OpenAI tycks ha avgjort ett av matematikens berömda Millenniumproblem. Ett system med omkring 10 000 AI-agenter tog på några dagar fram ett omfattande och maskinverifierat bevis kring Navier–Stokes-ekvationerna. Men samtidigt växer en kontrovers om parallell opublicerad forskning, vetenskaplig prioritet och vad som händer när AI-labb kan industrialisera en lovande forskningsidé på bara timmar.

Det är svårt att överdriva betydelsen om resultatet står sig.

Navier–Stokes-problemet har varit ett av de sju så kallade Millennium Prize Problems sedan Clay Mathematics Institute presenterade dem år 2000. För vart och ett av problemen avsattes en prissumma på en miljon dollar.

Hittills har bara Poincarés förmodan formellt förts över till den lösta sidan.

Nu kan Navier–Stokes stå på tur.

Men den exakta innebörden av OpenAI:s resultat är viktig. Företaget har inte visat att de klassiska tredimensionella Navier–Stokes-ekvationerna utan yttre kraft alltid utvecklar en singularitet. Den berömda frågan om global regularitet i just det fallet är fortfarande öppen.

Vad OpenAI i stället hävdar sig ha bevisat är ett annat av alternativen som uttryckligen finns med i den officiella formuleringen av Millenniumproblemet.

Det här är vad OpenAI säger sig ha bevisat

Navier–Stokes-ekvationerna används för att beskriva hur vätskor och gaser rör sig. De ligger bakom matematisk modellering av allt från luftströmmar och vatten till turbulens.

Det olösta problemet handlar i grova drag om huruvida tillräckligt välordnade startförhållanden i tre dimensioner alltid leder till en fortsatt välordnad lösning – eller om lösningen under vissa omständigheter kan utveckla en singularitet där exempelvis hastigheten blir obegränsad på ändlig tid.

Den officiella problemformuleringen från Clay innehåller flera sätt att avgöra frågan.

OpenAI har angripit alternativen där en slät extern kraft tillåts.

Företagets konstruktion börjar med ett flöde som är helt stilla. Därefter används en slät och kompakt stödd yttre kraft för att skapa ett flöde som förblir matematiskt välkontrollerat fram till en bestämd tidpunkt.

Trots att den totala kinetiska energin förblir begränsad växer den maximala hastigheten utan gräns när tiden närmar sig singulariteten.

Om beviset är korrekt räcker det för att uppfylla de alternativ i Clays problemformulering som kallas C och D.

Det betyder att det inte handlar om någon lös koppling till Navier–Stokes eller om ett sidoproblem som medier bara har kallat ett Millenniumproblem.

Det är en väg som uttryckligen ingår i det ursprungliga problemet.

Samtidigt bör resultatet inte beskrivas som att OpenAI nu har ”löst Navier–Stokes-ekvationerna” i största allmänhet. En rad centrala frågor om ekvationerna återstår, däribland det särskilt kända fallet utan extern kraft.

Singulariteten drivs inte fram av en singular kraft

En central svårighet är att den externa kraft som används inte själv får innehålla den typ av singularitet som beviset försöker skapa i flödet.

Annars hade konstruktionen varit betydligt mindre intressant.

OpenAI:s matematik bygger därför på en noggrant konstruerad virvelstruktur där flera kraftiga termer balanseras mot varandra. Den singulara utvecklingen uppstår i själva hastighetsfältet samtidigt som den externa kraften förblir slät.

Den lösningen är också en viktig förklaring till att resultatet har väckt sådan uppmärksamhet bland matematiker.

Det handlar inte om att AI-systemet helt enkelt har ”tvingat” ekvationerna att explodera genom att stoppa in något matematiskt orimligt.

Clay: problemet verkar vara avgjort

Den oberoende verifieringen är långt gången men inte formellt avslutad.

OpenAI har offentliggjort en matematisk framställning på omkring 166 sidor och dessutom en formalisering i bevisassistenten Lean.

Lean är konstruerat för att kontrollera matematiska bevis steg för steg. Ett korrekt formaliserat bevis kan därför ge en mycket stark garanti för att slutsatserna verkligen följer av de antaganden som matats in.

Det innebär däremot inte automatiskt att hela den mänskliga granskningsprocessen är avslutad.

Experter behöver fortfarande kontrollera att det som formaliserats verkligen motsvarar exakt den problemformulering som Clay har satt upp och att inga avgörande matematiska villkor har tappats bort eller misstolkats i övergången till formell kod.

Ändå har Clay Mathematics Institute gått ovanligt långt.

Institutet har sagt att problemet ”apparently been settled” – alltså att det tycks ha blivit avgjort – samtidigt som den normala utvärderingsprocessen ska fortsätta.

På institutets webbplats har Navier–Stokes dessutom hamnat i ett märkligt mellanläge: problemet listas inte längre bland de olösta Millenniumproblemen men har ännu inte formellt placerats tillsammans med Poincarés förmodan under de lösta.

Miljonpriset är långt ifrån utdelat

Även om matematikerna skulle enas om att OpenAI:s bevis är korrekt betyder det inte att en miljon dollar delas ut omedelbart.

Clays regler är byggda för långsam vetenskaplig verifiering.

En lösning ska publiceras på ett godtagbart sätt, granskas av forskarsamhället och vinna allmän acceptans. Normalt ska dessutom minst två år passera efter publiceringen innan institutet fattar beslut om ett Millenniumpris.

OpenAI har samtidigt uppgett att företaget inte tänker göra anspråk på prissumman.

Den verkligt stora frågan just nu är därför inte pengarna utan hur beviset skapades.

Omkring 10 000 AI-agenter sattes på problemet

OpenAI:s projekt visar en forskningsmodell som för bara några år sedan hade låtit närmast science fiction.

Omkring 10 000 AI-agenter arbetade parallellt med Navier–Stokes-satsningen.

De fick olika versioner av problemet, kunde arbeta självständigt, använda kodverktyg och dela lovande idéer mellan grupper.

Olika agentgrupper koncentrerades på de olika alternativen i Clays problemformulering.

OpenAI började först med ett närliggande problem för Euler-ekvationerna. När agentgruppen gjorde framsteg där fördes insikterna vidare till arbetet med Navier–Stokes.

Därefter koncentrerades stora resurser på de mest lovande spåren.

Enligt OpenAI tog det omkring 88 timmar från den första större körningen tills en lösning fanns.

Ytterligare omkring 17 timmar användes för Lean-formalisering och maskinell verifiering.

Bara arbetet med Navier–Stokes uppges ha genererat omkring 2,7 miljoner agentmeddelanden och 130 miljarder output-tokens.

Det innebär att en forskningsuppgift som tidigare kunde sysselsätta enskilda matematiker eller små grupper i åratal i stället attackerades genom en massiv parallell sökning.

Det är den förändringen som nu oroar delar av forskarsamhället minst lika mycket som själva beviset fascinerar.

En annan forskargrupp arbetade redan på samma spår

Bakgrunden gör historien känsligare.

Matematikern Tristan Buckmaster vid New York University och Levent Alpöge hade under nästan ett år arbetat med närliggande problem kring singulariteter och slät extern forcing.

Arbetet byggde i sin tur vidare på tidigare forskning av Diego Córdoba och Luis Martínez-Zoroa.

Buckmaster och Alpöge använde själva AI-verktyg, bland annat OpenAI Codex och Claude, för att utveckla och kontrollera delar av matematiken.

I augusti hade de nått resultat om ändlig-tids-singulariteter med slät forcing för bland annat Euler-ekvationerna. Delar av arbetet hade också formaliserats i Lean.

De hade däremot ännu inte publicerat en fullständig Navier–Stokes-lösning.

Problemet är att rykten om deras framsteg började cirkulera.

OpenAI har bekräftat att företagets egen stora Millennium-satsning startade efter att bolaget hört uppgifter om att två av problemen kunde vara nära en lösning.

Därefter sattes den enorma agentapparaten i arbete.

Några dagar senare fanns OpenAI:s resultat.

Buckmaster pekar på en helt ny forskningsrisk

Buckmaster har inte anklagat OpenAI för att ha stulit hans och Alpöges matematik.

Tvärtom har han uttryckligen sagt att han inte vet hur OpenAI:s system hittade sin lösning och att han inte vet om deras privata material användes.

Men han har beskrivit det som anmärkningsvärt att OpenAI landade på just den ovanliga vägen med slät forcing – ett område där mycket få forskare arbetade.

OpenAI säger efter en intern utredning att Buckmasters relevanta Codex-konversationer inte kan ha påverkat modellen som löste problemet, vare sig direkt eller genom träning.

Det lämnar ändå en betydligt större principiell fråga.

Vad händer när forskare använder ett kommersiellt AI-system för att utveckla opublicerade idéer samtidigt som företaget bakom systemet självt har forskningsambitioner inom samma område?

Även om ingen information i det här enskilda fallet har förts vidare kan själva situationen få forskare att ändra beteende.

En enda idé kan plötsligt bli värd enormt mycket

Matematik har traditionellt byggt på en långtgående kultur av öppenhet.

Forskare diskuterar halvfärdiga idéer på seminarier, delar problem med kollegor och berättar om spår som ännu inte lett till färdiga resultat.

Den modellen bygger på att det normalt fortfarande krävs betydande tid och eget arbete för någon annan att förvandla en lös idé till ett färdigt bevis.

Med tusentals starka AI-agenter kan det förhållandet förändras.

En antydan om att ”den här vägen verkar fungera” kan i teorin räcka för att ett välfinansierat AI-labb ska kunna sätta tusentals parallella agenter på varje teknisk detalj.

Då får även själva valet av forskningsriktning ett nytt värde.

Forskare kan börja fundera på om de vågar berätta offentligt vilket angreppssätt som ser lovande ut innan de själva hunnit slutföra arbetet.

Det skulle vara en betydande förändring för en disciplin där just delandet av ofärdiga idéer länge varit en viktig del av utvecklingen.

AI kan separera ”korrekt” från ”begripligt”

OpenAI-resultatet väcker också en annan fråga.

Ett matematiskt bevis kan i framtiden vara maskinverifierat innan någon människa fullt ut har hunnit förstå det.

Lean kan kontrollera att miljontals små logiska steg håller ihop. Men det betyder inte automatiskt att det finns en kort, elegant mänsklig förklaring till varför beviset fungerar.

Det kan skapa två olika nivåer av matematisk kunskap.

På den ena nivån finns ett formellt certifikat som säger att satsen är korrekt.

På den andra finns den mänskliga förståelsen: vilka idéer som egentligen gör jobbet, vilka delar som går att generalisera och hur beviset passar in i resten av matematiken.

Om AI-system kan producera hundratals sidor nya bevis snabbare än forskare kan läsa dem kan matematikerns roll förändras.

Att hitta beviset blir kanske inte längre alltid den största flaskhalsen.

I stället kan arbetet handla om att förstå, förenkla, förklara och avgöra vilka maskinframtagna resultat som är verkligt viktiga.

Navier–Stokes kan bli startskottet snarare än slutpunkten

Det är därför uppståndelsen sträcker sig långt bortom ett enskilt Millenniumproblem.

Om den fortsatta granskningen bekräftar resultatet har ett AI-system inte bara löst en fråga som stått öppen i årtionden.

OpenAI har också demonstrerat en forskningsmodell där enorma mängder parallella digitala forskare kan sättas in på ett problem nästan omedelbart.

Den avgörande konkurrensfördelen kan då flytta från vem som har flest mänskliga matematiker till vem som har de bästa modellerna, mest beräkningskraft och snabbast förmåga att skala upp ett lovande spår.

Det kan ge vetenskapen en enorm acceleration.

Men det kan också göra forskare mer försiktiga med vad de delar innan arbetet är färdigt.

Det är den större förändringen som gör Navier–Stokes-historien så betydelsefull.

Ett av matematikens mest berömda öppna problem kan vara på väg att lämna listan.

Samtidigt kan spelreglerna för hur nästa stora problem löses redan ha förändrats.