OpenAI 宣布“解决千禧年难题”才过去一个多月，剧情已经走完一整轮反转。要回答 AI 能不能颠覆基础科研，得先看懂这轮风波真正暴露了什么：AI 确实拿出了专家承认新颖、机器可逐步核查的成果，被颠覆的却不是科学的目标，而是科学生产与验证的秩序——AI 让数学成果的生产成本急剧下降，但理解、验证和判断这些成果价值的成本，并没有同步下降。这个不对称，才是看懂未来趋势的起点。
OpenAI 到底“攻克”了什么，取决于怎么问
9月8日，OpenAI 宣布其内部 AI 系统解决了「纳维-斯托克斯存在性与光滑性问题」，这是克雷数学研究所 2000 年列出的七大千禧年大奖难题之一。微博但拆开论文内容，结论比标题更精确：给出的是三维 Navier-Stokes 方程在有外力条件下有限时间爆破的证明，它动摇了千禧年问题对全局正则性的期待，却还不能算“完全解决”这道题。知乎《科学美国人》对这次攻关的统计口径是：约 1 万个数学能力更强的 LLM 智能体组成“智能体群”，耗费约 88 小时计算与 1300 亿个 token，共同构建了这个爆破模型。知乎
“抄袭”指控经历了一次完整反转
官宣前几天，纽约大学数学家 Tristan Buckmaster 与 Anthropic 研究员 Levent Alpöge 刚发布了同一路线上的流体爆破成果。Buckmaster 随后发表公开声明，指控 OpenAI 得知其进展后试图抢先发布成果，还要把在竞争对手公司工作的合作者从署名中移除。微博 双方最终谈崩，据《麻省理工科技评论》的中文报道，通话中对方甚至说出了关乎他学术职业生涯的话；被点名的 OpenAI 研究人员随即否认指控，而截至当时，这几次关键通话的详细经过仍主要出自 Buckmaster 的单方陈述，没有可供独立核实的完整记录。微博OpenAI 对数据问题给出的解释是：模型不可能看过 Buckmaster 的数据，但无法排除用户脱敏数据曾帮助改进模型——这条防线比看上去更弱，因为模型的“黑箱”特性意味着群体推理的确切过程可能永远无法复盘。微博
一个月后，真正的反转来了：逐行啃读论文的多个专家组得出了几乎一致的结论——这份证明根本没有走两位西班牙数学家开辟的“西班牙路线”，相似只停留在表面。知乎也就是说，OpenAI 在发布时对自己模型的证明并不理解，才会把方法归错路线，而一个多月过去，仍然没有人完全读懂它。知乎
验证成了新的瓶颈
势头并没有因为争议放缓。10月初，OpenAI 在 GitHub 放出 722 篇机器生成的数学手稿，整理出 372 个成果组，触及数论、代数几何、理论计算机科学等方向的核心前沿。36氪《科学美国人》统计，OpenAI 上一周又追加发布了约 400 条结果，放在 AI 时代之前，其中十几条就足以让作者拿到菲尔兹奖，而“地球上的专家数量已经不足以应对这波浪潮”。知乎
但验证进度完全配不上发布速度：722 篇里只有 162 篇的主要结果通过了计算机验证，发布次日就有 3 篇因符号错误导致核心论证失效而被撤下，14 篇被修订。36氪机器核查本身也有盲区：逐行对照形式化代码的研究者发现，论文陈述只要求额外的 4 阶导数光滑性，Lean 代码却用了更强的 5 阶条件——机器验证的是形式化命题的推导，命题是否忠实对应原始问题，它并不负责回答。知乎
陶哲轩把这种局面称为「证明消化不良」：AI 以工业化速度批量生产证明，人类根本来不及验证、理解和吸收。对抗随之组织化——一个刚成立、只有 800 多名成员的“人类数学协会”发表声明呼吁数学家停止与 OpenAI 合作，讽刺的是，这份声明被检测工具判定为 100% 由 AI 生成。36氪验证危机的传导不止数学：机器学习顶会 ICLR 的投稿量从十年前的一两千份暴涨到今年的六万份，评审根本来不及消化。36氪
AI 颠覆了什么，颠覆不了什么
边界已经在这场风波里显形。AI 真正改变的是生产环节：它用算力完成了人类专家卡了几十年的最后几步，而且路线未必是人类铺垫的那条——“西班牙团队推进 99%、AI 补上 1%”的流行叙事，恰恰被“路线不同”的新发现推翻，说明连答案从何而来都还是谜。竞赛也表明这不会是最后一次：NS 结果公布前几天，Anthropic 被曝用 Claude 找到了困扰数学界一个多世纪的雅可比猜想反例，还改写了黎曼猜想零点比例的下限记录。36氪背景是，9月 OpenAI 搁置上市、10月初年化营收又传出低于市场预期，密集发布数学成果被不少解读视为向投资者展示技术壁垒的“性能营销”。
被放大的问题在“理解”这一侧。MIT 教授 Justin Solomon 的判断是，AI 眼下所有壮举仍落在人类已有知识围成的「凸包」里：它擅长在已知节点间做高维连线、替人类算完卡了十年的最后几步，而凭空造出一个全新概念，暂时还写在人类这一边。36氪陶哲轩在 Math 2.0 演讲里的思想实验把问题推到了每个人面前：一款 AI 设计的神药，形式化验证通过、临床试验有效，但没人说得清机制——你敢不敢把它打进静脉？
科学机构至今没有为“真理与人类理解分家”准备答案，这也是科普界担心黑箱的原因：如果整个求解在公司内部完成，过程不公开，只发布最终答案，其中可能产生的数学洞察就被锁进了黑箱。微博答案越来越便宜，提出问题的价值反而更高。
趋势：接下来盯四个信号
NS 结果的完成度。Lean 形式化能否最终闭合、无外力版本是否被推进是关键分水岭。陶哲轩判断，把这些方法一路推进到 Navier-Stokes 没有原理上的障碍，甚至有完全消除外力项的可能——真到那一步，千禧年问题的完整解答才算由 AI 交出，“攻克”二字再无争议。微博
来源问题怎么收场。普林斯顿高等研究院数学家 Camillo De Lellis 说得直白，这已经不是可以明确验证的数学事实，而“脱敏数据”的辩解也无法让“是否借用思路”变成可核查的事实。知乎往后，大模型公司再宣称突破，要先回答训练数据与研究记录的边界，才轮到证明本身。
验证的制度化程度。Lean 正从边缘工具变成 AI 成果的第一道关卡，菲尔兹奖得主联署宣言、资深数学家组成的独立咨询小组等人类侧机制，都在重新划定 AI 成果如何发布、署名和采信。谁能把“理解与验证”也工业化，谁就拿到下一阶段科研的定价权。
议程会不会易主。722 篇手稿意味着“什么问题值得做、什么成果算数”不再只由学术共同体决定。掌握算力的一方可以决定先暴力解决哪些难题，基础科研会不会退化成“开放问题库存管理”，是这场争议真正的分水岭。
AI 真能颠覆基础科研——但颠覆的方式不是用算法取代科学家，而是逼着整个科学界围绕“机器验证过的答案”重建确认机制。“专家承认它对、但没人读懂它”的突破还算不上科学革命的完成，只是革命的第一章。最该持续观察的信号，不是下一个被 AI 解决的难题，而是人类什么时候真正看懂这次关于流体的证明。
