OpenAI 1 萬個 AI 代理 88 小時解開 Navier-Stokes 千年難題：AI 科學研究能力的新里程碑

OpenAI 在 9 月 8 日發表了一項震驚數學界與 AI 界的公告：一個由大約 10,000 個協作 AI 代理 組成的內部系統，在 88 小時 內解決了 Navier-Stokes 存在性與光滑性問題——這是克雷數學研究所（Clay Mathematics Institute）在 2000 年設立的七大 「千年難題」（Millennium Prize Problems） 之一，懸而未決長達 90 年。OpenAI 同時發佈了完整的論文、以 Lean 證明助手 形式化的機器可驗證證明，以及公開的 GitHub 儲存庫。

10,000 代理 swarm：AI 如何攻克世紀難題

Navier-Stokes 方程描述了三維流體運動的物理規律。問題的核心是：在初始條件光滑的情況下，流體運動是否會在有限時間內產生「奇異點」（singularity）——即速度趨向無限大？這不僅是純數學問題，更直接關係到天氣預報、飛機設計、海洋學等應用的理論基礎。

OpenAI 的解決方案採用了前所未有的計算規模。根據官方資料：

約 10,000 個 AI 代理 並行協作
總共發送了 270 萬條代理間訊息
消耗約 1,300 億個輸出 token
總計算成本估計達 數百萬美元
其中的推理由一個 遠超 GPT-6 Astra 的內部模型完成，Astra 僅負責最後的證明驗證

該系統從 9 月 1 日 開始全力衝刺——正是在數學界傳出 Anthropic 可能已解決兩個千年難題的消息之後。OpenAI 同時讓模型攻堅所有六個未解決的千年難題，包括 Riemann 猜想和 P vs NP 問題。最終，Navier-Stokes 問題率先被攻破。

OpenAI 研究員 Sebastien Bubeck 形容這個模型的數學能力：「基本上，你丟給它幾乎任何開放問題——它有一半機會能解決。」對比之下，GPT-6 Astra 在內部數學基準測試中只能解決約 10% 的問題。

證明本身：一個「被強迫」的奇異點

OpenAI 的證明展示了：存在一種初始光滑的流體，在外力持續驅動下，Navier-Stokes 方程會產生一個在有限時間內達到無限速度的漩渦結構——一個「像意大利麵一樣被拉長的旋轉流體」，速度趨向無限的同時保持總能量有限。

然而，關鍵爭議在於：OpenAI 的證明涉及持續施加外力。該公司自己也清楚指出，競爭對手——哈佛大學的 Levent Alpöge 和 NYU 的 Tristan Buckmaster——解決的「無外力版本」與 OpenAI 的路徑不同。克雷研究所的官方問題表述是否允許外力存在，將由數學界而非 OpenAI 來判斷。

這或許也解釋了為何 OpenAI 明確表示 「我們不打算領取這個結果的千年大獎」——這是一百萬美元的獎金。一位不願透露姓名的數學家向 TNW 表示：「一家如果真的毫無疑問解決了問題的公司，通常會很樂意領取獎金。」

爭議與數據來源問題

在 OpenAI 公告發表前一天，Alpöge 和 Buckmaster 已經發表了他們使用 Anthropic 的 Claude 和 OpenAI 的 Codex 與 Astra 模型得出的零黏度解。Buckmaster 隨後指控 OpenAI 利用他們未發表的研究方向 來加速自己的求解過程。

OpenAI 否認了這一指控，表示其研究人員「完全沒有以任何方式看到他們的工作，直到對方公開發佈」。但在正式論文中，OpenAI 已經將 Alpöge 和 Buckmaster 標註為「並行工作」的貢獻者，並提議在聯合公告中承認他們的優先權——這一讓步被外界解讀為 OpenAI 對爭議的某種回應。

對企業與在職人士的啟示

第一，AI 代理 swarm 協作模式將改變複雜問題的解決方式。 最大的突破並非模型本身，而是 10,000 個代理並行協作 的工作模式——代理之間自主分工、互相驗證、迭代優化。這預示着未來企業可以部署 AI 代理團隊來處理大規模數據分析、市場研究、代碼審查等複雜任務。香港企業應開始思考：哪些業務問題可以通過「AI 代理團隊」而非單一 AI 對話來解決？

第二，AI 的科學研究能力已達到前所未有的水平。 從求解數學定理到設計實驗方案，AI 正從「工具」進化為「科研合作者」。對香港的企業研發部門而言，這意味着可以利用 AI 加速研究文獻回顧、實驗設計、數據分析，甚至直接生成研究假設。懂得如何引導 AI 進行科學探索 將成為研發人員的關鍵競爭力。

第三，計算成本是 AI 研究的現實門檻。 OpenAI 為這個項目投入了數百萬美元的計算資源——這不是大多數中小企業甚至大學能夠承擔的。但這也意味着 「AI 即服務」的商業模式 將繼續增長：企業不需要自己擁有超級計算機，而是通過 API 按需使用 AI 研究能力。

第四，AI 工作的可驗證性和歸屬問題將愈發重要。 這次事件中的 Lean 形式化證明——任何人都可以機器驗證——為 AI 生成結果提供了透明度模型。對企業而言，確保 AI 生成的結論可追溯、可驗證、可重現 將是建立 AI 信任的基礎。特別是涉及合規、財務或法律決策時，AI 的工作過程需要像人類工作一樣留下審計足跡。

第五，跨模型協作是未來趨勢。 OpenAI 的系統中，一個尚未公開的模型負責核心推理，GPT-6 Astra 則負責驗證——不同模型各司其職。對企業 AI 策略而言，模型路由（model routing） 不應再只是成本優化工具，而應成為 能力互補策略：將最困難的推理任務分配給最強的模型，將常規任務交給高效模型，實現「模型團隊」的整體效益最大化。

Navier-Stokes 的突破不僅是數學史上的里程碑，更可能是 AI 發展的分水嶺——從「能回答問題的機器」到「能做出科學發現的合作者」。對香港的企業和專業人士而言，理解並善用 AI 的協作式研究能力，將在知識工作與創新競爭中佔據先機。