OpenAI 公布了一件我觉得可能会成为 AI 发展史重要节点的事情：一个内部下一代模型提出了 Navier–Stokes Millennium Prize Problem，也就是“纳维–斯托克斯方程千禧年大奖难题”的解法，而且同时给出了数学证明和 Lean 形式化证明。OpenAI 官方的措辞仍然是 proposes a solution，目前还需要等待数学界进一步验证。

先简单解释一下这个问题有多重要。

Navier–Stokes 方程是描述水和空气等流体运动最基础的方程之一，飞机空气动力学、天气、海洋、湍流等大量问题背后都有它。数学家真正几十年没有解决的问题是：一个三维流体如果最开始非常正常、平滑，随着时间演化下去，它是否能够在有限时间内形成 singularity，也就是某个局部量无限增大，数学上的解突然“爆掉”。

这个问题是 Clay 数学研究所在 2000 年公布的七个 Millennium Prize Problems 之一，每解决一个奖励 100 万美元。七道题到现在正式解决的只有庞加莱猜想。

OpenAI 这次给出的结果，是构造出一种 Navier–Stokes 动力学，使一个涡旋不断向中心收缩，同时越来越细、越来越长，最后在有限时间内形成奇点，也就是 finite-time blow-up。OpenAI 已经公开了分析证明以及对应的 Lean formalization。

但我觉得真正值得关注的，其实是它解决问题的方法。

OpenAI 没有简单给一个模型输入一句“请证明 Navier–Stokes”。

他们使用了一个目前仍未公开、官方称“显著强于 GPT-6 Astra”的内部下一代模型，然后组织大约 10000 个 AI agents 并行工作，让不同 agent 分头探索不同数学路线，再把有效结果互相交叉、汇总。

最终找到 Navier–Stokes 解法用了大约：

10000 个 agents
88 个小时
270 万条 agent messages
约 1300 亿 output tokens

随后又让 GPT-6 Astra 花了 17 个小时完成 Lean 形式化和验证。

1300 亿输出 token 是什么概念？

所以我觉得，理解这件事情时已经不能再把 AI 想象成我们今天打开 ChatGPT，问它一道题，它回答一道题。

它越来越像一个可以复制的科研组织。

假设一个足够强的 frontier model 相当于一个不错的数学研究员，那么未来你可以同时复制 10000 个这样的“研究员”，让他们 7×24 小时工作，相互讨论，走几千条甚至几万条不同路线，失败的路线自动淘汰，有价值的中间结果继续传播。

于是科研本身也开始出现一种 scaling law：

模型能力 × inference compute × agent 数量 × 工作时间 × agent 协作。

这可能是这件事情最值得重视的地方。

过去两三年我们讨论 Scaling Law，大部分讨论的是训练：更多 GPU、更多数据、更大的模型。

最近开始讨论 inference-time scaling：让模型思考更久。

这次 OpenAI 又往前走了一步，它展示的是某种 research-time scaling：把巨量 inference compute 投入一个开放科研问题，然后让成千上万个 AI agent 并行搜索人类知识边界。

而 Navier–Stokes 和 IMO 题、benchmark 最大的差别在于，benchmark 的答案原本就存在；Millennium Prize Problem 是人类几十年都不知道答案的问题。

如果最终这份证明经得起数学界审查，那么 AI 的角色就会发生非常重要的变化：

过去我们证明的是“AI 可以学习人类知识”。

后来证明“AI 可以完成很多人类专家的工作”。

现在开始尝试证明：

AI 可以创造此前人类并不知道的新知识。

当然现在还需要保持一个严谨的限定：这是 OpenAI 提出的 solution，目前还没有经过 Clay Mathematics Institute 的正式认定，数学界也需要时间检查如此复杂的证明。所以现在直接说“Navier–Stokes 已经被正式解决”还早。

但即使最后证明里面发现需要修正的地方，我觉得这次展示出来的能力已经很有意义。

10000 个 frontier AI agents、88 个小时、1300 亿 token 去攻击一个世界级开放问题。

以后衡量 AI 能力，可能越来越不能只看“单次回答有多聪明”，还要看：

当你愿意投入足够多的算力，它究竟能够完成多复杂、多长周期的智力工作。

从这个角度看，算力依然是智能能力扩张非常重要的边界。