OpenAI 内部有一套系统连着转了 88 个小时。不是一台机器在跑，是大约一万个 AI 智能体并行作业，彼此之间来回发了 270 万条消息，最后累积吐出约 1300 亿个 token，只为了把一道流体方程彻底拿下。这显然不是一次寻常的计算任务。
那道方程叫纳维-斯托克斯方程，克雷数学研究所 2000 年列出的七道千禧年大奖难题之一，挂了 100 万美元的悬赏。它管的是水和空气这类流体怎么运动，机翼周围的气流、台风眼的走向、血管里的血液怎么拐弯，理论上都能用它描述。方程的写法本身不算复杂，难的是一个一直悬着的基础问题：一团流体的初始状态如果很平滑，它会不会有一天突然失控，某个局部速度冲到无穷大？
面对这个问题，OpenAI 给出的回答很干脆——会。它拼出的图景有点像把搅拌机开到最大档再拉长转速——一个旋涡不停向内收拢，同时被越抻越细，像一根被拉长的面条，核心区域不断缩窄，速度一路往上顶，直到方程在数学意义上不再有正常解。整个过程中，流体的总动能始终有限，并未失控到爆掉。
证明是拿定理证明助手 Lean 校验过的，由 GPT-6 Astra 在大概 17 小时内跑完，成品 165 页。到这一步，按常理该是一片叫好。
可真正让人愣住的是接下来这一幕：论文摊开之后，圈子里能把它从头读到尾的人，少得可怜。彭博社那档《Odd Lots》请来了麻省理工工程教育副院长 Justin Solomon 聊这件事。他的老本行是图形学，曾在皮克斯工作，跟电影特效背后的数学打过交道，按理说读硬核推导是家常便饭，可他自己承认，读到开头几页就走不下去了，后面再使劲也进不去。
节目里，主持人先问了个很直接的问题，这份证明够不够漂亮，他先是摇头，说谈不上好看，全是密不透风的技术细节和反常的不等式。再问他这结论靠不靠谱，他顿了一下才松口，说八成是成立的。就是这句含糊的"八成成立"，把一件持续了几千年的事悄悄拆开了。过去在数学里，"一个结论成立"和"有人能讲清它为什么成立"基本是同一件事，现在这两件事被分到了两个人手里——机器负责前者，人类还停在原地。
关于这道题怎么来的，还有一段不太平静的插曲。两个团队都在往前推，纽约大学的 Tristan Buckmaster 和当时在 Anthropic 的 Levent Alpöge 一直在做相关方向，赶在 OpenAI 公布之前先放出了一部分草稿。事后还闹出过一段关于"草稿有没有喂给模型"的争执，OpenAI 出面否认。而将两边工作垫在下面的，是西班牙两位数学家 Diego Córdoba 和 Luis Martínez-Zoroa 早先打下的策略，Fefferman——就是当年替克雷研究所写官方题面的人——公开把功劳记在了他们头上。
比"证明对不对"更难回答的，是"看懂了没有"。陶哲轩在加州理工的一场演讲里，把这个难处讲得很直白。他拿考古打了个比方：你完全可以用挖掘机把遗址整片挖开，宝藏没准真被你挖出来了，可那些原本能说明它来历和意义的土层、位置关系，也被你一起搅烂了。机器给出的答案也许正确，但它顺手丢掉的那些线索，正是人类理解这件事的关键。他甚至提出，某些问题或许该被标记成"对 AI 谢绝"，就像大家默契地不剧透电影结局一样——有些答案一旦被太早摊开，过程本身的价值就没了。
Solomon 在节目里还纠正了一个流传很广的印象。他说电影里那种一个人对着黑板、靠灵光一闪解决世纪难题的场面，离真实数学差得很远。数学更多时候是一屋子人围在一起，你一句我一句地磨，是靠讨论堆出来的。这个说法让我想起另一件事：Solomon 用"地震来了这栋楼会不会塌"来举例，说明为什么验证环节松不得——工程上没人敢拿一句"大概是对的"去盖楼。可现在这道流体方程的证明，正好卡在这个尴尬位置：它形式化校验通过，却又没人能真正把它讲成人能听懂的推理。
对写代码的人来说，这种"跑得通但讲不清"的状态其实一点也不陌生。现在接手一个别人用大模型生成的项目，那堆代码能编译、能上线，可你要问某一段为什么那么写，作者本人多半也说不清。我们只是比数学家早几年撞上这堵墙而已。
这里插一句题外话，说的是算力这层底子。不管是数学证明还是工程代码，能不能把一件事从想法推到结果，越来越取决于手里有没有足够的算力去反复试、反复跑。OpenAI 那 88 小时、1300 亿 token 的背后，是一整套随时能拉起来的计算资源在托底。对普通团队来说，卡在哪一步往往不在于想不出思路，而在于思路想出来之后，有没有地方能让你便宜、快速地把它跑起来、验一遍。这件事正在变成比"聪明"更稀缺的东西。
