Equations

general · First seen 2026-06-10 · Last seen 2026-11-17 · 24 mentions

Overview

Equations(数学方程)正在成为 AI 与基础数学交叉领域的热门话题,指人工智能模型尝试求解或证明经典数学方程难题的能力边界问题。2025 年末,OpenAI 宣称其内部 AI 模型解出了纳维-斯托克斯方程的存在性与光滑性问题——这是克莱数学研究所 2000 年提出的七个千禧年大奖难题之一,每个难题悬赏 100 万美元,该消息迅速引发学界对验证方式与真实贡献的质疑。围绕方程求解,机器学习方法(如物理信息神经网络、神经算子)也在持续进展,但前沿成果的可信度问题首次成为舆论焦点。

OpenAI 纳维-斯托克斯方程争议

OpenAI 官方宣布内部 AI 模型在纳维-斯托克斯方程的存在性与光滑性问题上取得突破,该问题是七大千禧年难题中唯一关于流体力学方程的核心谜题,要求证明三维情形下解是否始终存在且保持光滑。相关消息经OpenAI 官方推文和媒体报道扩散后引发热议。

然而,后续报道指出,OpenAI 的证明方法被指与其官方叙事不符:学界对该证明的完整验证可能需要数年时间,而 AI 智能体在其中的实际贡献同样成谜。有观察者提醒,此前报道中提到「比 GPT-6 Astra 更强的下一代模型曝光」,模型能力的宣传节奏与可验证的数学成果之间存在落差,这也是当前质疑的核心。

AI 方程求解方法的近期进展

除千禧年难题外,机器学习求解方程的研究在 arXiv 上持续活跃,形成几条清晰的技术路线:

  • QGPINNs: A Physics-Informed Neural Network Framework for Nonlocal Differential Equations on Quantum Graphs:将物理信息神经网络扩展到量子图上的非局部微分方程。
  • Inertial Manifold Neural Operator for Dissipative Time-Dependent Partial Differential Equations:利用惯性流形思想构建神经算子,处理耗散型偏微分方程。
  • MoNo: Multiscale Optimal Transport Neural Operator for Solving PDEs on General Geometries:提出多尺度最优传输神经算子,支持一般几何形状上的 PDE 求解。
  • Deep learning emergent spacetime from fermionic spectral functions in holography:用深度学习从费米子谱函数中涌现出时空结构,展示方程方法在理论物理全息领域的应用。
  • 当前焦点与观察点

    围绕 AI 求解方程的讨论目前集中在三点:一是纳维-斯托克斯方程证明能否经受独立数学家的同行评审,验证周期被估计为数年,短期内难有定论;二是 AI 在重大数学成果中的「真实贡献」如何界定——是模型自主推理,还是人类引导下的辅助搜索;三是与求解数值近似(神经算子类工作)不同,存在性与光滑性属于严格证明问题,二者的难度和方法路径差异明显。后续值得关注的节点包括:OpenAI 是否公开完整证明供社区检验、克莱数学研究所是否受理相关申报,以及千禧年难题的奖金归属是否会因此出现新的评判标准。

    Coverage

    9 on file