OpenAIs Navier–Stokes-påstand: Dette vet vi – og derfor reagerte matematikerne

OpenAIs kunngjøring 8. september var oppsiktsvekkende fordi selskapet hevdet framgang på et av matematikkens viktigste åpne problemer. Den ble samtidig raskt omstridt: Et påstått bevis – også når det ledsages av formelle metoder – er ikke det samme som et resultat matematikkmiljøet har gransket uavhengig og godtatt.

Dette hevdet OpenAI

OpenAI opplyste at et ikke-offentlig internt system hadde produsert både et analytisk bevis og en Lean-formalisering. Resultatet skulle vise at en opprinnelig glatt tredimensjonal Navier–Stokes-strømning kan utvikle en singularitet på endelig tid. Selskapet sa at arbeidet involverte om lag 10 000 samtidige agenter. 2

Dersom resultatet holder ved faglig gjennomgang og samsvarer med den offisielle problemformuleringen, vil det gi et negativt svar på eksistens- og glatthetsproblemet: Glatte løsninger behøver ikke forbli glatte til all framtid. Clay Mathematics Institute beskriver problemet som et spørsmål om eksistens og glatthet for Navier–Stokes-løsninger i tredimensjonalt euklidisk rom. 18

Hvorfor Navier–Stokes er viktig

Navier–Stokes-ligningene beskriver bevegelsen i væsker og gasser. De er grunnleggende i den matematiske studien av fluidmekanikk, men den generelle oppførselen til tredimensjonale løsninger er fortsatt dårlig forstått, selv om ligningene stammer fra 1800-tallet. 30

Problemet er ett av Millennium-prisproblemene. Den offisielle beskrivelsen ber om et bevis for at glatte, fysisk rimelige løsninger eksisterer globalt, eller en alternativ løsning som oppfyller de angitte vilkårene. 1721

Dette gjør kunngjøringen til noe langt mer enn en test av en språkmodell. En gyldig løsning kan få betydning for et sentralt spørsmål i analyse og fluiddynamikk. Men jo større betydning et resultat har, desto strengere blir kravet til verifisering.

Hvorfor påstanden ikke straks ble akseptert

Clay Mathematics Institute (CMI) skrev 11. september at instituttet vurderte kunngjøringen om at problemet «tilsynelatende» var løst, samtidig som det understreket at vurderingen og prosessen for å fastsette hvem som skal krediteres, med hensikt går langsomt. 18

CMIs regler stiller tre krav før instituttet vil vurdere en foreslått løsning: Den må publiseres i en kvalifiserende kanal, det må gå minst to år etter publisering, og løsningen må oppnå generell aksept i det globale matematikkmiljøet. 27 Reglene krever også at løsningen på tilfredsstillende vis besvarer den offisielle problemformuleringen. 20

Lean kan kontrollere om en formalisert rekke påstander følger av de kodede definisjonene og forutsetningene. Det er en svært sterk type kontroll, men fagfellevurdering er fortsatt nødvendig. Matematikere må vurdere om teoremet som er formalisert, forutsetningene som er brukt, og oversettelsen fra det uformelle problemet faktisk løser det spørsmålet som var ment.

Den mest presise statusen er derfor påstått og under granskning, ikke allment akseptert eller prisgodkjent.

Striden om prioritet og kreditering

Kunngjøringen kom midt i en konflikt som involverte NYU-matematikeren Tristan Buckmaster og Levent Alpöge, en matematiker med tilknytning til Anthropic. Ifølge omtale hadde de arbeidet med beslektede spørsmål, og Buckmaster reiste spørsmål om hvordan OpenAI begynte å arbeide med problemet. 953

Buckmaster fremmet også påstander om urettmessig opptreden i samtaler om kreditering og samarbeid. OpenAI avviste de bredere påstandene fra forskerne og sa at selskapets forskere og agenter ikke hadde sett arbeidet deres før det ble offentlig publisert, og at ingen konkrete brukerdata ble åpnet for å løse problemet. 53

Dette er motstridende framstillinger, ikke fastslåtte funn. Det som er klart, er at en teknisk kunngjøring også ble til en konflikt om hvem som får æren når AI-selskaper og forskere arbeider nær samme faglige front.

Hvorfor spørsmålet om databruk ble viktig

Et særlig følsomt spørsmål var om arbeid som var lagt inn i AI-produkter, kan ha påvirket kapasiteten som senere ble brukt i forskningsarbeidet. OpenAI sa at selskapet ikke hadde åpnet forskernes konkrete brukerdata i Navier–Stokes-arbeidet, men la til at det ikke fullt ut kunne utelukkes at avidentifiserte data fra produktbruk hadde bidratt til å forbedre modellene. 59

Skillet kan være teknisk viktig, men det etterlater et sentralt spørsmål om styring og ansvar: Hvilken grad av sporbarhet, samtykke og mulighet for kontroll bør forskere kunne forvente når de bruker AI-systemer til upublisert arbeid?

For forskere understreker saken behovet for å forstå datapolicyene før utkast, formodninger, kode eller annet sensitivt forskningsmateriale legges inn i et AI-verktøy.

Advarselen fra Fields-medaljevinnerne

1. september publiserte Terence Tao en erklæring med 25 opprinnelige underskrivere, alle Fields-medaljevinnere, med tittelen A Severe Misalignment of AI in Mathematics. 43

Erklæringen uttrykte bekymring for at selskaper kan behandle berømte uløste problemer som offentlige referansetester eller PR-konkurranser, framfor som samarbeidende intellektuelt arbeid. Kritikerne frykter at forhastede kunngjøringer, mangelfull forklaring, svak kreditering og insentiver til å være først kan gjøre forskere mindre villige til å dele tidlige ideer.

Advarselen var ikke at AI bør holdes utenfor matematikken. Poenget var at normene som støtter matematisk framgang – åpen gransking, grundig framstilling, kreditering og faglig samtale – må beskyttes i takt med at AI-systemene blir mer kapable.

Hva ansvarlig AI-støttet matematikk krever

Kontroversen peker mot noen praktiske standarder for ekstraordinære AI-baserte forskningspåstander:

• Offentlige bevis som kan granskes: En påstand bør følges av et grundig manuskript og, der det er mulig, en maskinverifiserbar formalisering.
• Uavhengig vurdering: Formell kontroll og ekspertvurdering av matematikere dekker ulike behov; store påstander trenger begge deler.
• Tydelig kreditering: Laboratorier bør dokumentere relevant tidligere arbeid, menneskelige bidrag og grensene for systemets rolle.
• Dataproveniens: Forskere trenger forståelige forpliktelser om hvorvidt og hvordan samhandling med produktet kan bidra til modellforbedring.
• Tid til faglig behandling: Å løse et stort problem handler ikke bare om å levere et sant eller usant svar. Det handler også om å fastslå hva som er bevist, hvorfor det stemmer, og hvordan resultatet passer inn i faget.

Kort oppsummert

OpenAIs kunngjøring kan bli en milepæl for AI-støttet matematisk forskning, men den avsluttet ikke saken den dagen den ble publisert. Det avgjørende spørsmålet er om det påståtte beviset oppnår vedvarende, uavhengig aksept etter standardene til matematikkmiljøet og Clay Mathematics Institute. 1827

Motreaksjonen viste hvorfor prosessen betyr noe. Når AI tas i bruk i forskning med høy innsats, vil tilliten ikke bare avhenge av hva systemene kan oppdage, men også av om oppdagelsene kan verifiseres, forklares og krediteres på en rettferdig måte.