跳到主要內容

OpenAI納維-斯托克斯評測：千禧年難題證明爆搶功爭議 | OpenAI Navier-Stokes Review: $1M Proof Sparks Credit Fight

By Kit 小克 | AI Tool Observer | 2026-09-17

🇹🇼 OpenAI納維-斯托克斯評測：千禧年難題證明爆搶功爭議

OpenAI 在 2026 年 9 月 8 日宣布，用一個約 1 萬個 AI Agent 協作的「代理群」，在 88 小時內產出一份經 Lean 形式化驗證的納維-斯托克斯方程（Navier-Stokes）證明，直指這是七大千禧年大獎難題之一。消息才過一天，就演變成一場數學界的搶功羅生門——這也是本週 AI 圈搜尋量暴增的話題，因為它同時牽涉到 AI 能力邊界與學術倫理兩條線。

OpenAI的納維-斯托克斯證明事件是什麼？

OpenAI 宣稱其代理群系統在 88 小時內產出並用 Lean 定理證明器驗證了納維-斯托克斯方程的關鍵結果，這是 Clay 數學研究所七大千禧年難題之一，懸賞 100 萬美元。這是目前為止 AI 系統挑戰頂級數學難題規模最大的一次公開行動。

搶功爭議是怎麼一回事？

紐約大學數學家 Tristan Buckmaster 隨後公開指控：OpenAI 的行動其實是被「Anthropic 已解出兩個千禧年難題」的網路謠言刺激才啟動的，而他自己正與 Anthropic 研究員 Levent Alpöge 私下研究相關未發表成果。Buckmaster 說他曾被提議掛名共同作者，但條件是要排除 Alpöge，理由是後者任職於 Anthropic。OpenAI 的 Sebastien Bubeck 之後也證實，這場 88 小時衝刺確實是被「Anthropic 解出兩題」的推特傳言觸發的。

陶哲軒與菲爾茲獎得主怎麼看？

包括陶哲軒（Terence Tao）在內的多位菲爾茲獎得主發表聯合聲明，但爭議焦點並非證明本身的正確性，而是公告的節奏與遺漏的引用。陶哲軒同時肯定 Buckmaster 與 Alpöge 的原始研究是「了不起的成就」——這代表學界對數學正確性沒有異議,單純是對「誰先做的、該怎麼算功勞」有意見。

千禧年大獎規則：為什麼還不能領獎金？

就算證明被驗證無誤，短期內也領不到獎金。Clay 數學研究所的正式規則有三道關卡：必須先在同行評審期刊上發表、發表後要等滿兩年、還要獲得數學社群的普遍認可。研究所所長 Martin Bridson 表示評估過程「刻意不趕時間——我們要確保絕對嚴謹」。換句話說，這場搶功爭議吵得再兇，離真正頒獎都還早。

對AI工具使用者的啟示

  • 代理群（agent swarm）規模化協作已經能處理形式化數學驗證這種高門檻任務，不只是寫程式碼
  • Lean 這類形式化驗證工具正在成為 AI 產出「可信結果」的關鍵把關角色
  • AI 公司之間的公關節奏戰，可能比技術本身更快引爆爭議——採用任何 AI 「重大突破」宣稱時，先看是否已同行評審

好不好用，試了才知道。

🇺🇸 OpenAI Navier-Stokes Review: $1M Proof Sparks Credit Fight

On September 8, 2026, OpenAI announced that a swarm of roughly 10,000 coordinating AI agents produced a Lean-verified proof of a key result tied to the Navier-Stokes equations — one of the seven Millennium Prize Problems — in just 88 hours. Within a day, the announcement turned into a credit dispute that's now driving serious search traffic in AI circles, because it touches both the frontier of AI capability and the ethics of how that frontier gets claimed.

What Happened With OpenAI's Navier-Stokes Proof?

OpenAI says its agent swarm produced and Lean-verified a proof of a key Navier-Stokes result in 88 hours, targeting one of the Clay Mathematics Institute's seven Millennium Prize Problems, each carrying a $1 million bounty. It's the largest public push yet of AI systems against top-tier unsolved math.

Why Is There a Credit Fight?

NYU mathematician Tristan Buckmaster soon alleged that OpenAI's sprint was triggered by viral rumors that Anthropic had solved two Millennium Problems, while he was privately working on related unpublished research with Anthropic researcher Levent Alpöge. Buckmaster says he was offered co-authorship on condition Alpöge — an Anthropic employee — be excluded. OpenAI's Sebastien Bubeck later confirmed the 88-hour sprint was indeed set off by those Twitter rumors.

What Do Terence Tao and the Fields Medalists Say?

Several Fields Medalists, including Terence Tao, issued a joint declaration — but their objection isn't about mathematical correctness, it's about the pace of the announcement and missing citations. Tao separately called Buckmaster and Alpöge's original work "a remarkable achievement," meaning the math itself isn't in dispute — only who gets credit and when.

Why Won't Anyone Collect the $1M Prize Yet?

Even a verified proof doesn't mean a quick payout. The Clay Mathematics Institute's rules require peer-reviewed publication, a two-year waiting period after publication, and general acceptance by the mathematical community. Institute director Martin Bridson said the process is "deliberately unhurried — we will make sure it is absolutely rigorous." The credit war may be loud, but the actual prize is still years away.

What This Means for AI Tool Users

  • Agent swarms can now tackle formal math verification at scale, not just code generation
  • Formal verification tools like Lean are becoming the gatekeeper for trusting AI-produced results
  • PR-speed announcements between AI labs can outrun peer review — treat any "AI breakthrough" claim skeptically until it's been vetted

You won't know if it's good until you try it.

Sources / 資料來源

常見問題 FAQ

OpenAI真的解出千禧年大獎難題了嗎？

OpenAI的代理群產出了經Lean驗證的納維-斯托克斯關鍵結果，但要正式領取Clay數學研究所的100萬美元獎金，還需通過同行評審發表、滿兩年等待期、以及數學社群普遍認可三道關卡，目前尚未進入這個流程。

搶功爭議的重點是什麼？

爭議不在於證明是否正確，而在於OpenAI公告的節奏過快、遺漏了原始研究者Tristan Buckmaster與Anthropic研究員Levent Alpöge的貢獻引用。

陶哲軒對這件事的立場是？

陶哲軒等菲爾茲獎得主聯合聲明只針對公告節奏與引用問題提出意見，同時肯定Buckmaster與Alpöge的原始研究是了不起的成就，並未質疑數學正確性。

什麼是Lean形式化驗證？

Lean是一套定理證明器，能以電腦可檢查的方式驗證數學證明的每一步邏輯是否成立，是目前AI產出數學證明時建立可信度的關鍵工具。

延伸閱讀 / Related Articles

AI 工具觀察站 — 每日精選 AI Agent 與工具趨勢
AI Tool Observer — Daily curated AI Agent & tool trends

留言

張貼留言

這個網誌中的熱門文章

Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 | Google Ironwood TPU v7 Explained: Matching NVIDIA Performance at 44% Lower Cost — The AI Chip War Heats Up

By Kit 小克 | AI Tool Observer | 2026-04-21 🇹🇼 Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 Google Ironwood TPU 是什麼？為什麼它讓 NVIDIA 緊張？ Google Ironwood TPU（代號 TPU v7）是 Google 第七代自研 AI 晶片，也是第一款 專為推理（inference）設計 的 TPU。在 AI 模型越來越大、推理需求暴增的時代，Google 不再只依賴 NVIDIA GPU，而是推出自己的推理專用晶片來搶市場。 Ironwood TPU v7 規格有多強？ 每顆 Ironwood TPU 提供 4.6 petaFLOPS 的 FP8 運算效能 ，搭載 192 GB HBM3E 記憶體，頻寬達 7.37 TB/s。單顆效能略高於 NVIDIA B200（4.5 petaFLOPS），接近 GB300 的 5 petaFLOPS。 更驚人的是規模化能力：Ironwood 可擴展至 9,216 顆晶片組成超級叢集 ，總算力達 42.5 ExaFLOPS，遠超 NVIDIA GB300 NVL72 系統的 0.36 ExaFLOPS。共享記憶體池高達 1.77 PB，解決了大型模型推理時的資料瓶頸問題。 Ironwood TPU 比 NVIDIA 便宜多少？ 根據分析，Ironwood 的 整體擁有成本（TCO）比 NVIDIA GB200 低約 44% 。在能效方面，Ironwood 的 FP8 效能達每瓦 5.42 TFLOPS，而 GB300 為 3.57 TFLOPS/W，Google 晶片的能效高出約 52%。 為什麼 Google 要做推理專用晶片？ AI 產業正從「訓練時代」轉向「推理時代」。當 ChatGPT、Gemini、Claude 等 AI 助手每天處理數十億次查詢時，推理運算的需求遠超過訓練。Google 稱之為「推理時代（age of inference）」，而 Ironwood TPU 就是為這個時代量身打造的武器。 對開發者和企業有什麼影響？ Ironwood TPU 目前 只能透過 Google Cloud 使用，無法...
閱讀完整內容

Claude Code 實測：AI 幫你寫程式到底行不行？ | Claude Code Review: Can AI Really Code for You?

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Claude Code 實測：AI 幫你寫程式到底行不行？ Claude Code 是 Anthropic 推出的命令列 AI 程式助手，直接在你的終端機裡運作。跟其他 AI 程式工具不同的是，它不是 IDE 外掛，而是一個獨立的 CLI 工具，可以讀取你的整個 codebase、執行指令、甚至幫你做 git 操作。我實際用了幾個月，以下是真實心得。 安裝與設定 安裝非常簡單，透過 npm 就能搞定： npm install -g @anthropic-ai/claude-code 。啟動後它會要求你登入 Anthropic 帳號或設定 API key。整個流程不到五分鐘。 實際使用體驗 Claude Code 最強的地方在於 它理解你的整個專案 。你不需要手動貼程式碼，它會自己讀取相關檔案、分析程式結構，然後給出建議或直接修改。實測幾個場景： Bug 修復 ：描述錯誤現象，它能自動找到問題檔案並提出修正，準確率大約 70-80% 新功能開發 ：給它需求描述，它能產出可用的初版程式碼，但通常需要人工調整細節 程式碼重構 ：這是它最擅長的。重新命名變數、抽取函式、調整架構，做得又快又好 寫測試 ：給它一個函式，它能產生相當完整的測試案例 優缺點分析 優點： 深度理解 codebase，不是只看單一檔案 可以執行 shell 指令，直接跑測試、裝套件 支援 CLAUDE.md 讓你定義專案規則 agentic 模式下可以自主完成多步驟任務 缺點： API 費用不便宜，大型專案一天可能花 10-30 美元 偶爾會過度修改，改了不該改的地方 對非英語的程式碼註解理解力稍弱 需要良好的網路連線 適合誰用？ 如果你是全端開發者、需要處理多個專案、或者經常做重構，Claude Code 絕對值得一試。但如果你只是寫簡單的腳本，免費的 Copilot 可能就夠了。 Kit 的結論： Claude Code 是目前最接近「AI 工程師」的工具。它不完美，但確實能大幅提升生產力。好不好用？試了才知道。 🇺🇸 Claude Code Review: Can AI Really Code for You?...
閱讀完整內容

Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 | AI Coding Assistants Compared: Cursor vs GitHub Copilot vs Claude Code

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 2026 年，AI 程式助手已經成為開發者的標配。但市場上選擇太多了，到底該用哪一個？我同時使用了 Cursor、GitHub Copilot 和 Claude Code 超過半年，以下是完整比較。 GitHub Copilot：最普及的選擇 Copilot 是最早普及的 AI 程式助手，整合在 VS Code 和各大 IDE 中。它的核心功能是 即時程式碼補全 ——你打字的時候，它自動建議下一行或下一段程式碼。 優點 ：補全速度快、整合度高、支援幾乎所有語言、Copilot Chat 可以問問題 缺點 ：上下文理解有限（主要看當前檔案和少量相關檔案）、Agent 模式仍在發展中 價格 ：個人版 /月，企業版 /月 Cursor：IDE 級別的 AI 整合 Cursor 是一個從頭打造的 AI-first IDE（基於 VS Code fork）。它不只是補全程式碼，而是把 AI 深度融入整個開發流程。 優點 ：Composer 功能可以跨檔案編輯、Agent 模式可以自主執行多步驟任務、支援切換不同 AI 模型、Tab 補全非常智慧 缺點 ：是獨立的 IDE 需要遷移、Pro 方案有使用量限制、偶爾不穩定 價格 ：免費方案有限制、Pro /月 Claude Code：終端機裡的 AI 工程師 Claude Code 走完全不同的路線——它是 CLI 工具，在終端機裡運作，不綁定任何 IDE。 優點 ：理解整個 codebase、可以執行系統指令、支援 git 操作、CLAUDE.md 定義專案規則、最強的 agentic 能力 缺點 ：沒有視覺化介面、按 API token 計費（可能很貴）、需要習慣 CLI 工作流 價格 ：按 API 使用量計費，或透過 Max 訂閱方案 關鍵差異比較 即時補全 ：Copilot ≈ Cursor > Claude Code（無此功能） 跨檔案理解 ：Claude Code > Cursor > Copilot Agentic 能力 ：Claud...
閱讀完整內容