9 月 8 日，OpenAI 公佈了一套針對納維-斯托克斯（Navier–Stokes）方程千禧年問題的有限時間奇點構造。按其給出的結果，這套構造能夠讓三維流體在光滑外力和有限動能條件下，演化到區域性速度無界。執行層面，一個仍在訓練中的內部模型配合約 1 萬個 Agent 持續搜尋約 88 小時，隨後又用形式化工具 Lean 完成驗證。

訊息公佈後迅速引發爭論。航空航天工程教授 Chris Combs 提醒，這並不等於得到一套可以直接計算任意流體運動的通用解法，對現有 CFD（計算流體力學）工作也不會立刻產生明顯變化。數學側的討論焦點則是三維光滑解能否一直維持正則性，而有限時間 blow-up 本身就正面擊中了這一命題。與此同時，紐約大學數學家 Tristan Buckmaster 與 Anthropic 研究員 Levent Alpöge 的相近研究也被捲入討論，使事件多了一層研究路線與成果來源的爭議。

要理解這次工作的技術分量，需要先釐清一個容易被模糊的事實：AI 並沒有憑空頓悟流體力學的終極奧秘，它更像是把人類數學家的破局思路做了大規模加速。據雷鋒網報道，人類數學家貢獻的是「搭骨架」與物理直覺——納維-斯托克斯的難點在於非線性放大與黏性耗散的衝突，人類提出了故意偏離臨界尺度、高頻振盪脈衝、剝離區域性速度與整體動能等結構，這類從 0 到 1 的跳躍性幾何直覺，目前 AI 仍難以獨立完成。OpenAI 的萬級 Agent 承擔的則是「填血肉」：證明需要同時滿足自相似尺度、區域性剪下、應力錐等數十個互相牽制的高維非凸約束，人類可能耗費數年試錯，而 Agent 在 88 小時內窮盡了可能分支，從龐雜假設空間中搜出一套能整體閉合的構造。最後，Lean 與 Comparator 負責「防幻覺」——Lean 把證明釘進邏輯系統，Comparator 用獨立形式化的命題檢查目標表述是否仍對應原始問題。

技術細節上，奇點構造的關鍵是故意偏離臨界尺度。納維-斯托克斯的麻煩在於非線性放大和黏性耗散會同時隨尺度縮小而增強：渦量拉伸把流動壓向更細結構，黏性恰好對高頻結構作用更強，兩邊強度稍有偏差，要麼奇點被耗散抹平，要麼能量、壓力和外力一起失控。OpenAI 的做法不是找旋轉更快的流場，而是設計一套各向異性的自相似尺度：從軸對稱帶旋流的渦核出發，接近奇點時渦核徑向快速收縮、軸向也收縮但略慢，核心逐漸變成一根越來越細長的旋轉流體柱。真正關鍵的是引入一個很小的指數偏置，讓三個方向不按同一尺度變化——區域性速度可以走向無界，而高速區域體積縮小得更快，整體動能仍受控制；黏性也沒有被排除，而是被限制在特定方向承擔穩定結構的作用。

更困難的一步是殘差處理。內部自相似渦核接到由黏性擴散控制的外部流場後，兩者之間留下環形過渡區，動量殘差集中於此。若直接把這些殘差定義為外力，外力本身可能隨奇點臨近而失控。於是證明需要完成一個更苛刻的轉換：把本應由外力承擔的誤差，轉化成流體內部細尺度運動自己產生的動量輸運。這正是高頻振盪脈衝出現的原因——脈衝平均速度很小，不改變背景流，但非線性二次耦合會留下穩定的平均動量通量，即雷諾應力。系統可以先計算背景流缺少什麼方向的動量輸運，再反過來設計振盪生成對應有效應力。不同振盪模式能製造的動量通量比例受限，幾類波形組合只能覆蓋一個特定的應力錐，目標殘差必須落在錐體內部；若跑到錐體外，增加振幅沒有意義，因為缺失的是方向而非強度。這反過來要求用小振幅、高頻率的徑向微擾調整區域性剪下，再用低頻修正補回被破壞的徑向矩條件，形成高頻改區域性、低頻維護整體的多尺度分工。

這也是為什麼該問題對單執行緒推理極不友好：系統要同時決定自相似尺度、軸對稱剖面、軸附近延拓方式、外部流場、區域性剪下、應力錐、徑向矩條件、振盪模式與高階修正，變數之間並非區域性獨立，一處修改往往在很後面才暴露代價。多 Agent 系統的價值在於同時維持大量不同候選結構，有的搜剖面、有的試引數、有的檢查應力方向、有的追蹤某條路線為何失敗，失敗因此變成新的約束資訊。OpenAI 還把接近 100 個 Agent 放到相鄰的 Euler 問題上，先單獨暴露非線性奇點結構，再把中間幾何與構造思路遷回納維-斯托克斯路線。據雷鋒網報道，該路線最終產生約 270 萬條 Agent 訊息和 1300 億 輸出 token，其中大量內容不會進入最終證明，但承擔了引數試驗、失敗構造與中間引理搜尋。

驗證環節同樣值得關注。當搜尋規模膨脹到百萬級推理軌跡，驗證成本迅速上升，多尺度構造涉及大量函式空間、邊界行為與正則性條件，自然語言裡漏掉一個前提或量詞在長鏈推導中發生變化，結論就可能已不是原命題。Lean 的作用是把隱藏條件顯式拉進形式系統；Comparator 則約束命題邊界，防止系統在推導中悄悄弱化原始條件。兩層合在一起，才構成大規模 AI 數學搜尋所需的驗證出口。

從產業視角看，這次工作的看點或許不在某個孤立技巧，而在於「構造—搜尋—修正—驗證」能否被拆解成一套可複用的研究系統。若這套範式能遷移到其他開放難題，意味著前沿模型的能力評估標準可能從單次問答轉向長時程、多 Agent 協同的工程化搜尋，而這背後對應的是可觀的推理算力消耗。不過，圍繞成果來源與優先權的爭議也提醒市場：AI 在數學發現中的角色目前更接近加速器與驗證器，人類直覺仍是不可替代的起點，對其能力邊界的判斷需要保持審慎。