नवियर–स्टोक्स मिलेनियम पुरस्कार समस्या पर

कम्प्यूट, लागत, और कार्यविधि

• टिप्पणीकार सार्वजनिक Astra कीमतों पर ~300B आउटपुट टोकन के लिए लगभग ~$15M का अनुमान लगाते हैं; कुछ लोग नोट करते हैं कि OpenAI की आंतरिक लागत कम है, लेकिन फिर भी बहुत बड़ी है।
• सिस्टम ने लगभग 88 घंटों में ~10,000 समवर्ती एजेंटों का उपयोग किया। कुछ इसे “डेटासेंटर में जीनियसों का देश” मानते हैं; अन्य तर्क देते हैं कि यह भारी मानव-निर्देशन के साथ सिर्फ ब्रूट फोर्स है, कोई साफ़ “वन-शॉट” AGI नहीं।
• कई लोग बताते हैं कि प्रॉम्प्ट्स, टूल उपयोग, और मानव मार्गदर्शन की शृंखला गैर-तुच्छ है, और ब्लॉग पोस्ट मानव भागीदारी को कम करके दिखाती है।

प्राथमिकता विवाद और साहित्यिक चोरी की चिंताएँ

• एक अलग टीम लगभग एक वर्ष से Codex/LLMs का उपयोग करके निकट से संबंधित Euler/NS कार्य पर काम कर रही थी; उनके सार्वजनिक बयान में आरोप है:
  • OpenAI ने अपने प्रयास की शुरुआत केवल Millennium समाधान की अफवाहें सुनने के बाद की।
  • उनके Codex सत्रों में ड्राफ़्ट और मुख्य विचार शामिल थे।
  • क्या उन चैट्स का प्रशिक्षण में उपयोग हुआ था, इस पर स्पष्ट उत्तर नहीं दिए गए।
  • OpenAI ने Anthropic-संबद्ध सह-लेखक को हटाने की शर्त पर संयुक्त घोषणाएँ प्रस्तावित कीं और कथित तौर पर करियर-धमकी वाली भाषा का उपयोग किया।
• OpenAI के जवाब (पोस्ट में और सोशल मीडिया पर) दावा करते हैं:
  • उन्होंने कभी विशिष्ट निजी चैट्स तक पहुँच नहीं बनाई।
  • मॉडल का प्रमाण और यहाँ तक कि सटीक Euler परिणाम भी अलग हैं।
  • उपयोगकर्ता डेटा ने “de-identified” प्रशिक्षण संकेतों में योगदान दिया हो सकता है; वे “इसे नकार नहीं सकते।”
• थ्रेड दो भागों में बँटता है:
  • एक पक्ष इसे संभावित IP leakage / “front-running” द्वारा उपयोगकर्ताओं के अपने डेटा के दुरुपयोग के रूप में देखता है।
  • दूसरा पक्ष जोर देता है कि कदाचार का कोई ठोस प्रमाण नहीं है और आरोपों के लिए सबूत चाहिए।

डेटा उपयोग, गोपनीयता, और भरोसा

• प्रशिक्षण-टॉगल (“improve model for everyone”) पर बहुत ध्यान दिया गया है और क्या opt-out वास्तव में कच्चे या “de-identified” डेटा के उपयोग को रोकता है।
• कुछ तर्क देते हैं कि OpenAI विशिष्ट चैट्स प्रशिक्षण में गई थीं या नहीं, यह निर्धारित कर सकता है और करना चाहिए; अन्य कहते हैं कि पैमाना और de-identification इसे असंभव या गोपनीयता-उल्लंघनकारी बनाते हैं।
• कई लोग निष्कर्ष निकालते हैं कि शोधकर्ताओं को अप्रकाशित कार्य के लिए proprietary LLMs से बचना चाहिए (या सख्त zero-data-retention की माँग करनी चाहिए)।

गणित और शोध-संस्कृति पर प्रभाव

• मिश्रित प्रतिक्रियाएँ: एक Millennium समस्या का गिरना देखकर विस्मय; जिस तरह यह हुआ उस पर निराशा।
• चिंता कि प्रगति की अफवाहें अब बड़े AI प्रयासों को ट्रिगर करती हैं जो मानवीय परियोजनाओं के परिपक्व होने से पहले ही खुले समस्याओं को “flatten” कर देती हैं, और गणित को secrecy (“cognitive dark forest”) की ओर धकेलती हैं।
• कुछ लोग कहते हैं कि यह AI की frontier reasoning को दिखाता है और AGI का संकेत है; अन्य इसे Deep Blue या chess engines से मिलाते हैं: एक संकीर्ण, अच्छी तरह सत्यापित डोमेन में मानव से ऊपर।

Lean फॉर्मलाइज़ेशन और शुद्धता

• कई लोग Lean proof को शुद्धता का मजबूत प्रमाण मानते हैं, संभवतः पारंपरिक peer review से भी अधिक।
• अन्य लोग नोट करते हैं:
  • Lean कथनों को Clay समस्या से बिल्कुल मेल खाना चाहिए, जिसके लिए अभी भी मानवीय जाँच आवश्यक है।
  • proof assistants में पहले की bugs को देखते हुए कुछ मानवीय scrutiny अभी भी जरूरी है।

व्यापक सामाजिक और नौकरीगत प्रभाव

• इस पर बहस कि क्या यह एक “intelligence explosion” को तेज़ करता है जो knowledge-work नौकरियों को खतरे में डालता है, या केवल मनुष्यों को उच्च-स्तरीय कार्यों की ओर धकेलता है।
• कई लोग इसे एक निर्णायक क्षण मानते हैं; अन्य चेतावनी देते हैं कि एक उच्च-प्रोफ़ाइल गणितीय परिणाम को सामान्य AGI के रूप में अधिक नहीं पढ़ना चाहिए।