Czy AI rozwiązała jeden z największych problemów matematyki? Przełomowy dowód dla równań Naviera-Stokesa

Woda wypływająca z kranu, powietrze opływające skrzydło samolotu, krew płynąca przez tętnice czy gigantyczne masy powietrza przemieszczające się w atmosferze mają coś wspólnego. Ich ruch można opisywać za pomocą równań Naviera-Stokesa – jednych z najważniejszych równań współczesnej fizyki matematycznej.

Inżynierowie korzystają z nich od dziesięcioleci. Na ich podstawie projektuje się samoloty, modeluje pogodę i analizuje przepływy w niezliczonych systemach technicznych. A jednak przez blisko sto lat pozostawało bez odpowiedzi zadziwiająco podstawowe pytanie: czy równania te zawsze zachowują się dobrze, jeśli zaczniemy od idealnie gładkiego przepływu?

Czy też w pewnych warunkach mogą doprowadzić do matematycznej katastrofy – punktu, w którym prędkość opisywanego płynu rośnie bez ograniczeń dążąc do nieskończoności?

8 września 2026 roku OpenAI poinformowało, że jego eksperymentalny system sztucznej inteligencji znalazł dowód właśnie takiego scenariusza. Firma opublikowała liczący 166 stron PDF „Finite Time Blowup for Navier-Stokes” oraz jego formalizację w systemie Lean 4. Jeśli argument przejdzie niezależną weryfikację środowiska matematycznego, będzie to rozwiązanie jednego z siedmiu Problemów Milenijnych – i jednocześnie jeden z najbardziej spektakularnych przykładów wykorzystania AI w badaniach naukowych.

Równania, które opisują niemal wszystko, co płynie

Równania Naviera-Stokesa wywodzą się z XIX-wiecznych prac Claude’a-Louisa Naviera i George’a Gabriela Stokesa. W dużym uproszczeniu stosują one drugą zasadę dynamiki Newtona do płynu: uwzględniają jego przyspieszenie, ciśnienie, lepkość oraz działające na niego siły.

Nie próbują przy tym śledzić każdej cząsteczki wody czy każdego atomu powietrza. Zamiast tego traktują płyn jako ośrodek ciągły. W każdym punkcie przestrzeni można więc przypisać mu określoną prędkość i ciśnienie. To niezwykle skuteczne przybliżenie, które znajduje zastosowanie między innymi w aerodynamice, meteorologii i modelowaniu przepływu krwi.

Problem polega na tym, że równania Naviera-Stokesa są nieliniowe. Ruch płynu wpływa na dalszy ruch płynu. Małe struktury mogą się rozciągać, wzmacniać i oddziaływać ze sobą. Jednocześnie lepkość działa w przeciwnym kierunku: tłumi gwałtowne zmiany i wygładza przepływ.

I właśnie starcie tych dwóch mechanizmów leży w centrum problemu.

Matematycy wiedzieli od dawna, że w dwóch wymiarach sytuację można dobrze kontrolować. W trzech wymiarach pojawiają się jednak mechanizmy, których w dwóch wymiarach po prostu nie ma. Już w 1934 roku Jean Leray udowodnił istnienie tak zwanych słabych rozwiązań równań, ale nie udało się rozstrzygnąć, czy odpowiednio gładkie rozwiązanie może zawsze pozostać gładkie.

Matematyczny zapis równań Naviera-Stokesa prezentuje się następująco:

Milion dolarów za odpowiedź na jedno pytanie

W 2000 roku Clay Mathematics Institute umieścił problem istnienia i gładkości rozwiązań Naviera-Stokesa na liście siedmiu Problemów Milenijnych. Za rozwiązanie każdego z nich przeznaczono milion dolarów. Jeśli chcesz dowiedzieć się więcej o problemach milenijnych kliknij w link.

Popularna wersja pytania brzmi mniej więcej tak:

Jeżeli trójwymiarowy płyn zaczyna poruszać się w całkowicie regularny sposób, czy jego ruch pozostanie regularny przez dowolnie długi czas?

Oficjalne sformułowanie Charlesa Feffermana jest nieco subtelniejsze. Dopuszcza cztery sposoby rozwiązania problemu. Warianty A i B polegają na udowodnieniu globalnego istnienia gładkich rozwiązań. Warianty C i D pozwalają zrobić coś odwrotnego: skonstruować odpowiednio regularne dane oraz gładką siłę zewnętrzną, dla których takie globalne, gładkie rozwiązanie nie istnieje.

I właśnie tę drugą drogę wybrał system OpenAI.

To istotny szczegół, ponieważ OpenAI nie znalazło wzoru rozwiązującego wszystkie równania Naviera-Stokesa. Nie o to chodzi w Problemie Milenijnym. System skonstruował kontrprzykład pokazujący, że w warunkach dopuszczonych przez oficjalne sformułowanie problemu gładkość może się załamać.

Płyn zaczyna od spoczynku. Potem dzieje się coś niezwykłego

Główne twierdzenie opublikowanego preprintu jest zaskakująco efektowne, nawet jeśli odłożymy matematykę na bok. Dla każdej dodatniej wartości lepkości autorzy konstruują gładką siłę zewnętrzną o ograniczonym zasięgu przestrzennym i czasowym. Początkowo płyn pozostaje całkowicie nieruchomy – jego prędkość wynosi zero. Pod wpływem tej siły zaczyna się jednak tworzyć szczególny przepływ. Do chwili krytycznej wszystko pozostaje gładkie. Następnie maksymalna prędkość płynu rośnie bez ograniczeń.

Co jeszcze bardziej niezwykłe, całkowita energia kinetyczna nie staje się nieskończona. Jak coś może poruszać się coraz szybciej, a jednocześnie nie zgromadzić nieskończonej ilości energii? Odpowiedź tkwi w geometrii osobliwości.

Wir, który zwija się jak coraz cieńsze spaghetti

Centralnym elementem konstrukcji jest samopodobny wir.

Wyobraźmy sobie bardzo wąski wir płynu. Materia spiralnie przemieszcza się w kierunku jego osi, a jednocześnie zostaje wypychana wzdłuż osi pionowej. Z czasem rdzeń wiru staje się coraz węższy. Jego szerokość w kierunku promieniowym maleje szybciej niż długość w kierunku osiowym. Jednocześnie rośnie prędkość obrotowa i osiowa.

OpenAI opisuje tę geometrię obrazowo jako strukturę przypominającą rozciągane spaghetti.

Najważniejszy jest jednak kompromis pomiędzy prędkością i objętością.

Prędkość w kurczącym się rdzeniu zmierza ku nieskończoności, ale sam obszar zajmowany przez najszybszy przepływ maleje jeszcze szybciej. Matematyczne oszacowania w pracy pokazują, że energia kinetyczna rdzenia w istocie może dążyć do zera, mimo że maksymalna wartość prędkości staje się nieograniczona.

Można porównać to do sytuacji, w której coraz większa liczba koncentruje się w coraz mniejszym obszarze. Sam szczyt staje się gigantyczny, ale „pole pod wykresem” nadal może pozostać skończone.

To właśnie umożliwia powstanie osobliwości bez złamania warunku ograniczonej energii.

Najtrudniejsze nie było jednak stworzenie nieskończonej prędkości

Sam pomysł skonstruowania niezwykle szybkiego przepływu nie wystarczał. Gdyby do układu po prostu przyłożyć siłę, która sama staje się nieskończona w chwili krytycznej, rezultat nie miałby większego znaczenia. Osobliwość zostałaby wówczas „włożona” do równania z zewnątrz. Siła użyta w rozwiązaniu musi pozostać całkowicie gładka.

I tutaj zaczyna się najbardziej wyrafinowana część konstrukcji.

Dla samego kurczącego się wiru pewne składniki równania zaczęłyby rosnąć bez ograniczeń. Autorzy dodają więc serię przestrzennie oscylujących impulsów. Same oscylacje mają średnią równą zeru, ale ich nieliniowe oddziaływanie przenosi pęd. Odpowiednio dobrany średni strumień pędu kompensuje tę część równania, która bez niego stałaby się osobliwa. Kolejne poprawki likwidują pozostałe błędy.

Efekt jest niezwykle subtelny: wewnątrz rozwiązania prędkość wymyka się spod kontroli, a mimo to zewnętrzne wymuszenie pozostaje gładkie. To właśnie ten element pozwala dopasować konstrukcję do wariantu C oficjalnego problemu Claya. Dzięki zwartej lokalizacji rozwiązania analogiczny argument daje także wariant D dotyczący przestrzeni okresowej.

10 tysięcy matematyków? Nie – 10 tysięcy agentów AI

Równie niezwykłe jak sam wynik są okoliczności jego powstania.

Według OpenAI do pracy wykorzystano niewydany jeszcze model, który firma opisuje jako znacznie bardziej zaawansowany od GPT-6 Astra. Nie był to jednak pojedynczy chatbot siedzący przez cztery dni nad jednym dowodem.

Uruchomiono rozproszony system około 10 tysięcy równolegle pracujących agentów AI. Mogły one korzystać między innymi z zapisanej kopii internetu oraz narzędzi do wykonywania kodu. Poszczególne grupy otrzymywały różne warianty problemu i badały odmienne strategie rozwiązania. Następnie najbardziej obiecujące wyniki były przekazywane między grupami i konsolidowane.

System doszedł do rozwiązania po około 88 godzinach.

W czasie prac nad samymi równaniami Naviera-Stokesa agenci mieli wymienić około 2,7 miliona wiadomości i wygenerować około 130 miliardów tokenów. Łącznie eksperymenty obejmujące także inne problemy zużyły około 300 miliardów tokenów.

To pokazuje coś więcej niż tylko rosnące możliwości pojedynczych modeli językowych.

W tym eksperymencie AI zaczyna przypominać nie jednego badacza, ale ogromną organizację naukową, która może jednocześnie testować tysiące pomysłów, odrzucać ślepe uliczki i przekazywać obiecujące idee do kolejnych zespołów.

Lean 4: komputer sprawdza każdy krok

Przy 166-stronicowym dowodzie wyprodukowanym z pomocą sztucznej inteligencji natychmiast pojawia się oczywiste pytanie: skąd wiadomo, że model czegoś nie wymyślił?

Dlatego równolegle powstała formalizacja w systemie Lean 4.

Lean nie „czyta” matematyki w taki sposób jak człowiek. Twierdzenia i kolejne kroki dowodu zapisuje się w ścisłym języku formalnym, a niewielkie jądro programu sprawdza, czy każdy krok rzeczywiście wynika z wcześniejszych założeń i zaakceptowanych reguł.

OpenAI podaje, że formalizacja i weryfikacja zajęły dodatkowych 17 godzin i były prowadzone z wykorzystaniem GPT-6 Astra. Publiczne repozytorium zawiera formalizację wariantów C i D bez pozostawionych luk typu sorry oraz mechanizm Comparator służący do porównania udowodnionego formalnie twierdzenia z niezależnie zapisanym sformułowaniem problemu.

Warto jednak uważać na sformułowanie „GPT-6 zweryfikował dowód”.

Model AI pomagał w formalizacji. Ostatecznym arbitrem poprawności formalnego kodu jest system Lean i jego kernel, a nie opinia modelu językowego.

I nawet to nie kończy całego procesu naukowej weryfikacji. Eksperci nadal muszą upewnić się, że formalnie zapisane definicje odpowiadają dokładnie problemowi matematycznemu, że nie pominięto istotnego założenia i że cały rezultat jest interpretowany prawidłowo.

Czy więc Problem Milenijny został rozwiązany?

Tutaj potrzebne jest ważne rozróżnienie.

Pod względem treści twierdzenia – jeżeli dowód jest poprawny – tak. Twierdzenie 1.1 pracy OpenAI zostało skonstruowane właśnie po to, aby spełnić wariant C problemu Feffermana, a konstrukcja okresowa również wariant D. Co ważne, możliwość rozwiązania problemu w ten sposób nie jest żadną luką ani obejściem regulaminu. Warianty C i D od początku znajdowały się w oficjalnym sformułowaniu problemu.

Pod względem statusu naukowego i procedury Clay Mathematics Institute – jeszcze nie.

Praca została opublikowana zaledwie 8 września 2026 roku. CMI nie przyjmuje bezpośrednich zgłoszeń rozwiązań. Zgodnie z zasadami potencjalne rozwiązanie musi zostać opublikowane w kwalifikowanym źródle naukowym, od publikacji muszą minąć co najmniej dwa lata, a wynik musi uzyskać powszechną akceptację międzynarodowego środowiska matematycznego.

OpenAI samo deklaruje, że nie zamierza ubiegać się o milion dolarów nagrody.

Najbardziej precyzyjne określenie obecnej sytuacji brzmi więc:

OpenAI opublikowało formalnie zweryfikowany kandydat na rozwiązanie Problemu Milenijnego Naviera-Stokesa. Jeżeli wynik zostanie potwierdzony przez niezależnych matematyków, rozstrzygnie problem przez wykazanie załamania gładkości w wariantach C i D.

Jest jeszcze jeden ważny haczyk: siła zewnętrzna

W popularnych opisach problem Naviera-Stokesa często przedstawia się jako pytanie o to, czy idealnie gładki płyn może „sam z siebie” wytworzyć osobliwość.

Nowy dowód tego nie pokazuje.

Konstrukcja wykorzystuje specjalnie dobrane, choć całkowicie gładkie wymuszenie zewnętrzne. To wystarcza do rozwiązania oficjalnego Problemu Milenijnego w wariancie C lub D, ale pozostawia otwarte niezwykle interesujące pytanie o powstanie osobliwości w klasycznych trójwymiarowych równaniach Naviera-Stokesa bez wymuszenia zewnętrznego.

To rozróżnienie jest istotne również dla fizyki. Wynik nie mówi, że wir w szklance wody może nagle przyspieszyć do nieskończoności.

Dowodzi czegoś bardziej abstrakcyjnego, ale fundamentalnego: nawet przy dodatniej lepkości równania dopuszczają bardzo starannie skonstruowany scenariusz, w którym gładkość rozwiązania zostaje utracona.

Czy od jutra trzeba zmieniać symulatory pogody i oprogramowanie do projektowania samolotów?

Nie.

Równania Naviera-Stokesa pozostają jednym z podstawowych narzędzi mechaniki płynów. Inżynierowie od dawna korzystają z nich numerycznie i stosują przy tym wiele dodatkowych modeli oraz przybliżeń.

Nowy wynik nie oznacza również, że prawdziwy płyn osiągnie nieskończoną prędkość. Nieskończoność pojawia się w modelu matematycznym. W rzeczywistym świecie, zanim doszłoby do takiego stanu, znaczenia mogą nabrać zjawiska pomijane przez idealizowany model: ściśliwość, struktura cząsteczkowa, zmiana właściwości materiału czy inne efekty mikroskopowe.

Dlatego lepiej powiedzieć, że rezultat ujawnia matematyczną granicę klasycznego modelu, niż że „udowadnia konieczność śledzenia każdej pojedynczej cząsteczki”.

To drugie sformułowanie byłoby zdecydowanie zbyt mocne i na ten moment – nieprawdziwe.

Nie tylko matematyka. Spór o to, kto naprawdę dokonał odkrycia

Historia ma także drugą warstwę – dotyczącą sposobu prowadzenia nauki w epoce AI.

OpenAI rozpoczęło intensywne eksperymenty 1 września, po otrzymaniu informacji, że na polu Problemów Milenijnych mogło nastąpić istotne odkrycie. Plotka wiązała się z pracami Tristana Buckmastera z New York University oraz Leventa Alpöge z Anthropic.

Okazało się później, że ich wynik dotyczył między innymi wymuszonych równań Eulera, a nie dokładnie tego samego twierdzenia dla klasycznych równań Naviera-Stokesa. Sama praca OpenAI przyznaje także znaczenie wcześniejszych metod rozwijanych przez Diego Córdobę i Luisa Martínez-Zoroę.

Jednocześnie wybuchł spór dotyczący pochodzenia pomysłów i wykorzystania danych użytkowników.

OpenAI twierdzi, że jego badacze ani agenci nie mieli dostępu do nieopublikowanej pracy konkurencyjnego zespołu i że podczas rozwiązywania problemu nie wykorzystano konkretnych danych użytkowników. Firma dodała jednak, że nie może całkowicie wykluczyć możliwości, iż zanonimizowane dane pochodzące z korzystania z jej produktów wcześniej przyczyniły się do ulepszania modeli.

Spór ten nie przesądza o poprawności samego dowodu, ale dotyka problemu, który wraz ze wzrostem znaczenia AI w nauce będzie coraz trudniejszy do ignorowania: kto jest autorem odkrycia, gdy pomysły ludzi, dane treningowe, narzędzia i autonomiczne systemy badawcze zaczynają się ze sobą mieszać?

Od pomocnika do uczestnika badań

Nawet jeśli odłożyć na bok milion dolarów, medialny rozgłos i spór o pierwszeństwo, najważniejszym elementem tej historii może być właśnie sposób powstania dowodu.

Do niedawna modele językowe kojarzono przede wszystkim z pomocą przy pisaniu kodu, streszczaniu publikacji lub rozwiązywaniu zadań matematycznych o znanej odpowiedzi.

Tutaj mamy coś jakościowo innego.

System otrzymał otwarty problem badawczy, rozdzielił poszukiwania między tysiące agentów, badał równolegle różne strategie, wymieniał wyniki, stworzył bardzo długi argument analityczny, a następnie doprowadził go do postaci możliwej do mechanicznego sprawdzenia.

Jeżeli dowód przetrwa niezależną kontrolę matematyków, jego znaczenie będzie więc podwójne.

Po pierwsze, pokaże, że w trójwymiarowych równaniach Naviera-Stokesa – przy odpowiednio dobranym gładkim wymuszeniu – rzeczywiście może nastąpić utrata gładkości w skończonym czasie.

Po drugie, stanie się sygnałem, że sztuczna inteligencja przestaje być jedynie narzędziem wspierającym naukowców i zaczyna uczestniczyć w jednym z najbardziej wymagających etapów nauki: poszukiwaniu nowych dowodów, których wcześniej nie znał nikt.

I być może właśnie ten drugi element okaże się w dłuższej perspektywie jeszcze ważniejszy niż same równania Naviera-Stokesa.