财湃新闻 9月8日，OpenAI正式宣布，通过约一万个AI智能体耗时88小时的运算，攻克了悬赏百万美元的千禧年难题之一的纳维-斯托克斯方程存在性与光滑性问题，证明三维流体在平滑外力下会在有限时间内发生奇点爆破。这一成果当时在全球数学界引发广泛关注，其166页的证明文件也同步对外公开。在成果发布之初，外界普遍认为这份证明沿用了西班牙数学家提出的利用外力推动流体进入极端状态的研究路线，由于相关研究的推进时间高度接近，这一认知直接引发了OpenAI与相关人类数学家之间关于研究原创性和成果归属的公开争议。

　　随着后续数学专家团队对这份证明的深入梳理，此前的普遍认知正在被逐步修正。越来越多的细节显示，OpenAI最终完成的证明中，构造外力的具体方式与此前外界所认为的西班牙数学家研究路线存在本质区别，二者的相似性仅停留在表面层面。这一发现也让整个事件的走向变得更加出乎学界的预料，AI在前沿数学研究中展现出的自主探索能力，开始呈现出此前人类研究者未曾完全预判的形态。

证明路径的真实脉络逐步厘清

　　据科学美国人报道，数学专家团队经过长时间的深入研究后确认，OpenAI最终完成的纳维-斯托克斯方程证明，其构造外力的核心方式与此前外界推测的西班牙数学家研究路线完全不同。相关研究细节显示，在项目推进的早期阶段，OpenAI使用小规模智能体生成的中间证明内容，确实有可能沿用了西班牙数学家提出的研究路线，但当研究团队将智能体规模扩大到约一万个之后，整个AI系统在自主探索过程中自行找到了一条全新的证明路径，最终产出的完整证明已经脱离了最初的参考路线。

　　此前引发广泛争议的原创性相关讨论，其核心来源正是发布初期的信息偏差。在OpenAI对外发布成果公告时，其自身也并未完全理解AI模型最终生成的证明所采用的具体方法，甚至在公告中对模型的方法做出了错误的描述。这份由AI生成的166页证明内容逻辑极为复杂，即便对于顶尖的数学专家而言，通读和梳理其中的细节也存在极高的门槛，直到外部数学家花费一个多月的时间逐段深入研究，才逐步揭开了这份证明背后的真实生成脉络。

　　两份研究路径的相似之处仅在于，二者都利用了克莱数学研究所给出的纳维-斯托克斯问题官方表述中的同一处规则空间，即允许研究者通过构造一种特殊的非物理外力，精准地搅动流体以诱使方程出现爆破现象。但在具体构造这种非自然外力的核心环节，OpenAI的AI系统走出了完全独立的路径，与西班牙数学家提出的原有方案不存在核心层面的继承关系，此前外界对两份研究方法相似性的判断，仅仅停留在最表层的框架层面。

AI生成证明的理解困境显现

　　目前，OpenAI提交的这份纳维-斯托克斯方程证明已经通过了Lean形式化代码验证，从逻辑层面确认了推导链条的完全成立，但这一验证结果并不等同于人类已经完全理解了这份证明中蕴含的数学思想。形式化代码验证的作用仅能确认每一步逻辑推导不存在矛盾和错误，却无法解释这套证明方法为何能够生效，也无法梳理出它与过往其他相关数学研究之间的内在关联。

　　参与研究梳理的数学专家表示，目前他们仍然需要借助其他大模型的辅助，才能逐步拆解和梳理这份166页证明中的复杂逻辑链条，将AI生成的晦涩论证转化为人类数学家能够理解的常规数学表达。即便已经投入大量顶尖专家的精力，距离学界完全吃透这份证明的全部核心思想，仍然还有相当长的距离。这种开发者自身都无法完全理解AI产出成果的情况，也让前沿数学研究领域首次直面“黑箱证明”带来的全新挑战。

　　这种AI生成的证明已经完全超出了常规人类数学研究的产出形态。过往人类数学家完成的重要证明，往往会附带清晰的思路阐释、方法溯源和逻辑脉络说明，同行研究者可以顺着作者给出的线索快速理解核心创新点。但AI生成的这份证明，其推导过程完全是智能体在海量并行探索中逐步拼接形成的，没有任何预先设定的思路框架，人类研究者只能从最终的结果倒推其生成路径，这也大幅提升了理解和消化的难度。

AI数学产出速度远超人类消化能力

　　在发布纳维-斯托克斯方程证明之后，OpenAI又公开了涵盖数百项数学研究的722篇手稿，这些手稿的内容覆盖了一系列重大数学问题，其中不少成果的学术分量在传统学术评价体系中都足以支撑顶尖数学家获得重要奖项。这一集中发布的行为，让整个数学界清晰感知到AI生成全新数学证明的速度，已经远远超过了人类理解和消化这些成果的速度。

　　过往人类数学界产出同等量级的重大研究成果，往往需要全球顶尖数学家耗费数年甚至数十年的时间逐步推进，每一项成果发布后，学界都有充足的时间进行同行评审、讨论验证、梳理关联，最终将新的数学思想融入整个学科的知识体系中。但AI的介入彻底打破了这一延续数百年的研究节奏，海量的全新证明在短时间内集中涌现，全球范围内能够处理这些前沿问题的顶尖数学专家数量，已经完全跟不上AI的产出速度。

　　不少数学家表示，当前数学界正在面对一种前所未有的局面：大量逻辑上已经通过验证的全新数学结论摆在面前，但没有足够的人力去逐一拆解其背后的思想、确认其创新价值、梳理其与过往研究的关联，更无法将这些新成果转化为可以进入教学体系、支撑后续研究的通用知识。这种“产出过剩、理解不足”的新状态，也正在倒逼整个数学界重新思考基础研究的推进模式，探索如何在AI高速产出的背景下，守住以人类理解为核心的学科发展逻辑。

(编辑：付健)