OpenAI представила AI-решение задачи Навье—Стокса с формальной проверкой в Lean

8 сентября 2026 года OpenAI опубликовала материал о результате своей внутренней AI-системы по задаче существования и гладкости решений уравнений Навье—Стокса. Компания представила аналитическое доказательство и отдельную формализацию в Lean — системе для машинной проверки математических доказательств.

Это громкая новость, но формулировать её важно аккуратно. Речь идёт о результате, опубликованном OpenAI. Это не означает, что Clay Mathematics Institute уже присудил Millennium Prize или что независимая математическая проверка завершена. Сама OpenAI отдельно пишет, что не намерена претендовать на премию.

Что представляет собой задача Навье—Стокса

Уравнения Навье—Стокса описывают движение жидкостей и газов. Их используют в аэродинамике, гидродинамике, моделировании погоды и множестве инженерных расчётов. Главная математическая проблема в трёх измерениях — понять, остаются ли решения гладкими при всех допустимых начальных условиях или в конечный момент времени может возникнуть сингулярность.

Эта задача входит в список Millennium Prize Problems. Поэтому любое серьёзное новое доказательство автоматически привлекает внимание далеко за пределами AI-индустрии.

Что именно заявила OpenAI

По официальной публикации OpenAI, внутренняя система получила конструкцию, в которой изначально гладкое течение при гладкой внешней силе за конечное время развивает сингулярность. Компания связывает это с формулировками C и D официальной постановки задачи.

Вместе с обычным математическим изложением OpenAI опубликовала формализованную версию доказательства в Lean. Это важная деталь: формальная система требует расписать аргумент так, чтобы каждый шаг мог быть проверен машиной по заданным правилам.

Почему Lean здесь важен

Формальная проверка не заменяет научную дискуссию и независимую экспертизу, но заметно повышает проверяемость результата. В длинных доказательствах слабым местом может оказаться незаметный переход, пропущенное условие или неоднозначная ссылка на известный факт. Формализация заставляет сделать такие зависимости явными.

Для AI это особенно интересно. Если модель способна не только предложить идею, но и довести её до формы, которую можно автоматически проверить, меняется сама модель доверия к результату: меньше опоры на убедительный текст, больше — на воспроизводимую проверку.

Как работала система OpenAI

OpenAI описывает не одиночный чат с одной моделью, а координируемую многоагентную систему. По данным компании, в пиковых конфигурациях речь шла примерно о десяти тысячах одновременно работающих агентов. Они исследовали разные направления, обменивались результатами и постепенно отбрасывали тупиковые ветки.

Компания сообщает, что основное решение было получено примерно через 88 часов после запуска этого поиска. Затем ещё около 17 часов потребовалось на формализацию и проверку в Lean с использованием GPT‑6 Astra.

Масштаб вычислительного процесса тоже необычен: OpenAI указывает примерно 2,7 миллиона сообщений и около 130 миллиардов выходных токенов за попытку, связанную с Навье—Стоксом.

Какая модель получила результат

OpenAI подчёркивает, что использовалась внутренняя исследовательская модель, которую компания называет существенно более способной, чем GPT‑6 Astra. Это важно не путать с публичной моделью или API, который сегодня может вызвать любой разработчик.

Поэтому практический вывод не в том, что достаточно отправить обычный промпт в чат и получить доказательство Millennium-задачи. Существенная часть истории — специализированная оркестрация, огромный бюджет вычислений, параллельный поиск и формальная верификация.

Почему это один из сильнейших AI-hype сюжетов 2026 года

Последние годы AI активно применяют в программировании, поиске материалов, анализе данных и генерации гипотез. Здесь OpenAI демонстрирует следующий уровень: попытку решать задачу, где ценность результата определяется не красивой формулировкой, а строгой математической корректностью.

Если независимая проверка подтвердит результат, это будет сильным примером того, как AI может участвовать в создании нового научного знания. Даже до такого подтверждения опубликованный процесс интересен как инженерный эксперимент по организации долгого автономного reasoning-поиска.

Почему не стоит писать «AI окончательно решил Millennium Prize»

Между публикацией доказательства и его окончательным признанием существует большой путь. Для результатов такого уровня независимые математики изучают аргументацию, воспроизводят ключевые шаги и ищут скрытые предположения. Формализация в Lean помогает, но не отменяет научный процесс.

Кроме того, OpenAI прямо пишет, что не собирается подавать заявку на Millennium Prize. Поэтому корректнее говорить: компания опубликовала AI-полученное решение и формальную проверку, а дальнейшая оценка принадлежит математическому сообществу.

Что эта история показывает про AI-агентов

• Сложная задача может требовать тысяч параллельных исследовательских веток, а не одного длинного диалога.
• Оркестрация и отбор результатов становятся отдельным инженерным слоем.
• Верификация должна проектироваться вместе с генерацией результата, а не добавляться в самом конце.
• Для критичных задач полезно превращать ответ модели в объект, который можно проверить внешней системой.

Что из этого полезно обычному бизнесу

Большинству компаний не нужен кластер из десяти тысяч AI-агентов. Но принцип хорошо переносится на прикладные автоматизации: модель не должна просто выдавать текст и считаться правой. В рабочих процессах результат стоит проверять правилами, API, тестами, логами и контрольными условиями.

Например, AI-агент может классифицировать заявку, подготовить ответ и сформировать данные для CRM, а система отдельно проверит обязательные поля, лимиты, дубли и статус внешнего API. Такой подход гораздо надёжнее полностью непрозрачной автоматизации.

A.S Groups занимается AI-автоматизацией и интеграциями, где действия агента можно связывать с проверяемыми бизнес-правилами, API и логированием.

Частые вопросы

Официальный источник

Основные факты этой статьи взяты из официальной публикации OpenAI: AI progress on the Navier–Stokes problem.

Для обсуждения проверяемых AI-автоматизаций и интеграций можно связаться с A.S Groups.