For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/zh-HK/articles/ai-math-after-navier-stokes-justin-solomo-6c97bef7.md.
AI 生成的數學正從基準測試題目走向專業數學家原本預期在更久以後才可能攻克的領域。
AI 生成的數學正從基準測試題目走向專業數學家原本預期在更久以後才可能攻克的領域。
OpenAI 表示，其內部前沿模型已解決數學領域超過 100 個長期未解的開放問題。10 月 6 日，該公司發布了一個公開儲存庫，其中包含按 372 個相關成果家族組織的 722 份手稿，以及證明產物和許多 Lean 形式化內容。
最受矚目的成果更早出現：一個由 AI 生成的 Navier–Stokes 存在性與光滑性問題解法。這是七個千禧年大獎難題之一。
數學界仍在審查這項成果。克雷數學研究所表示，該問題看起來已經被解決，但其正式評估與貢獻歸屬程序將審慎進行。另一方面，OpenAI 表示其無意申領 100 萬美元的千禧年獎。
然而，更令人不安的是另一個問題：
當一個證明可以被形式化檢查，但連受過高度訓練的數學家都覺得證明本身極難理解時，會發生什麼事？
這個問題是 Bloomberg 的 Odd Lots 近期一集節目的核心；MIT 工程教育副院長 Justin Solomon 在節目中討論 AI 如何改變數學研究、驗證、教育與學術誘因。
Bloomberg 的 Odd Lots 與 MIT 的 Justin Solomon 討論 AI 如何改變數學。
這項議題也直接連結到 Terence Tao 在 Caltech 於 2026 年 10 月發表的 Math 2.0 演講。
Tao 的論點不是數學即將終結，而是這個領域正從證明稀缺的時代邁向證明充裕的時代；在這個時代中，產出形式正確的結果可能遠比理解該結果為何重要更便宜。
Navier–Stokes 方程式描述流體運動。
它們出現在以下模型中：
困難的問題在於：光滑的三維解是否必定永遠維持光滑，或是否可能在有限時間內形成奇異點。
OpenAI 在 9 月的成果支持第二種可能性。
該公司表示，其內部系統產出了一個證明，顯示 Navier–Stokes 動力學可以形成有限時間奇異點。
已發布的定理建立了 OpenAI Navier–Stokes 成果中所使用的有限時間爆破解構。
OpenAI 也發布了該證明的 Lean 形式化版本。
這很重要，因為證明助理可以檢查一連串形式化陳述是否能從已編碼的假設中推導而出。
但形式正確性與人類可讀性是不同的屬性。
Solomon 在 Odd Lots 上表示，即使以他的數學背景來看，這篇論文也極難閱讀。他形容自己只讀完前幾頁，便被密集的技術細節壓倒。
他的評價大致是：
播客本身的描述比病毒式流傳的版本更審慎：即使對專業數學家而言，這個證明也難以解析。
這比「沒有人類能夠理解它」更準確。
關鍵轉變在於，形式驗證如今可以比廣泛的人類理解進展得更快。
原始文章將 AI 描述為完成了一個幾乎完全由人類數學家建構的架構中最後百分之一的工作。
這捕捉了既有人類工作十分重要的總體概念，但其歷史比簡單的 99%／1% 劃分更複雜。
OpenAI 的技術說明指出，其代理系統探索了多種方法，並在不同群組之間傳遞有用的中間想法。
該公司也討論了數學家 Levent Alpöge 與 Tristan Buckmaster 對相關 Euler 方程式成果所做的同期工作。
OpenAI 表示，兩個證明存在實質差異，包括對外部強迫項的處理，並表示其調查了近期使用者輸入是否可能影響自身的成果。
該公司的結論是，Buckmaster 在此前兩個月內相關的 Codex 提示，無法影響用於 Navier–Stokes 成果的內部模型。
因此，更審慎的描述是：
這項成果出現在一個人類數學家早已發展出重要周邊思想的領域中；而 OpenAI 的內部系統則產出了一個該公司稱在技術上不同於同期人類工作的全新證明。
這項區別很重要，因為貢獻歸屬正成為 AI 輔助科學中最困難的問題之一。
這個證明不是由單一聊天回覆產生的。
OpenAI 描述的是一個大型多代理研究流程。
該公司表示：
根據 OpenAI 的說法，用於發現證明的內部模型，能力顯著高於 GPT-6 Astra。
因此，該工作流程看起來不像聊天機器人，而更像一項計算式研究計畫：
數千個代理實例
↓
大量平行方法
↓
中間成果在各群組間共享
↓
有潛力的論證被整合
↓
在 Lean 中形式化
↓
人類與社群審查
在數學史的大部分時間裡，一個證明同時扮演兩種角色。
它確立一個定理為真。
它也以數學家能夠研究、簡化、重複利用與教授的形式，解釋了它為何為真。
AI 生成的形式化數學可能將這兩種角色分離。
機器可以產出一個可機械檢查、但對人類而言依然極不愉快的論證。
這會形成三個不同層次：
| 層次 | 核心問題 |
|---|---|
| 形式有效性 | 證明是否能在形式系統中通過檢查？ |
| 人類驗證 | 專家能否有信心地檢視數學論證？ |
| 人類理解 | 人們能否從中萃取概念、機制與可重複使用的洞見？ |
Lean 憑證是形式正確性的強大證據。
但它不會自動產生概念上的解釋。
Solomon 的擔憂是，數學可能愈來愈快地產出答案，而人類卻無法以同等速度將答案轉化為理解。
該構造依賴精心安排的流體行為，其中不同項可以變得極大，同時仍以所需的方式保持平衡。
OpenAI 將局部運動視覺化為向內螺旋與軸向拉伸的組合。
OpenAI 的視覺化呈現了局部不可壓縮流構造中的向內螺旋與軸向拉伸。
這有助於說明為何證明可以有效，卻仍然難以吸收理解。
論證需要對尺度、估計、相互作用項、漸近行為與精心選擇的界限進行廣泛控制。
這與大眾想像中「一個一行的洞見，突然讓整個問題變得明顯」非常不同。
Odd Lots 這集節目也討論了 Uber 共同創辦人 Travis Kalanick，以及他公開談論使用 AI 進行「氛圍物理學」的說法。
這個概念是，使用者無須具備該領域的傳統訓練，也能以對話方式探索先進的科學問題。
「氛圍物理學」的辯論，探討對話式 AI 能將非專業人士帶入先進科學研究多遠。
這突顯出與難以閱讀的形式化證明相反的另一種失敗模式。
在一種情況中，AI 產出的數學可能正確，但技術性太高，以至於大多數人無法理解。
在另一種情況中，AI 讓複雜科學顯得過於容易，以至於非專業人士可能對尚未經嚴格檢驗的想法過度自信。
共同的瓶頸是驗證。
AI 能讓好想法與壞想法看起來都很精緻。
因此，呈現品質正逐漸成為較弱的科學品質訊號。
Terence Tao 在 2026 年 10 月於 Caltech 的 Math 2.0 演講中，更尖銳地提出相同議題。
他請聽眾想像一個先進 AI 收到這樣的指令：
找出一種能通過第三期臨床試驗的癌症療法。
不要犯任何錯誤。
AI 消耗龐大的運算資源，並回傳一組先前未知的化學物質組合。
沒有人完全理解它如何找到這種療法。
然而，AI 不知何故為其預測提供了一份 Lean 憑證，而且該療法通過了第三期臨床試驗。
Tao 詢問：如果沒有人類理解其機制，一種在數學上獲驗證且臨床成功的療法，是否仍會讓人感到安全。
問題不只是這種藥物是否在既定測試下有效。
問題是，該系統是否可能針對以下項目的弱點進行了最佳化：
Tao 接著提出一個更個人的問題。
如果你罹患癌症，而且這種療法已通過形式與臨床檢查，若至少有一位人類癌症專家理解部分機制，你會不會感覺更安心？
或者，至少有一位人類數學家理解用於發現它的模型？
這個思想實驗揭示了一個核心對齊問題：
強大的最佳化能力加上薄弱的人類理解，即使被測量的目標看似已滿足，也可能造成風險。
Tao 更廣泛的論點是，傳統數學是在證明稀缺的假設下發展的。
尋找一個開放問題的正確證明很困難、緩慢、罕見，且依賴專門知識。
AI 改變了這種經濟學。
只要有足夠的運算資源與前沿模型存取權，部分開放問題現在可以被更快地攻克。
Tao 將這種新興狀態稱為證明充裕。
Tao 的 Math 2.0 演講主張，數學正從證明稀缺邁向證明充裕。
但 Tao 明確拒絕了數學即將完成的想法。
他的投影片指出，即使使用大量運算資源，大多數目前的前沿問題仍未解決，數學問題空間依然實際上沒有邊界。
他的擔憂在於誘因。
輸入一句想法，We0 AI 即可生成展示站、頁面與 CMS。發佈上線後並幫你獲取客戶和流量。
用戶註冊贈送一次完整項目生成
適合先體驗一次完整生成流程，快速看到專案初稿。
如果研究者把「解決著名開放問題」當成唯一目標，AI 可能抵達終點，卻繞過了歷來產生以下成果的人類探索：
Tao 將開放問題比喻為燈塔。
價值不僅是碰到燈塔；通往燈塔的路徑還能揭示周圍的地景。
原始文章接著從證明轉向學術出版。
Solomon 認為，研究生態系統已經正經歷同一問題的一種版本。
AI 降低了產出以下內容的成本：
但具備資格的人類審稿者供給，並不會以同樣速度自動擴張。
這造成了一種不對稱：
生成研究的成本
↓↓↓
審查研究的成本
維持高昂
即使一篇強而有力的論文，在周圍內容量爆炸時也可能更難被發現。
原始文章表示，ICLR 從十年前約一、兩千篇投稿，成長到今年的 60,000 篇投稿。
Solomon 的確在播客中使用了 60,000 這個數字。
但會議資料需要補充說明。
對於 ICLR 2026，會議官方回顧報告指出：
在 2026 年稍晚流傳的約 60,000 這一數字，與 ICLR 2027 的註冊／OpenReview 投稿 ID 有關，而非有效論文的最終計數。
獨立分析顯示，OpenReview ID 的最大值高於 62,000，同時明確指出這是上限，而不是最終論文數。
較大的趨勢是真實的——投稿壓力正非常快速地上升——但「ICLR 收到 60,000 篇完成的論文」目前尚不是準確的官方統計。
修正後，更深層的觀點依然成立。
研究者能利用 AI 比人類專家負責任地審查更快地起草工作。
Solomon 描述，他會收到一些人的電子郵件；這些人相信 AI 已發現新的定理，並希望專家加以驗證。
歷來，產出精緻數學工作的困難度本身就是一種部分篩選機制。
這個篩選機制正在削弱。
一個薄弱的論證現在可以帶著以下內容送達：
嚴肅性的表象正在變得廉價。
專家注意力並非如此。
原始文章將論點推得更遠：若前沿數學日益依賴龐大的推論預算，研究能力可能集中於控制最佳模型與最多運算資源的組織。
Solomon 提出了相關擔憂。
大學研究者可能使用商業 AI 系統，在某個問題上取得進展。
但服務提供者可能擁有：
這種不對稱可能重塑大學、獨立研究者與大型科技公司之間的競爭。
資料歸屬也存在問題。
如果研究者透過商業 AI 系統討論想法，對於這些互動如何被儲存或使用，存在哪些保障？
OpenAI 表示，其 Navier–Stokes 系統未受到 Buckmaster 在此前兩個月內相關 Codex 提示的影響。
但更廣泛的歸屬問題仍然存在。
Navier–Stokes 成果讓貢獻歸屬問題變得具體。
潛在貢獻者可能包括：
傳統作者身分慣例並非為這種結構所設計。
克雷數學研究所已承認 Navier–Stokes 問題顯然已被解決，但表示其獎項程序需要時間，並包括評估所完成工作及分配貢獻的規則。
OpenAI 另行表示，其無意申領千禧年獎。
這消除了眼前的一場獎金爭議，但並未解決一般性的作者身分問題。
Solomon 論點的最後部分更為樂觀。
他表示，目前許多 AI 數學工作似乎仍位於數學家所稱的既有知識凸包之內。
模型在以下方面可能極為強大：
較未確立的是，它們能否可靠地創造相當於真正全新數學世界觀的事物。
AI 能否發明下一個重大理論，而不只是解決人類已界定的問題？
它能否辨識下一個值得投入數十年注意力的問題？
Solomon 表示，這些問題仍遠未明朗。
Tao 的 Math 2.0 投影片指出，解決開放問題只是數學中一個顯而易見的部分。
其他有價值的工作包括：
因此，人類數學的未來可能較少取決於成為最快抵達證明的實體，而更取決於決定應在該證明周圍創造何種知識。
在播客接近尾聲時，主持人向 Solomon 提出許多家長與學生正在問的實際問題：
如果 AI 能解決更多數學問題，孩子還應該學數學嗎？
他的答案是肯定的。
原因不是學生需要在符號操作上擊敗前沿模型。
數學教育還訓練人們：
當精緻的答案變得充裕時，這些能力可能更加有價值。
如果答案廉價，判斷就會昂貴。
原始文章最有力的想法，也是最能在仔細事實查核後保留下來的觀點如下。
AI 可以降低產出候選答案的價格。
它可以降低產出候選證明的價格。
它甚至可能降低形式驗證的價格。
但它不會自動降低人類理解的價格。
這形成了新的稀缺資源層級：
候選答案 → 更便宜
形式證明 → 更便宜
精緻論文 → 更便宜
專家審查 → 仍然昂貴
詮釋 → 仍然昂貴
科學判斷 → 仍然昂貴
人類理解 → 仍然昂貴
危險不僅在於 AI 變得更擅長數學。
危險在於社會將機械驗證的輸出誤認為已被充分理解的知識。
機會則在於，人類可以將努力重新導向科學中最難自動化的部分：選擇目標、建立解釋、設計更好的問題、詮釋結果，以及將形式真理與真實世界連結起來。
OpenAI 於 2026 年 9 月發布了一個 AI 生成的解法，顯示有限時間奇異點形成，並公開 Lean 形式化版本。克雷數學研究所表示該問題看起來已被解決，但其正式評估與貢獻歸屬程序正在審慎進行。
沒有。OpenAI 明確表示其無意申領該獎項。克雷數學研究所尚未完成其正式認可程序。
OpenAI 的公開數學儲存庫包含按 372 個相關成果家族組織的 722 份手稿。該公司表示，這項發布來自涵蓋約 4,000 個問題的更廣泛評估，因此「722 份手稿」不應被誤解為 722 項完全彼此無關的突破。
Solomon 在 Bloomberg 的 Odd Lots 上表示，這篇論文極難閱讀，而且他無法讀過前幾頁。他形容該證明技術性極高且很可能正確，但並不特別優雅。
Math 2.0 是 Tao 對 AI 驅動證明充裕時代的數學框架。他主張該領域應更重視人類理解、解釋、實驗、形式函式庫與 AI 的有效運用，而不是盲目地為著名開放問題進行最佳化。
不是。Lean 可以檢查一個形式化證明在其形式系統內是否有效，但它不會自動提供人類友善的解釋、確立科學重要性，或說明這些想法如何安全地轉移到現實世界應用中。
沒有。ICLR 官方 2026 年回顧報告指出有 19,525 篇有效投稿。2026 年稍晚流傳的約 60,000 數字，來自 ICLR 2027 的 OpenReview 註冊或投稿 ID 估算，不應被視為最終有效論文數。
因為數學教授的不只是產生答案。問題建構、模型理解、邏輯判斷、驗證能力與提出好問題的能力，即使 AI 能快速生成證明，仍然至關重要。
OpenAI 的 Navier–Stokes 成果展現了 AI 輔助數學正在多快地改變。該證明具有 Lean 形式化版本，也獲得克雷數學研究所審慎的正面回應；然而，其技術密度同樣說明了一個新問題：數學正確性可能比廣泛的人類理解更早到來。
Justin Solomon 的擔憂並非 AI 已使數學變得無用，而是為證明稀缺與論文稀缺而建立的研究系統，可能難以因應機器以龐大規模同時生成兩者的情況。Terence Tao 將同一轉變描述為從證明稀缺走向證明充裕。
因此，最重要的瓶頸可能從產出答案，轉向評估、解釋、連結與理解答案。
當證明變得充裕時，人類理解——而非證明生成——可能成為數學中最稀缺的資源。
從一句話開始，幾分鐘內拿到完整網站。
