OpenAI 称内部模型已解百余道数学难题，成立顾问组应对发布挑战
百道难题突然变成发布难题
8 月 28 日，OpenAI 开始训练一款新的内部模型。不到两周后，9 月 8 日，公司公开了一篇关于纳维-斯托克斯方程的论文及其 Lean 形式化证明。这项工作试图解决克雷数学研究所提出的千禧年大奖难题之一——即三维不可压缩流体是否存在光滑解。OpenAI 声称，其模型构造了一个在有限时间内形成奇点的解，从而否定了官方表述中的 C 和 D 两种情形。
但更引人注目的是 OpenAI 随后透露的信息：除了这一项备受关注的成果，该模型还已经解决了横跨多个数学领域的 100 多道长期开放问题。这个数字让公司内部的数学家都感到意外。问题不再是“能不能解”，而是“解出来之后怎么办”。
这些结果目前尚未全部公开，也未经过数学共同体的独立审查。OpenAI 自己的说法是“报告称由内部模型产生”，措辞相当谨慎。原因很简单：一道数学题被“解决”并不等于它自动成为公认的数学知识。从生成证明到被学界接受，中间还有专家核查、补充解释、追溯前人工作、组织讨论等多个环节。即使形式化工具能验证逻辑推导无误，也无法判断这个证明是否真正新颖、是否隐含已有思想，或者能否被其他数学家理解并继续使用。
当 AI 产出证明的速度远超人类消化的速度，传统的学术流程就成了瓶颈。
数学家担心难题变成 AI 的“耗材”
这种担忧并非空穴来风。就在 OpenAI 公布纳维-斯托克斯结果三天后，9 月 11 日，多位菲尔兹奖得主参与签署了一封公开信，题为《人工智能在数学领域的严重错位》。信中没有反对 AI 进入数学，反而承认它有潜力加速真正的研究与理解。但作者们尖锐指出：把开放问题当作模型能力的基准，正在扭曲数学研究的本质。
数学中的开放问题从来不只是“待解谜题”。它们往往是精心挑选的路标，用于引导年轻研究者发展直觉、锻炼创造力，并在尝试过程中建立对某个领域的深层理解。许多经典问题之所以重要，不仅因为答案本身，更因为通向答案的路径可能催生新理论、新工具。如果这些问题被批量转化为 AI 的测试集，原有的教育和研究生态就会受损。
更重要的是，重大成果通常需要时间“成熟”。研究者会在报告、讨论和反复修改中厘清思路，辨认其中的新方法，将其嵌入已有知识体系，并把复杂的论证整理成同行和学生能掌握的形式。如果上百个解答集中涌现，学界根本来不及完成这些工作。仓促公布还可能引发归属争议——谁该被引用？谁的思想被隐性使用？学术信用如何分配？
OpenAI 在公告中直接回应了这封公开信，承认 AI 公司需要与数学界进行更审慎的沟通。AGMAI（数学与人工智能顾问组）正是在这种紧张氛围下成立的。
九位数学家决定成果如何进入公共视野
AGMAI 由普林斯顿高等研究院托管，首批成员共九人，包括：
- François Charles（巴黎高等师范学院）
- Camillo De Lellis（苏黎世大学）
- Timothy Gowers（剑桥大学）
- Martin Hairer（洛桑联邦理工学院）
- Nikhil Srivastava（加州大学伯克利分校）
- Ulrike Tillmann（牛津大学）
- Ravi Vakil（斯坦福大学）
- Edward Witten（普林斯顿高等研究院）
- Melanie Matchett Wood（哈佛大学）
这个名单覆盖了代数几何、偏微分方程、概率论、组合数学、拓扑学等多个领域，且多数成员兼具理论深度与对数学共同体运作的深刻理解。例如，Timothy Gowers 是菲尔兹奖得主，也是 Polymath 项目（大规模在线协作证明）的发起人；Edward Witten 虽以物理闻名，但其数学贡献早已被广泛认可。
根据 OpenAI 公布的安排，AGMAI 的任务包括：协助判断新成果的重要性，讨论结果如何协调发布，就数学研究应遵守的学术与职业规范提供意见，并探索 AI 工具如何支持教学与研究。值得注意的是，顾问组强调其独立性：成员不接受 AI 公司报酬，面向公司的建议将公开发布，服务对象也不限于 OpenAI——只要某家公司的模型可能对数学产生重大影响，AGMAI 都愿意提供建议。
但这种独立性有明确边界。顾问组没有任何决策权，最终是否发布、何时发布仍由 OpenAI 决定。它也不会干预公司内部模型的研发节奏。换句话说，数学家获得的是发言、评议和公开批评的空间，而非否决权。这一机制能否发挥作用，取决于 OpenAI 是否愿意采纳建议，以及在出现分歧时能否保证信息透明。
数学研究迎来新的治理问题
过去讨论 AI 与数学，焦点常在“能不能证明”。现在，问题重心明显后移：一篇机器生成的证明，该如何被核验、传播和整合进人类知识体系？
这涉及一系列具体而棘手的问题：验证工作由谁来做？如何给予验证者学术认可？证明中隐含的思想如何追溯来源？上百个结果该按什么顺序公开？如果某些证明依赖未发表的中间引理，是否要先整理出完整的理论框架？
处理失当，数学界可能被海量形式化证明淹没，却无法从中提炼出可理解、可复用的新思想。处理得当，AI 则可能成为拓展数学前沿的有力工具——不是替代人类思考，而是帮助人类探索原本难以触及的结构。
AGMAI 的成立标志着一个共识正在形成：开放问题不能再被简单视为模型能力的标尺。每一道被“解决”的难题背后，都连接着研究传统、人才培养和知识传播的复杂网络。答案出现得更快，并不会自动带来更深的理解。
真正的考验还在后面。当首批成果陆续公开，数学界能否独立验证这些证明？研究者能否从中识别出值得深入发展的新方法？AI 公司又是否愿意为严谨的学术过程留出足够时间，而不是追求“又解决了一道题”的新闻效应？
如果 OpenAI 对百余道开放问题的判断最终被证实，数学研究将面临一场罕见的速度冲击。届时，最稀缺的资源可能不再是给出答案的能力，而是人类理解、审查并承接这些答案的时间。