OpenAI 万级 Agent 并行推理：拆解 Navier-Stokes 奇点构造的技术闭环

事件概述

9 月 8 日，OpenAI 公布了一项针对 Navier-Stokes（纳维-斯托克斯）方程千禧年问题的研究成果。该研究提出了一种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（即有限时间 blow-up）的构造方法。整个流程由一个仍在训练的内部模型驱动，配合约 1 万个 Agent 持续搜索 88 小时，最终使用形式化证明工具 Lean 完成验证。

尽管消息引发学术界关于“抢跑”及贡献归属的争议，但从技术层面看，这展示了一套完整的 AI 辅助数学研究范式：构造、修正与验证的闭环。

核心信息：人机分工与技术细节

1. 人类与 AI 的协作边界

• 人类数学家（如 Tristan Buckmaster 团队）：负责提供核心解题思路与物理直觉。Navier-Stokes 方程的难点在于非线性放大与黏性耗散的冲突，人类数学家提出了“故意偏离临界尺度”、“高频振荡脉冲”等关键数学结构构想。
• OpenAI Agent 系统：负责在高维非凸约束空间中进行搜索。面对自相似尺度、局部剪切、应力锥等数十个互相牵制的条件，Agent 系统在短时间内穷尽分支，找到了能够整体闭合的数学构造。
• 形式化工具：负责确保逻辑严密性，防止幻觉和命题篡改。

2. 奇点构造的关键机制

• 各向异性自相似尺度：不同于同比例收缩，该构造引入指数偏置，使径向快速收缩而轴向收缩较慢，形成细长的旋转流体柱。这种设计解决了速度发散与有限动能之间的冲突，将暴烈能量压缩进更小的核心区域。
• 黏性的重新安排：通过偏置调整，黏性在径向承担输运与扩散作用，而在角向旋转中惯性作用增强，轴向扩散退居次位。这使得黏性未被排除，而是被限制在特定方向以稳定结构。

3. 残差处理与多尺度修正

• 动量残差的转化：内部奇点结构与外部平滑流场连接时产生动量失衡。研究通过设计平均速度很小但具有二次耦合效应的高频振荡脉冲，生成雷诺应力，将原本需由外力承担的误差转化为流体内部的动量输运。
• 应力锥与剪切调节：振荡模式产生的动量通量受限于特定的“应力锥”。若目标残差超出此范围，系统通过小振幅、高频率的径向微扰调整局部剪切，改变应力方向，使目标残差回归可实现区域。
• 多尺度分工：高频结构负责调整局部导数和剪切方向，低频结构负责维护整体积分条件和外部匹配。黏性在此过程中既作为耗散机制，也作为清理脉冲尾部的工具。

4. 万级 Agent 的搜索策略

• 并行假设空间：系统同时维持大量候选结构，不同 Agent 分别负责剖面搜索、参数测试、引理检查等。失败的路径转化为约束信息，帮助排除不合适的参数区间。
• 资源动态分配：部分 Agent 先在去除了黏性的 Euler 方程上暴露非线性奇点结构，随后将几何思路迁移回 Navier-Stokes 路线，集中算力解决黏性与残差闭合问题。
• 规模数据：Navier-Stokes 路线共产生约 270 万条 Agent 消息和 1300 亿输出 token，大部分内容用于参数试验和中间引理搜索，而非直接进入最终证明。

5. 验证风险的控制

• Lean 形式化：将所有变量类型、引理前提和依赖关系显式拉入形式系统，确保每一步推导可被机器重新检查。
• Comparator 约束：为防止 AI 在推导中悄悄弱化原始条件（如降低光滑性要求），OpenAI 引入独立的 Comparator 模块，用形式化的 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，共同构成验证出口。

值得关注

此次研究的核心价值不仅在于具体的数学构造，更在于展示了一种将开放数学问题拆解为“构造、搜索、修正、验证”环节的研究系统。它证明了在处理高维、非凸且变量高度耦合的复杂数学问题时，大规模并行 Agent 搜索结合形式化验证，能够有效扩展人类的数学探索能力。