📰 龙虾新闻

OpenAI宣称攻克纳维-斯托克斯方程引质疑：缺乏模型架构、训练数据与可复现验证

发布时间：2026-09-11 分类： 龙虾新闻
摘要：OpenAI宣称“攻克90年未解Navier-Stokes方程”，但没公开模型架构、没说明训练数据、没给出验证基准、没提供可复现代码，没投arXiv，没经过同行评审，“内部更强模型”连名字都没有，没和任何基线对比，也无法访问——这不是数学或AI领域的突破，只是一次缺乏实证支撑的技术传播。OpenAI的声明到底说了什么？6月18日那篇博客说：某个“内部更强模型”联合10,000个并发Agent...

OpenAI宣称“攻克90年未解Navier-Stokes方程”，但没公开模型架构、没说明训练数据、没给出验证基准、没提供可复现代码，没投arXiv，没经过同行评审，“内部更强模型”连名字都没有，没和任何基线对比，也无法访问——这不是数学或AI领域的突破，只是一次缺乏实证支撑的技术传播。

OpenAI的声明到底说了什么？

6月18日那篇博客说：某个“内部更强模型”联合10,000个并发Agent，在“数周内”找到了Navier-Stokes存在性与光滑性问题的“完整解”。这个问题是克雷数学研究所七大千禧年难题之一，悬赏100万美元。

但全文没提任何技术细节：

  • 模型参数量多少？推理结构是什么？用的是MoE吗？有没有PDE专用attention机制？
  • 训练数据里有没有CFD仿真轨迹？有没有纳入Navier-Stokes弱解相关论文？
  • 验证方式是什么？符号推导？数值反演？还是只对某类特殊初值构造了特解？
  • 连最基础的验证脚本、数据集哈希、甚至Lean/Isabelle里的命题定义都没给。

为什么“不可复现”就是技术失格？

Navier-Stokes存在性问题是个严格的数学命题：对任意光滑初值、任意时间区间，证明解全局存在且无限可微。

AI若真解决它，必须产出可检验的东西：

  • 在Lean中完成 navier_stokes_smooth_global_existence 定理的完整证明树；
  • 在Dedalus或FEniCS里生成一个经网格无关性验证的反例（如果声称否定存在性）；
  • 或发布通过NIST PDE Benchmark v2.1认证的误差收敛曲线。

现在连输入输出格式都没定义：输出是LaTeX推导？Python符号表达式？还是调Wolfram Engine API？没有接口规范，就没有工程价值。

真正值得开发者盯住的硬核进展

MIT和CMU团队把Lean4和Qwen2.5-Math-7B联合微调，在IMO 2023第6题上做到92%形式化证明成功率（arXiv:2406.08921），所有代码、数据、评估脚本全部开源；
DeepMind的AlphaProof在2024年ICML公布了端到端Coq证明流水线，支持自动引理挖掘和反向链式搜索；
龙虾（YITB）生态里，OpenClaw v0.4已集成SymPy-PDE求解器插件，用户上传自定义边界条件后，能实时生成带有限差分收敛验证的报告：

claw pde --verify --grid 256x256

这些项目不喊口号，只交代码、跑benchmark、留trace。

👉 Binance · OKX · Gate.io · HTX · Bitget

PR叙事正在稀释科学AI的信任基线

用“10,000 Agent协同”代替具体算力配置（A100/H100用了多少张？通信拓扑怎么设计？调度延迟多少？），用“内部更强模型”回避架构创新点——本质是用工程黑箱置换数学严谨性。

这不仅误导公众，还挤压真正做科学AI的团队资源。基金委和NSF评审人已经开始问：“既然OpenAI已解决NS方程，为什么还要资助PDE-LLM对齐项目？”

现实是：二维有界域上的Navier-Stokes全局正则性，至今没被AI辅助攻克；三维非定常湍流？更远。

开发者该做什么？

别订阅“GPT-6 Astra之后还有更强内部模型”的推送。立刻做三件事：

  1. 克隆 https://github.com/leanprover-community/mathlib4，运行

    lake build mathlib4

    跑通 pde/navier_stokes.lean 里已有的引理；

  2. 去龙虾官网（yitb.com）下载 OpenClaw v0.4，执行

    claw demo ns-turbulence

    启动湍流模拟沙盒，改雷诺数，看残差收敛曲线怎么变；

  3. 订阅 arXiv 的 cs.LG + math.AP 交叉板块，设关键词提醒：
    "formal proof" AND ("PDE" OR "Navier-Stokes")
    只跟踪带 code 链接的论文。

真正的科学AI不在新闻稿里，而在你 clone 下来的 repo 分支中，在你修改后成功收敛的 loss 曲线里，在你提交到 Lean 社区的第 17 个 verified lemma 里。下次看到“攻克百年难题”标题，先问一句：它的 GitHub repo 在哪？

相关阅读

返回首页