OpenAI千禧年难题突破争议:纳维-斯托克斯证明背后的数据与署名博弈,霍奇猜想或为下一目标
2026/09/11 09:46阅读量 3
OpenAI在宣布攻克纳维-斯托克斯方程后,面临来自纽约大学数学家Tristan Buckmaster的激烈争议,核心矛盾涉及用户数据是否被用于模型训练以及合作条件的不对等。尽管OpenAI澄清7月3日后的用户输入未进入系统,但双方因Anthropic员工参与及署名权问题未能达成一致。与此同时,OpenAI透露已在另一道千禧年大奖难题——霍奇猜想上取得实质性进展,引发业界对AI加速基础科学突破及其伦理影响的关注。
事件概述
近日,围绕OpenAI宣称攻克纳维-斯托克斯(Navier-Stokes)方程连续性的新闻,纽约大学数学家Tristan Buckmaster披露了更多冲突细节。争议焦点从单纯的技术突破延伸至数据使用合规性、合作谈判条件以及学术署名权归属。与此同时,OpenAI进一步透露其在另一道千禧年大奖难题——霍奇猜想(Hodge Conjecture)上也取得了“实质性进展”,显示出AI在解决顶级数学难题上的快速迭代能力。
核心信息
1. 数据使用争议的澄清
针对外界关于用户数据可能辅助模型改进的质疑,OpenAI更新了说法:
- 明确时间线:Buckmaster在过去两个月的Codex提示词绝不可能以任何方式影响内部模型。
- 隔离机制:2024年7月3日之后的任何用户输入,均未进入该研究系统。
- 局限性:这仍是OpenAI单方面的声明,目前尚无公开技术材料供外界独立核查。
2. 合作谈判破裂的细节
《纽约时报》披露了OpenAI研究负责人Sébastien Bubeck与Buckmaster之间的谈判过程,揭示了双方矛盾的深层原因:
- 不当言论:Bubeck曾问Buckmaster“你为什么要毁掉自己的职业生涯?”,并随后承认措辞糟糕并道歉,但否认是威胁。语境是Buckmaster表示若OpenAI公布证明将立即向媒体提出指控,Bubeck意在劝阻其冒险行为。
- 交易条件:OpenAI在完成纳维-斯托克斯证明后,向仅推进到更简单欧拉方程的Buckmaster提供了多种选择:
- Buckmaster先发布欧拉方程成果,OpenAI次日公布纳维-斯托克斯证明。
- Buckmaster担任主要作者,重新整理由OpenAI模型生成的论文。
- 提供充足算力支持Buckmaster继续研究。
- OpenAI建议将100万美元千禧年奖金荣誉归Buckmaster及其合作者(非直接支付,而是公开推荐)。
- 拒绝原因:Buckmaster认为这是“收买”。关键症结在于其合作者Levent Alpöge任职于Anthropic,而OpenAI明确表示不希望Anthropic员工出现在最终论文中,视其为竞争对手公司的介入。Buckmaster主张两家公司应放下竞争共同处理成果,但未被采纳。
3. 学术贡献归属的争议
- 人类智力的角色:Buckmaster强调,核心策略由西班牙数学家Diego Córdoba和Luis Martínez-Zoroa几年前提出,通过外力“踢击”流体逼出奇点。Buckmaster负责设置问题,Alpöge输入Anthropic的Claude模型进行反馈修正。他认为主要的智力功劳应归于提出策略的人类数学家。
- AI的效率:OpenAI调动上万个Agent,将原本可能需要十年才能走完的研究路径压缩至几天。这种“前人铺路+AI冲刺”的模式引发了关于突破究竟算谁的伦理讨论。
4. 下一目标:霍奇猜想
- 进展状态:OpenAI确认在霍奇猜想上取得实质性进展,正准备公布结果。此前有传闻称OpenAI攻克的可能是霍奇猜想而非纳维-斯托克斯方程,现得到间接印证。
- 霍奇猜想简介:该猜想连接拓扑学(高维空间的“洞”)与代数几何(多项式方程构成的几何形状),认为特定复杂几何空间中不可见的拓扑特征背后存在可方程化的几何结构。它是七大千禧年大奖难题之一。
- 技术细节:挑战该猜想的内部模型代号可能为“Aeon”,自8月28日开始训练,数学能力显著超过GPT-6 Astra。该系统由上万个Agent组成,在纳维-斯托克斯项目中产生了490万条Agent消息和约3000亿个输出Token,仅该题就动用了约1万个并行Agent,耗时88小时找到解法,随后由GPT-6 Astra花费17小时完成形式化验证。
值得关注
- AI竞赛升级:OpenAI与Anthropic已将千禧年难题视为测试集,这场“刷题竞赛”不仅关乎技术实力,更涉及学术伦理和数据主权。许多困扰人类数十年的数学问题可能被快速推进,但也可能导致人类研究者被边缘化。
- 审查压力:纳维-斯托克斯方程的证明仍在接受数学界审查,若最终通过,将是继庞加莱猜想后又一重大突破,但也需面对严格的同行评议挑战。
- 行业影响:此类高强度、短周期的AI解题模式,可能重塑基础科学研究范式,迫使学术界重新思考人机协作中的贡献认定与利益分配机制。
