一份 166 页的数学解答，作者却说不清自己是怎么做出来的——这在数学界几乎不可想象，但放在大模型身上，它正在成为现实。
发生了什么
据 The Decoder 报道，OpenAI 就纳维-斯托克斯问题提交了一份长达 166 页的解答，但公司似乎并未完全理解自己这份证明。多组专家对其宣称的方法论提出异议，认为实际使用的论证路径与 OpenAI 的描述并不一致。更棘手的是，由于语言模型本质上是黑箱，这些核心想法究竟从何而来，很可能永远无法被清晰还原。
需要说明的是，目前公开信息仅限于此：报道没有披露证明的具体内容、专家质疑的技术细节，也没有给出 OpenAI 的完整回应。因此对结论本身是否成立，外界尚无定论。
为什么重要
纳维-斯托克斯方程是克雷数学研究所七大千禧年大奖难题之一，关乎流体运动是否始终存在光滑解。它若被真正攻克，将是数学史上的级别事件；正因如此，任何相关宣称都会被放在最严格的审视之下。
这件事的真正看点不在"AI 会不会做数学"，而在"AI 做了数学之后，人类能否验证并理解它"。数学证明的价值建立在可检验性上：每一步推理都要能被同行复核、被形式化系统验证。当产出证明的系统本身不可解释，而它对自身方法的叙述又与专家读出的论证不一致时，验证链条就出现了两个断点——一是证明对不对，二是我们对它的理解是否真实。
这也呼应了此前 AI 辅助数学研究中反复出现的模式：模型能给出看似有效的路径，但归因和解释往往由人类事后补写，二者未必吻合。
影响与看点
对研究者而言，这类事件会加速两个方向的投入：一是把 AI 产出的证明接入 Lean 等形式化验证工具，用机器检验替代对叙述的信任；二是要求模型输出可追溯的推理轨迹，而非仅给结论。
对行业来说，这是一次关于"AI 科研可信度"的压力测试。能力宣称越接近顶级难题，验证成本就越高，发布方的举证责任也越重。值得关注的后续包括：专家质疑的具体技术分歧点、OpenAI 是否会公布更多方法细节，以及是否有独立团队尝试复现或形式化验证。
一个克制的判断是：在黑箱问题解决之前，AI 在硬科学领域的成果，其可信度上限将由人类验证能力决定，而不是由模型能力决定。
