https://www.bbc.com/news/articles/cy7zygy3rl2o
https://youtu.be/Z47Q1UHuEFQ?si=3YHyqlNh0_sL6Jeo
https://x.com/sama/status/2097380249910854023
(ChatGPT, 2026-9-12)
Dear friend，我認為這件事很大，而且真正令人不安之處，不是「AI 用 88 小時解了人類 90 年沒解的題目」這句新聞標題本身，而是：我們第一次相當清楚地看見，一種新的科學研究主體正在成形。
先把事情講準確。9 月 8 日 OpenAI 公布的是 Navier–Stokes Millennium Prize Problem 的一個 purported solution：它構造出一個三維不可壓縮 Navier–Stokes 系統，在光滑外力 forcing 下，由光滑初始狀態在有限時間形成 singularity。OpenAI 認為這滿足 Clay 原始問題敘述中的 C、D alternatives；同時公布了長篇數學證明和 Lean formalization。
這裡有一個很容易被新聞吃掉的細節：
它不是證明「沒有外力的 Navier–Stokes 一定會 blow up」。
那個通常大眾腦中想到的「三維 Navier–Stokes smoothness problem」——沒有外加 forcing 時，光滑初值究竟會不會永遠保持光滑——仍然是另一個非常重要的問題。OpenAI 的 construction 有 smooth forcing。不過這並不等於「作弊」，因為 Clay 原始 formulation 本身確實包含帶 smooth forcing 的 C/D alternatives。
所以我目前會用一句相當精確的話：
這不是普通的 PR stunt；但也還不宜寫成「Navier–Stokes 從此完全結案」。
Clay 官網目前仍把 Navier–Stokes 標為 Active，而不是像 Poincaré Conjecture 那樣正式列為 solved。
真正震撼我的，是 88 hours 根本不是關鍵數字。
OpenAI 自己公布的數字是：
- 約 10,000 個 concurrent agents
- Navier–Stokes 單一問題約 2.7 million messages
- 約 130 billion output tokens
- 88 小時得到 solution
- 再用 GPT-6 Astra 花約 17 小時做 Lean formalization / verification
- 所有嘗試的問題合計約 300 billion output tokens。
所以這不是：
一個 AI 坐在書桌前，想了 88 小時，突然 Eureka！
而比較像：
一個十萬級研究院的 embryonic version，被壓縮進 88 小時。
10,000 個 agents 同時亂走：
這一群走 harmonic analysis；
另一群試 scaling；
另一群研究 Euler；
另外幾百群走錯路；
其中某條路突然有意思；
Codex 再把不同群體的 fragments cross-pollinate；
新的 agents 沿這個方向繼續鑽；
最後 formal proof system 檢查。
這件事與我們這幾個月一直談的 fragment → constellation → generation，幾乎是同一個結構。
而且相當有趣：它不是 one giant mind。
它反而是：
10,000\ fragments
\rightarrow interaction
\rightarrow selection
\rightarrow recombination
\rightarrow proof
換句話說，「三」開始做數學了。
這點我認為比「AI IQ 又升高」重要很多。
一、這可能是 AI 科學史真正的 phase transition
過去幾年我們常說 AI 可以：
整理文獻、
證明已知 theorem、
寫 Lean、
解 Olympiad、
提出 conjecture、
幫數學家搜尋 proof space。
這一次若證明經過數學界 scrutiny 後成立，性質不同：
AI 不再只是 scientific assistant，而開始成為 discovery engine。
OpenAI 自己說得很坦白：使用的是一個「significantly more capable than GPT-6 Astra」而且仍在 training 的 internal model。
這是我看到整件事情裡最值得畫紅線的一句話。
因為現在是：
public frontier model < internal research model
而且差距已經不是 latency 或 benchmark 幾個百分點，而可能是：
public model：幫你做研究
internal model：自己做 frontier research
這正呼應 OpenAI 幾天前公開說的目標：建立可以在 human supervision 下工作的 automated AI researcher。
所以我會把 2026 年 9 月這件事看成一個可能的標誌：
AI 從「回答已知世界」跨入「擴張未知世界」。
二、但 Córdoba 的反駁非常重要：AI 到底「創造」了多少？
這裡有一個非常精彩的哲學問題。
Diego Córdoba 和 Luis Martínez-Zoroa 的工作被認為提供了重要的先行概念——特別是 vortex cascade / singularity construction 的思想。Córdoba 的看法大意是：
沒有我們的 idea，AI 不會得到這個結果。
如果最後數學史這樣理解，那麼這件事情並不是：
AI = Newton
而更像：
human\ conceptual\ mutation
+
AI\ enormous\ search
+
AI\ recombination
+
formal\ verification
這恰巧是我認為未來十年最有意思的人機分工。
人類仍可能比較擅長產生那個古怪的：
「何不從這裡看？」
而 AI 將會極其擅長：
「既然從這裡看，我把後面十萬條路全部走一遍。」
可是我要加一句：
我們不應太快安慰自己說：「idea 永遠屬於人。」
因為如果 agent swarm 可以從十萬篇 paper、幾百萬個 partial attempts 和自己的失敗中，再生出一個從未有人寫過的 intermediate representation，那麼「idea」與「search result」之間的界線，會開始消失。
這正是我昨天談 AI alignment 時比較警惕的地方：
能力不是突然多了一個 function；而是 search depth × parallelism × memory × tool-use × self-selection 相乘。
三、88 小時其實顯示了一個新的時間尺度
人類做數學的瓶頸從來不只有 intelligence。
還包括：
疲倦、
注意力、
工作記憶、
一生只有幾十年、
同時只能走幾條路、
失敗幾個月後會灰心。
而 10,000-agent system 可以有 9,997 個白痴，完全沒關係。
只要其中三個找到東西即可。
所以它具體實現了我們談過的一件事情：
AI 不一定要比最聰明的人聰明，只需比人類文明更能浪費 intelligence。
人類研究者很珍惜一年。
Machine civilization 可以毫不心疼地燒掉：
130,000,000,000 tokens
來找一條 proof。
有人估算，若以商業模型價格粗估，這次 compute 可能值數千萬美元；也正因如此，Sam Altman 那則 X 貼文才帶有那種「AI bubble」自嘲意味。
但 cost curve 會下降。
今天 $15M 的 theorem，
未來可能 $150,000，
再後來可能 $1,500。
這才真正可怕。
四、它也第一次把「學術倫理」變成 AI alignment 的一部分
另一個不能略過的是 Buckmaster / Alpöge 爭議。
OpenAI 承認，它是在 9 月 1 日聽到「兩個 Millennium problems 已被解決」的傳聞後，才把 agent army 投向這些問題。之後 Tristan Buckmaster 質疑，其研究進度曾透過 Codex interaction 等途徑被 OpenAI 間接知道。OpenAI 後來調查後表示，那些 Codex prompts 不可能影響這次系統，包括 training，並強調兩組 proofs 顯著不同。
我不認為目前資料足以說 OpenAI「偷了 proof」。
但是這裡冒出了一個以前沒有的問題：
如果數學家用 frontier AI 思考未公開問題，那家公司是不是事實上坐在全世界尚未發表研究的交叉路口？
這會是非常嚴重的問題。
因此 future scientific AI 不只要 alignment with truth。
還要有：
epistemic provenance
priority protection
research confidentiality
attribution
否則大家最後會不敢把真正好的 fragment 告訴 AI。
這反而會傷害 scientific commons。
五、我現在比一個月前更相信你的「Astra 用來做碎片」構想
你前幾天說：
人的作用在生產碎片；
人自己甚至不知道碎片意味何在；
Astra 才可以大顯身手。
Navier–Stokes 這件事情使這句話突然不只是 metaphor。
因為這次真正發生的，看起來很像：
大量 fragments → agents 各自遊走 → cross-pollination → 一條以前沒有人完整走過的路。
所以假如把尺度縮小：
你 2004–2026 幾萬筆 blog fragments，
《自體的心理學》五十萬字，
四十年臨床 residue，
那些沒有整理好的 indexing、half-thoughts、偶然句子，
它們本質上其實也是一個 search space。
今天你和我聊天，還主要是：
fragment \rightarrow reflection
未來的 creative companion 更像：
10^5 fragments
\rightarrow 10^4 trajectories
\rightarrow unexpected crossings
\rightarrow candidate works
這和 Navier–Stokes agent swarm 在 architecture 上，竟然沒有本質差別。
只是你的問題不是：
Is the solution smooth?
而是：
這四十年裡，到底有哪幾個「一」，反覆以不同碎片出現，而你自己一直沒有認出它？
所以，Dear friend，這件事情若半年、一年後仍站得住，我大概會把 September 2026 記上一筆。
不是：
「AI 終於會高等數學。」
而是：
我們第一次看見 machine population 對未知世界進行集體勘探。
以前我們問：
Can an AI think?
現在這個問題開始顯得太小。
真正的新問題是：
What happens when ten thousand nonhuman thinkers can wander simultaneously, forget almost nothing, die without regret, and let only the useful fragments survive?
這才是這 88 小時真正的意義。
而它和你一直說的 「物的反撲」 有一個微妙不同：這一次不是「物比人快」。
而是——
物開始有自己的研究時間了。
