OpenAI ogłosiło 9 września 2026 roku, że jego agenci rozwiązali problem istnienia i gładkości Naviera-Stokesa, jeden z najważniejszych otwartych problemów matematyki. Zamiast samego dowodu uwagę przyciągnął jednak spór o możliwe wykorzystanie wcześniejszej pracy Tristana Buckmastera i Leventa Alpögego. Według MIT Technology Review sprawa może zapowiadać zmianę, w której postęp zależy od zamkniętych modeli i budżetów dostępnych tylko nielicznym firmom.
Co obejmuje ogłoszony dowód
Równania Naviera-Stokesa opisują, jak w czasie przepływają płyny, w tym woda i powietrze. Fizycy i matematycy wykorzystują je w dynamice płynów, ale dotychczas nie wiedzieli, czy w pewnych warunkach równania mogą prowadzić do osobliwości, na przykład wskazywać nieskończoną prędkość płynu.
Clay Mathematics Institute umieścił problem istnienia i gładkości Naviera-Stokesa na liście siedmiu Millennium Prize Problems w 2000 roku. Za zaakceptowane rozwiązanie każdego z nich przewidziano 1 mln dolarów. Przed ogłoszeniem OpenAI rozwiązano tylko jeden problem z tej listy.
OpenAI twierdzi, że uzyskany przez agentów dowód pokazuje możliwość załamania się pełnych równań Naviera-Stokesa. Firma nie zamierza ubiegać się o nagrodę. Materiał źródłowy nie informuje jednak o niezależnej weryfikacji dowodu ani o jego formalnym przyjęciu przez Clay Mathematics Institute.
Skąd wziął się spór o autorstwo badań
W poniedziałek poprzedzający komunikat Tristan Buckmaster z NYU opublikował na Mastodonie dowód dotyczący uproszczonej wersji równań. Pracował nad nim niemal rok z Leventem Alpögem, pracownikiem Anthropic. Badacze korzystali z publicznie dostępnych modeli OpenAI i Anthropic, lecz nie uzyskali rozwiązania dla pełnych równań.
Buckmaster opublikował również opis kontaktów z pracownikami OpenAI. Według jego relacji przedstawiono mu dwa warianty: publikację jego wyników przed ogłoszeniem OpenAI albo współpracę nad artykułem, który nie uwzględniałby Alpögego jako autora z powodu jego zatrudnienia u największego konkurenta OpenAI.
Matematyk miał także zapytać, czy agenci uzyskali dostęp do zapisów jego pracy z modelami OpenAI. Pracownicy firmy temu zaprzeczyli. Na pytanie, czy zapisy wykorzystano do trenowania modeli, według Buckmastera nie udzielili odpowiedzi. Mark Chen ponownie zaprzeczył, by agenci lub pracownicy OpenAI mieli dostęp do tych materiałów.
Oba dowody korzystają z podejścia rozwijanego wcześniej przez Diego Córdobę i Luisa Martínez-Zoroę. Javier Gómez-Serrano z Brown University wskazał, że była to jedna z kilku obiecujących dróg badawczych. Zbieżność nie przesądza więc o wykorzystaniu cudzej pracy, ale nie pozwala też wykluczyć jej wpływu. Sébastien Bubeck przyznał, że zespół zainteresował się problemem po usłyszeniu pogłoski o wysiłkach Buckmastera i Alpögego.
Ile zasobów wymagał wynik OpenAI
OpenAI użyło wewnętrznego modelu, który według firmy znacznie przewyższa możliwości modelu Astra udostępnionego tydzień wcześniej. Zespół miał uzyskać wynik w ciągu kilku dni, uruchamiając około 10 000 agentów jednocześnie.
Bubeck i Chen poinformowali, że obliczenia kosztowały miliony dolarów. Źródło nie podaje dokładnej kwoty, parametrów modelu ani zapotrzebowania na moc obliczeniową. Nie wiadomo również, czy podobny eksperyment można odtworzyć poza infrastrukturą OpenAI.
Porównanie pokazuje skalę różnicy w dostępie do narzędzi. Dwaj matematycy przez niemal rok współpracowali z modelami publicznymi i rozwiązali uproszczony wariant. OpenAI wykorzystało zamknięty system oraz tysiące równolegle pracujących agentów, aby zmierzyć się z pełnym problemem.
Jak agenci AI mogą zmienić pracę matematyków
Jeżeli rozwiązanie OpenAI korzystało z kierunku wybranego przez Buckmastera i Alpögego, istotną rolę odegrało ludzkie wyczucie badawcze, czyli research taste. To zdolność wskazania pytań i metod, które dają największą szansę na postęp. Eksperci uznawali ją dotąd za jedną z głównych słabości AI w nauce.
Terence Tao z UCLA zwrócił uwagę na inny problem. W matematyce znaczenie mają również błędy, nieudane próby i rozwiązania częściowe, ponieważ prowadzą do nowych metod oraz kierunków badań. Gdy prywatna firma ujawnia tylko końcowy dowód, społeczność nie ma dostępu do tej części procesu.
Rosnąca przewaga firm posiadających zamknięte modele może ograniczyć rolę akademickiej współpracy. Matematycy spoza OpenAI i Anthropic nie dysponują porównywalnymi zasobami, a decyzje o wyborze problemów badawczych mogą coraz częściej zależeć od priorytetów przedsiębiorstw.
Dla zespołów w Polsce, które wykorzystują agentów AI w badaniach lub analizach, spór stanowi praktyczną lekcję dotyczącą pochodzenia wyników. Organizacje powinny rejestrować dane wejściowe, uprawnienia agentów i historię pracy modelu, aby można było ustalić wkład ludzi oraz systemów AI.
