩的漩涡

根据 OpenAI 公布的 166 页论文，其构造的核心结论被表述为定理 1.1 [2]。对于任意正的运动粘度 ν > 0，研究团队构造出了一个在空间与时间上均高度光滑且具有紧支撑的外力场 f(x,t) [2]。系统从完全静止的初始状态（初速度为零）出发，在时间区间 t ∈ [0, 1) 上演化出一个经典光滑解；随着时间 t 趋近于 1，系统的总动能（L² 范数）始终保持一致有界，而空间最大速度（L^∞ 范数）的极大极限却发散至无穷大 [2]。紧支撑的性质同时允许将该结论移植到三维周期环面上，从而声称确立了克雷问题中的 C 与 D [1][2][3]。

理解这一构造的关键，在于区分局部速度发散与整体能量爆炸。许多人直觉上会认为速度无限意味着需要无穷大的能量，但数学上的积分性质允许一种极其剧烈的能量集中：只要速度极高的区域体积收缩得足够快，整体动能对空间的积分就可以始终维持在一个有限常数之内 [2]。这就像在平原上隆起一座山峰，当山峰高度趋向无限时，只要它的底座以更快的速度急剧变窄，整座山所包含的土石总体积依然是有限的。

在具体的动力学几何设计上，证明依赖于一种精心设计的局部不可压缩涡旋流机制 [1]。流体一方面向轴心做向内螺旋收缩，另一方面沿轴向剧烈拉伸，使得中心区域的旋转角速度急剧攀升 [1]。在 OpenAI 公布的示意图中，橙色区域代表旋转角速度更快的核心层，青色区域代表相对较慢的外围层，而实际线速度则取决于半径与角速度的乘积 [1]。需要强调的是，这里的颜色仅用于指示旋转角速度的快慢差异，绝非表示物理温度，该示意图也仅是展现构造直觉的模型，不能替代严格的解析证明或物理实验 [1]。

更为精妙的数学平衡在于外力的光滑性控制。在奇点形成的极限过程中，流体内部的惯性对流项、压力梯度项、输运项以及粘性耗散项本身都会变得极其巨大，但通过严格的几何对称性与微扰分析，这些剧烈膨胀的高阶项在方程内部实现了近乎完美的精确抵消 [1]。最终，维持这一极端流动所需要施加的外部驱动力 f 依然是一个处处光滑、衰减良好的常规力场，而非靠人为输入奇异外力来制造无限速度 [1][2]。

这一结果如果被数学界最终确认，其物理与数学意义同样深远。它并不意味着无外力情形（A/B 命题）被解决，更不意味着日常所见的真实水流会发生速度爆炸，因为在极端微观尺度下，分子离散性早已打破了连续介质假设；它真正揭示的是 Navier–Stokes 偏微分方程体系自身的数学边界 [1][2]。

图 1｜OpenAI 原网页涡旋示意：流线向内螺旋收缩，同时沿轴向拉伸；橙色表示较快的角旋转，青色表示较慢的角旋转，线速度还取决于半径。此图用于解释局部不可压缩运动。来源：[1]。

03｜88小时与17小时：从欧拉反例到万代理协同演进

如果说 166 页的数学解析展现了深厚精密的分析技巧，那么孕育这一成果的计算历程则勾勒出工业化探索的清晰脉络 [1][2]。2026 年 9 月 1 日，OpenAI 团队在获悉相关数学难题传闻后，决定调动处于持续训练中、能力显著超越公开发布版 GPT-6 Astra 的内部前沿模型，对包括千禧年难题在内的一组经典基础数学问题发起探索 [1]。

最初的算力布局并未全盘押注 Navier–Stokes 方程，而是将任务细分后分派给多个具备独立工作空间、通信机制与隔离监控的智能体小组 [1]。关键的转折点在首批智能体启动约 50 小时后出现：一个由约 100 个智能体组成的小组率先取得突破，成功在无外力作用的三维不可压缩 Euler 方程上完成了有限时间奇点构造的完整证明 [1]。

无外力 Euler 方程的奇点构造为理解粘性流体行为提供了决定性的数学直觉与技术跳板 [1]。人类研究者在捕捉到这一突破后迅速定下转向策略，将计算资源集中调配至 Navier–Stokes 方程；随后把 Euler 成果提炼为后续提示输入系统，并借助 Codex 整合各小组产生的有价值中间发现，统一重新分发给各个攻坚集群 [1]。

在资源重配与模型检查点迭代推进下，攻坚 Navier–Stokes 方程的小组扩展到了约一万个并发智能体 [1]。从首批智能体启动算起，历时整整 88 个小时，系统最终收敛并生成了 Navier–Stokes 奇点构造的完整解析文本 [1]。随后，团队另行调用公开的 GPT-6 Astra 模型，耗时约 17 个小时完成了论文核心推导在 Lean 4 中的形式化定理编写与机器验证 [1][4]。发现证明所依托的更强内部模型，与负责形式化验证的公开模型在角色与能力上有着明确分野，属于界限分明的两个独立阶段 [1]。

04｜机器科研组织：人类决策与多路径探索的交响

审视这 88 小时的攻坚过程，最值得深思的并非单纯的计算规模，而是科研组织形态的深刻蜕变。长久以来，数学研究往往被视作个体英雄主义的殿堂，依赖个别天才学者数年甚至数十年的深居简出与灵光乍现。然而，OpenAI 公布的案例表明，当模型推理能力跨过某一门槛后，科学探索可以通过高度并行的机器协作网络转化为一种结构化的探索工程 [1]。

这种探索绝非一万个智能体对同一提示词的简单机械重复。在系统的运行设计中，不同小组被赋予了截然不同的探索路线：有的组尝试正面证明正则性，有的组专注于构造对称性破缺的反例，还有的组在简化模型与渐近分析中寻找反例雏形 [1]。在各组独立探索的同时，系统通过 Codex 对各分支产生的庞杂中间推导进行有效提炼、去重与模式沉淀，将具有价值的引理与失败路线的排除结论跨组交叉共享，从而避免了数万节点陷入局部最优或重复试错的陷阱 [1]。

更重要的是，这一过程清晰地勾勒出了未来人类科学家与机器科研系统的新型分工。所谓自动化科研绝不等于人类的完全离场与被动旁观。在整个流程中，正是人类研究员依据对数学全局的敏锐洞察，在 Euler 反例浮现的关键节点果断介入，实施了资源重配、路线裁决与提示引导 [1]。人类在这个体系中扮演了科研指挥官的角色，负责定义最高目标、识别关键信号、调配计算预算并把控最终价值走向。

05｜Lean4形式化：推导机器与人类审视的分工

在现代数学日益繁复的背景下，长达数百页的复杂分析学论文往往需要同行评审花费数月乃至数年时间逐行核对。为了加速学术互信并提供可复核凭据，OpenAI 同步公开了包含完整形式化代码的 GitHub 仓库，涵盖 Navier–Stokes 与 Euler 结果的 Lean 4 形式化代码、Mathlib 依赖、Lake 构建配置以及用于独立核验的 Comparator 入口 [1][4]。

交互式定理证明器 Lean 4 在此展现了其独特的工具价值：它通过严格的形式化类型系统与推导规则，对证明中的每一步逻辑演进、代数变形与积分估计进行毫无遗漏的句法级检查 [4]。形式化验证确保了论文内部不存在逻辑跳步、符号笔误或未经证明的中间断言，将传统同行评审中耗时最巨的微观算术审查降解为计算机可在数小时内完成的自动化判定。

然而，必须保持清醒的是，Lean 4 的通过绝不等于数学界审查的终结，更不意味着可以绕过人类学术共同体的语义判断[4]。交互式证明内核只能保证在形式系统内逻辑成立，但它无法自行验证形式化定义是否完全等价于克雷研究所官方题目的原始数学意图，也无法判断所构造的物理模型与边界条件是否具备真正的分析学价值 [3][4]。形式化工具承担了繁琐的逻辑检查分工，而对数学概念的真理性、深刻性与学术共识的裁决，终究仍属于人类数学界。

06｜1300亿Token的账本：工业化探索的能力边界

OpenAI 公布的一组精确数字，为我们描绘了这场前沿科学探索的真实计算账本：在整个探索周期内，系统针对所有尝试问题的交互总量达到了 490 万条智能体消息与约 3000 亿输出 Token；其中仅 Navier–Stokes 方程的攻坚过程，就消耗了 270 万条消息与约 1300 亿输出 Token [1]。

将最终浓缩为 166 页的精炼论文与这 1300 亿 Token 的搜索轨迹相对照，我们会得到一个极具冲击力的认识：那篇排版工整的学术论文，实际上是机器在浩瀚数学假设空间中穿梭、试错、沉淀后留下的高密度压缩摘要[1][2]。在这 1300 亿 Token 的庞大足迹中，绝大多数内容由失败的构造尝试、证伪的辅助假设、被舍弃的分支引理以及智能体之间的协作协调信息构成，正是这些海量的负结果与局部探索构成了通向最终解的坚实基座。

这一事实在展示前沿模型强大探索潜力的同时，也划定了当前技术范式的客观边界。1300 亿 Token 的单题消耗证明了大规模算力与智能体协作击穿世界级难题的可能性，但这并不自动等同于日常科研场景下的普适性价比。对于普通高校实验室或青年学者而言，这种级别的计算开销绝非个人预算所能承受。它标志着前沿理论探索正在向依托大型计算基础设施的工业化科研演进，同时也促使学界思考如何在更受限的资源约束下提炼出高效、轻量的探索机制。

07｜学术回响与未来图景：探索范式转移的真正起点

在这一重磅成果公布的前后，学术界也涌现出了一系列相关进展与讨论。近期，数学家 Levent Alpöge 与 Tristan Buckmaster 借助 Anthropic 的内部前沿模型，在有外力作用的三维 Euler 方程奇异性构造上取得了重要突破；对此，OpenAI 在官方声明中明确承认了对方该项工作的优先性，并指出自身团队所得出的 Euler 成果属于无外力作用的独立版本 [1]。同时，针对社区关切，OpenAI 在随后的补充披露中说明，经内部调查确认，Buckmaster 此前两个月在 Codex 平台的交互记录并未对本次 Navier–Stokes 系统的探索乃至模型训练产生实质影响 [1]。

这种基于公开证据、严谨披露与客观溯源的学术交流，正是一个健康的科学共同体在面对新技术冲击时所应具备的成熟姿态。OpenAI 公布的成果如今已经完整摆在全世界数学家的案头，无论是 166 页的手写分析论文，还是公开透明的形式化代码仓库，都在等待国际同行最严苛的检验 [1][2][4]。在经历漫长而严谨的数学界独立审查之前，保持审慎的期待是对科学探索最基本的敬畏。

放眼未来，无论这一具体证明最终的审查结论如何，2026 年初秋的这场计算探索都已在科学史上刻下了不可磨灭的印记。它向全人类清晰地展示了一条从前未有的科研演进道路：当人类的战略直觉、大规模智能体的并行探索以及形式化验证系统的严谨裁决紧密咬合在一起时，人类认知边界的拓宽速度将被推向全新的量级。

从牛顿时代的孤灯手稿，到近代的跨国实验室大科学协作，人类探索未知的工具与形态从未停止演进。Navier–Stokes 方程的探索过程表明，科学研究正在从单一模型的智力比拼，升华为对大规模探索路径的协同与驾驭。

机器并未消解人类的价值，反而将人类从繁重细碎的推导泥潭中解放出来，去履行更具决定性的使命——提出最深刻的问题、确立最严谨的真理标准，并在机器探索的茫茫星海中辨认出真正属于文明的灯塔。

资料来源

[1] OpenAI 发布与 9 月 10 日更新
https://openai.com/index/navier-stokes-solution/

[2] 论文：Finite time blowup for Navier–Stokes
https://cdn.openai.com/pdf/32d9f210-8b73-45e0-91bc-82a30aef8a9a/navier-stokes.pdf

[3] Clay 数学研究所：官方问题表述
https://www.claymath.org/wp-content/uploads/2022/06/navierstokes.pdf

[4] OpenAI：Lean 形式化仓库
https://github.com/openai/NavierStokesAndEuler