一份 166 页的论文，一台机器，88 小时。
2026 年 9 月 8 日，OpenAI 宣布，其内部 AI 系统攻克了数学界悬而未决近 90 年的纳维-斯托克斯存在性与光滑性问题——七大“千禧年大奖难题”之一。论文同步上传，Lean 形式化验证仓库同步开源，克雷数学研究所 100 万美元奖金被明确放弃。
但数学界没有鼓掌。
纽约大学数学家特里斯坦·巴克马斯特（Tristan Buckmaster）质疑 OpenAI 的研究路线来源，菲尔兹奖得主陶哲轩警告“好问题正在变成稀缺资源”，更多学者盯着一个更根本的问题：这份被机器验证过的证明，真的击中了那道题吗？
88 小时与 100 万美元
OpenAI 在官方博客中披露了这场冲刺的时间线。8 月 28 日，公司开始训练一个“能力远超 GPT-6 Astra”的内部模型。9 月 1 日，团队听到“两个千禧年难题已被解决”的传言，随即把资源集中到开放问题上。9 月 5 日，系统得到解答，距首批智能体启动约 88 小时。9 月 6 日，GPT-6 Astra 用额外 17 小时完成 Lean 形式化与验证。
规模同样惊人。约 1 万个并发 AI 智能体参与攻关，仅在纳维-斯托克斯问题上就发送约 270 万条消息、消耗约 1300 亿个输出 token；全部尝试问题合计约 490 万条消息、约 3000 亿输出 token。OpenAI 研究员诺姆·布朗称这是一个“非常昂贵的过程”，算力成本在数百万美元量级。
作为对比，纽约大学的巴克马斯特与 Anthropic 的莱文特·阿尔珀格（Levent Alpöge）为相关方向投入了约一年时间，使用 Claude、Codex 等工具逐步推进，先后解决不可压缩多孔介质方程、二维 Boussinesq 方程和三维不可压缩欧拉方程的有限时间爆破问题，全部通过 Lean 验证，9 月 7 日晚才公开发布。
一边是 88 小时、1 万个智能体、数百万美元；一边是近一年、两个人、少量 AI 辅助。两种节奏撞在一起，争议随之爆发。
证明击中的，是哪一道题？
纳维-斯托克斯方程用牛顿第二定律描述水、空气等流体的运动，是飞机设计、天气预报、血液流动研究的基础工具。1934 年，法国数学家让·勒雷（Jean Leray）证明广义解存在，但“解是否始终平滑”成为核心未解问题。2000 年，克雷数学研究所将其列为七大千禧年大奖难题之一。
官方表述由普林斯顿高等研究院的查尔斯·费弗曼（Charles Fefferman）撰写，分为两种情形：一种要求外力为零，另一种允许施加光滑外力。OpenAI 的证明构造了一个初始平滑、静止的流体，在光滑外力作用下，局部速度在有限时间内变得无界，总能量保持有限——对应官方表述中的 C 项和 D 项，即“带外力情形”。
这正是争议的第一个焦点。塔夫茨大学校报《The Tufts Daily》指出，OpenAI 的结果并未关闭整个问题，因为费弗曼表述中仍有一种情形是外力为零，而“没有任何东西推动的流体行为”仍是开放问题。《Scientific American》的标题更为直接：“OpenAI 解的是不是错的那道纳维-斯托克斯问题？”
OpenAI 对此并不回避。公司在博客中承认，技术挑战在于让方程通过流体自身的运动产生爆破，而不是人为注入无限大的力。论文描述的解是一个向内螺旋、轴向拉伸的涡旋，“像意大利面”——中心区域不断缩小、加速，但能量始终有限。
换句话说，OpenAI 证明的是“在特定外力构造下，方程会失效”，而非“所有情形下方程都会失效”。这足以满足千禧年题目的 C、D 选项，却与公众想象中的“彻底攻克流体力学基石”存在落差。
路线之争，谁的思路？
比题目边界更尖锐的，是研究路线的来源。
OpenAI 论文初版没有引用西班牙数学家迭戈·科尔多瓦（Diego Córdoba）与路易斯·马丁内斯-索罗阿（Luis Martínez-Zoroa）的工作。这两人在过去几年专注于纳维-斯托克斯方程的一个细分方向，提出用特定构造的外力触发爆破的方法，被学界视为通往最终证明的关键路径。巴克马斯特公开批评这一疏漏后，OpenAI 在 166 页的更新版本中补上了引用。
更深的矛盾在时间线上。OpenAI 承认，9 月 1 日听到传言后才启动攻关，而传言正指向巴克马斯特与阿尔珀格的研究。两人合作约一年，方向与 OpenAI 最终发表的证明高度相关。OpenAI 强调双方证明存在“显著差异”：在欧拉方程情形，巴克马斯特与阿尔珀格证明的是带外力结果，而 OpenAI 的智能体独立解决了无外力版本；在纳维-斯托克斯情形，OpenAI 针对带光滑外力情形。
但方法原创性的质疑并未消散。维基百科“纳维-斯托克斯优先权争议”条目记录，莱比锡大学教授安德烈亚斯·托姆（Andreas Thom）指出 OpenAI 与数学界之间存在“未回答的透明度问题”，暗示其模型可能“吸走未发表的人类工作并将其呈现为 AI 成果”。路由公司 TrustedRouter 创始人约瑟夫·佩尔拉（Joseph Perla）则直言：“这就是所有实验室每天都在做的事：读你的聊天记录，复制你的想法。”
OpenAI 的调查结论是：巴克马斯特在公告前两个月内的 Codex 提示“不可能以任何方式影响系统，包括训练”。但公司同时留下一个口子：无法排除脱敏的用户数据间接帮助了模型改进。
有参与审查的数学家进一步提出，在这场算力冲刺中，智能体的实际原创贡献可能被高估——有估算认为，真正由模型独立完成的关键推理占比或许不足一成，其余仍依赖人类预设的问题分解与提示工程。这一说法尚未得到独立验证，却恰好击中了 AI 证明最受质疑的软肋：当机器跑得越来越快，人类似乎更难分清，哪些是智能的突破，哪些只是算力的堆叠。
署名、威胁与一场未完成的对话
技术争议之外，一场关于署名与学术规范的冲突在私下对话中升级。
据巴克马斯特公开的说法，OpenAI 曾提出两种协调发布方案：一是两人先公布欧拉方程研究，OpenAI 随后公布纳维-斯托克斯结果；二是在两人欧拉论文发布后，由巴克马斯特单独撰写纳维-斯托克斯论文并注明成果来自 OpenAI 内部模型。巴克马斯特还称，OpenAI 研究员塞巴斯蒂安·布贝克（Sébastien Bubeck）曾两次提议将阿尔珀格排除在纳维-斯托克斯论文之外，理由是阿尔珀格任职于竞争对手 Anthropic。
巴克马斯特表示，当他威胁将公开这些担忧时，布贝克回应：“你为什么要毁掉自己的职业生涯？”随后又说：“如果你不希望我友好，那我也没必要友好。”这段对话被公开后，布贝克否认相关指控，称其“虚假且煽动性”，并表示自己遵循了学术规范。
OpenAI 的版本是：公司在完成自己的研究和 Lean 验证（9 月 6 日）后，才联系巴克马斯特与阿尔珀格，希望协调发布并认可二人在相关欧拉问题上的优先权。公司称，之所以未对阿尔珀格提出同样安排，是因为“他不愿意沟通或协调”。
两种叙述至今未能对齐。而论文署名栏里，作者只有两个字：OpenAI。
Lean 验证过，就等于证明成立吗？
OpenAI 最有力的盾牌，是 Lean 形式化验证。Lean 是一种交互式定理证明语言，能机械检查证明的每一步是否由前一步严格推导而来。OpenAI 公开的 GitHub 仓库标注无“sorry”——Lean 中表示“此处待补证”的占位符，并提供 Comparator 检查入口。
但这面盾牌有裂缝。
Lean 能保证写入的命题与证明相互匹配，却不能替人判断命题是否正好击中千禧年问题的边界，也不能裁决研究路线的来源争议。《The Conversation》的一篇文章记录了学界的震惊：一位资深数学家试图阅读其中一篇论文后表示，如果自己是期刊编辑，“会直接把它扔进垃圾桶”，因为“难以理解到无法审阅”。
这种发布方式被学者们形容为“drop”“dump”“地毯式轰炸”，甚至“数学末日（mathocalypse）”。OpenAI 称发布海量成果是为了“推动数学进一步进展”，但批评者认为，这种方式本身并不利于这一目标的实现——当证明以不可读的方式倾泻而来，同行评议就失去了入口。
曼彻斯特大学数学家托马斯·布卢姆（Thomas Bloom）在 X 平台上的评价相对克制：OpenAI 的成果“确实已经非常接近”纳维-斯托克斯问题，但仍需检查最终细节，并经过同行评议和形式化验证。他同时强调，需要区分“已经证明的内容”与“仍在验证中的部分”。
AI 冲进数学界之后
这场争议的真正重量，不在于一道题是否被解开，而在于它暴露了 AI 时代数学研究的新秩序。
OpenAI 研究员诺姆·布朗将这次突破与 1997 年“深蓝”击败国际象棋世界冠军卡斯帕罗夫、2016 年 AlphaGo 击败李世石相提并论，认为大规模增加测试时计算正在让 AI 进入新阶段。从证据形态看，OpenAI 同时发布论文、Lean 代码和对应题目，确实比“模型说它证明了”高出一个证据等级。
但代价同样清晰。陶哲轩在 Mathstodon 上警告，把纳维-斯托克斯正则性这样历来富有生产力、激励人心的问题，转变为一条仅仅为模型进展打广告的病毒式帖子，代价是巨大的机会成本。他担心的是，好问题正在变成稀缺资源——当最富饶的数学土地被算力机器快速收割，人类数学家靠长期思考积累突破的空间会被压缩。
《Scientific American》引用数学家贡萨洛·曹-拉博拉（Gonzalo Cao-Labora）的话点出了另一种可能：如果 OpenAI 的证明成立，人们或许会反过来反思千禧年题目本身——“我们当初不该把外力放进题目表述里。”
截至发稿，全球数学界仍在审查这份证明。独立同行评审尚未开展，克雷数学研究所未作认定，OpenAI 明确表示不打算申领 100 万美元奖金。
88 小时跑完的证明，可能需要人类用更长的时间来消化。机器能验证逻辑，却验证不了归属；能生成命题，却生成不了共识。当 AI 最先冲垮的不是数学难题、而是人类原有的研究流程时，那道真正待解的方程，或许才刚刚写下一行。
快报