OpenAIs Navier–Stokes-påstand: Det ved vi – og derfor reagerede matematikere

OpenAIs udmelding den 8. september var opsigtsvækkende, fordi virksomheden hævdede fremskridt på et af matematikkens mest betydningsfulde uløste problemer. Men en annonceret løsning – også når den ledsages af formel verifikation – er ikke automatisk et resultat, som det matematiske miljø har undersøgt og accepteret.

Hvad OpenAI hævdede

OpenAI oplyste, at et ikke-offentliggjort internt system havde frembragt både et analytisk bevis og en Lean-formalisering. Resultatet skulle vise, at en oprindeligt glat tredimensionel Navier–Stokes-strømning kan udvikle en singularitet på endelig tid. Ifølge virksomheden indgik en gruppe på omtrent 10.000 samtidige agenter i arbejdet. 2

Hvis resultatet holder ved uafhængig gennemgang og svarer til den officielle problemformulering, vil det give et negativt svar på eksistens- og glathedsspørgsmålet: Glatte løsninger behøver altså ikke at forblive glatte til alle tider. Clay Mathematics Institute (CMI) beskriver problemet som spørgsmålet om eksistens og glathed for Navier–Stokes-løsninger i tredimensionalt euklidisk rum. 18

Hvorfor Navier–Stokes betyder så meget

Navier–Stokes-ligningerne beskriver væskers og gassers bevægelse og er grundlæggende i den matematiske teori for fluidmekanik. Alligevel er den generelle opførsel af tredimensionelle løsninger fortsat dårligt forstået, selv om ligningerne blev formuleret i 1800-tallet. 30

Problemet er et af Millennium Prize Problems, en række særligt vanskelige matematiske problemer udpeget af CMI. Den officielle beskrivelse efterspørger enten et bevis for, at glatte, fysisk rimelige løsninger findes globalt, eller en alternativ løsning, der opfylder de opstillede betingelser. 1721

Derfor er sagen mere end en AI-demonstration. En gyldig løsning vil berøre et centralt spørgsmål i analyse og fluiddynamik. Men problemets betydning gør kravet til kontrol større – ikke mindre.

Hvorfor påstanden ikke straks blev anerkendt som en løsning

Den 11. september skrev CMI, at instituttet overvejede meddelelsen om, at problemet "tilsyneladende" var blevet løst. Samtidig understregede CMI, at processen for vurdering og fordeling af æren bevidst ikke forhastes. 18

CMI's regler kræver tre forhold, før instituttet overhovedet vil tage stilling til en foreslået løsning: Den skal være offentliggjort i et kvalificerende medie, der skal være gået mindst to år siden offentliggørelsen, og den skal have opnået bred accept i det globale matematikmiljø. 27 Desuden skal løsningen på tilfredsstillende vis besvare den officielle problemformulering. 20

Lean kan kontrollere, om en formaliseret kæde af udsagn følger af de definitioner og antagelser, der er indkodet. Det er en stærk form for kontrol, men den erstatter ikke fagfællebedømmelse. Matematikere skal fortsat vurdere, om den formaliserede sætning, dens antagelser og oversættelsen fra det uformelle problem faktisk afgør det spørgsmål, CMI har stillet.

Den mest præcise status er derfor: påstået og under granskning – ikke universelt accepteret eller godkendt som Millennium Prize-løsning.

Striden om prioritet og kreditering

Udmeldingen kom midt i en konflikt, der omfattede NYU-matematikeren Tristan Buckmaster og Levent Alpöge, en matematiker med tilknytning til Anthropic. Ifølge omtalen havde de arbejdet med beslægtede spørgsmål, og Buckmaster rejste spørgsmål om, hvordan OpenAI var kommet til at forfølge problemet. 953

Buckmaster fremsatte også beskyldninger om upassende adfærd i samtaler om kreditering og samarbejde. OpenAI afviste de bredere anklager og sagde, at hverken virksomhedens forskere eller agenter havde set deres arbejde, før det blev frigivet offentligt, og at ingen konkrete brugerdata var blevet tilgået for at løse problemet. 53

Det er modstridende forklaringer, ikke fastslåede forhold. Men sagen gjorde en teknisk udmelding til en diskussion om, hvem der skal have æren, når AI-laboratorier og forskere arbejder tæt på den samme forskningsfront.

Hvorfor spørgsmålet om data var følsomt

Et særligt følsomt punkt var, om arbejde indtastet i AI-produkter kunne have bidraget til de kapabiliteter, der senere blev brugt i forskningsarbejdet. OpenAI sagde, at virksomheden ikke havde tilgået forskernes konkrete brugerdata i Navier–Stokes-arbejdet. Samtidig tilføjede den, at den ikke helt kunne udelukke, at afidentificerede data fra brugen af produkterne havde bidraget til at forbedre modellerne. 59

Skellet kan være teknisk vigtigt, men det efterlader et centralt spørgsmål om styring: Hvilken dokumentation af dataoprindelse, hvilket samtykke og hvilken mulighed for revision bør forskere kunne forvente, når de bruger AI-systemer til endnu ikke offentliggjort arbejde?

For akademiske brugere understreger striden behovet for at kende et produkts datapolitik, før man indsætter udkast, formodninger, kode eller andet følsomt forskningsmateriale i et AI-værktøj.

Advarslen fra Fields-medaljevinderne

Den 11. september offentliggjorde Terence Tao en erklæring med 25 oprindelige underskrivere, alle Fields-medaljevindere, under titlen A Severe Misalignment of AI in Mathematics. 43

Erklæringen afspejlede en bekymring for, at virksomheder kan behandle berømte uløste problemer som offentlige benchmarks eller PR-konkurrencer frem for som fælles intellektuelt arbejde. Kritikerne frygter, at forhastede annonceringer, ufuldstændige redegørelser, svag kreditering og incitamenter til at komme andre i forkøbet kan gøre forskere mindre villige til at dele tidlige idéer.

Advarslen var ikke, at AI bør holdes ude af matematikken. Den handlede om at beskytte normerne bag matematisk fremskridt: åben granskning, omhyggelig fremstilling, anerkendelse af bidrag og faglig samtale.

Hvad ansvarlig AI-assisteret matematik kræver

Kontroversen peger på nogle praktiske krav til ekstraordinære AI-baserede forskningspåstande:

• Offentlige og gennemgåelige bevismaterialer: En påstand bør ledsages af et grundigt manuskript og, hvor det er muligt, en maskinkontrollerbar formalisering.
• Uafhængig vurdering: Formel kontrol og matematisk ekspertvurdering har forskellige formål; store påstande kræver begge dele.
• Tydelig kreditering: Laboratorier bør dokumentere relevant tidligere arbejde, menneskelige bidrag og grænserne for systemets rolle.
• Dokumenteret dataoprindelse: Forskere skal kunne forstå, om og hvordan deres interaktioner kan bidrage til modeludvikling.
• Plads til faglig efterprøvelse: At løse et stort problem er ikke kun at levere et sandt eller falsk resultat. Det handler også om at fastslå, hvad der er bevist, hvorfor det er korrekt, og hvordan resultatet passer ind i feltet.

Bundlinjen

OpenAIs udmelding kan vise sig at være en milepæl for AI-assisteret matematisk forskning, men den afsluttede ikke sagen den dag, den blev offentliggjort. Det afgørende bliver, om det påståede bevis opnår vedvarende og uafhængig accept efter de standarder, som det matematiske miljø og Clay Mathematics Institute lægger til grund. 1827

Modreaktionen viste, hvorfor processen er vigtig. I takt med at AI får en større rolle i forskning med høje indsatser, afhænger tilliden ikke kun af, hvad systemerne kan opdage, men også af, om opdagelserne kan verificeres, forklares og krediteres retfærdigt.