OpenAI ogłosiło 8 września 2026 roku rozwiązanie problemu Navier–Stokes, jednego z siedmiu Millennium Prize Problems Clay Mathematics Institute. Jeśli ten wynik się utrzyma, to nie jest kolejny efektowny benchmark, tylko moment, w którym AI wchodzi matematykom na teren dotąd zarezerwowany dla ludzi. Jest też druga warstwa: pytania o skalę użytych zasobów i o to, czy w tym wyścigu wygrał lepszy pomysł, czy po prostu większy klaster.

TL;DR

  • OpenAI ogłosiło rozwiązanie problemu istnienia i gładkości rozwiązań równań Navier–Stokes, wskazując na możliwość powstania osobliwości w skończonym czasie.
  • Według OpenAI dowód powstał z użyciem około 10 tysięcy agentów AI pracujących przez 88 godzin na wewnętrznym modelu.
  • Firma deklaruje, że nie zamierza ubiegać się o nagrodę 1 mln dolarów przyznawaną przez Clay Mathematics Institute.
  • Ogłoszenie pojawiło się dzień po publikacji wyników Tristana Buckmastera z NYU i Leventa Alpöge z Anthropic dotyczących pokrewnych równań.
  • Podawany przez OpenAI koszt podobnego wysiłku obliczeniowego to 10–15 mln dolarów według firmowego cennika.

Co dokładnie OpenAI ogłosiło w sprawie Navier–Stokes?

Równania Navier–Stokes opisują ruch płynów jako ośrodka ciągłego — od aerodynamiki po prognozowanie pogody i modelowanie przepływu krwi. W wersji uznawanej przez Clay Mathematics Institute otwarte pozostawało pytanie, czy w trzech wymiarach rozwiązania pozostają gładkie, czy mogą „wybuchnąć” w skończonym czasie. OpenAI twierdzi, że pokazało tę drugą możliwość: istnieją takie dane początkowe i wymuszenie, dla których rozwiązanie rozwija osobliwość mimo obecności lepkości. To sedno ogłoszenia.

Według briefingu prasowego z 8 września 2026 roku firma przygotowała zarówno dowód analityczny, jak i formalizację w Lean. To ważne rozróżnienie, bo Lean nie „wymyśla” matematyki, tylko sprawdza poprawność zapisanych kroków. Jeśli więc materiał OpenAI przejdzie dalszą ocenę środowiska, rozmowa nie będzie już o samym demo AI, ale o pełnoprawnym wyniku matematycznym.

Jak OpenAI opisało pracę 10 tysięcy agentów?

OpenAI podaje, że system najpierw pracował na uproszczonym problemie związanym z równaniami Eulera, a później został przeskalowany do pełnego zadania Navier–Stokes. W tej drugiej fazie miało działać około 10 tysięcy agentów AI, a cały proces miał zająć 88 godzin. Osobno firma wskazuje jeszcze czas potrzebny na formalizację w Lean.

To robi wrażenie, ale też ustawia właściwe proporcje: nie mówimy o jednym modelu, który w wolnej chwili „wpadł” na dowód. Mówimy o zorganizowanym systemie badawczym, który łączy wiele instancji modelu, koordynację zadań i duży budżet obliczeniowy. W polskich realiach akademickich taka skala jest dziś praktycznie poza zasięgiem większości zespołów, więc porównanie z tradycyjną pracą pojedynczego matematyka od początku jest trochę nierówne.

Ile to mogło kosztować według samego OpenAI?

W szkicu pojawia się szacunek 10–15 mln dolarów, ale trzeba go czytać ostrożnie: to nie niezależna wycena, tylko wartość podawana przez OpenAI według własnego cennika. Innymi słowy, firma sama opisuje, ile kosztowałby podobny wysiłek w warunkach komercyjnych. To nadal cenna informacja, bo pokazuje skalę przedsięwzięcia, ale nie jest twardym rachunkiem zweryfikowanym z zewnątrz.

Z redakcyjnego punktu widzenia to jeden z ciekawszych elementów całej historii. Jeśli podobne wyniki mają wymagać budżetów liczonych w dziesiątkach milionów dolarów, to pytanie o „AI kontra człowiek” szybko zmienia się w pytanie o dostęp do infrastruktury. A to już nie jest spór filozoficzny, tylko bardzo przyziemna kwestia przewagi kapitałowej.

Skąd wziął się spór z Anthropic i Tristanem Buckmasterem?

Ogłoszenie OpenAI pojawiło się dzień po publikacji wyników Tristana Buckmastera z New York University i Leventa Alpöge z Anthropic dotyczących pokrewnych problemów związanych z równaniami Eulera i Boussinesqa. Według opisu w szkicu Buckmaster skrytykował zarówno moment publikacji, jak i skalę zasobów uruchomionych przez OpenAI. Firma odpowiada, że nie korzystała z cudzych promptów ani nie widziała tej pracy przed jej publicznym udostępnieniem.

Ten konflikt nie sprowadza się do personalnej wymiany uszczypliwości. Chodzi o to, czy w nauce opartej na AI da się jeszcze mówić o podobnych warunkach gry, gdy jedna organizacja może w krótkim czasie odpalić masową moc obliczeniową, a druga nie. Matematyka długo broniła się przed logiką „kto ma większy budżet, ten ma większą szansę”, ale takie przypadki pokazują, że ta bariera właśnie pęka.

Co ten wynik może zmienić w matematyce i badaniach AI?

Jeśli dowód OpenAI obroni się w ocenie specjalistów, będziemy mieli jeden z najmocniejszych przykładów tego, że AI przestaje być tylko asystentem do przeglądania literatury czy sprawdzania rachunków. Tutaj stawką jest duży, otwarty problem matematyczny z listy Clay Mathematics Institute. To już nie brzmi jak kolejny pokaz możliwości modelu, tylko jak zmiana sposobu prowadzenia badań.

Najciekawsze jest chyba to, że sukces — o ile rzeczywiście nim pozostanie — nie mówi wyłącznie o „inteligencji” modelu. Mówi też o architekturze procesu: podziale pracy, selekcji hipotez, automatycznej weryfikacji i cierpliwości maszyny, której nie nudzi setna ślepa uliczka. To może być nowy standard w części nauki, a nie jednorazowy pokaz siły.

Najczęściej zadawane pytania