Sobre o Problema do Prêmio do Milênio de Navier–Stokes

Computação, Custo e Metodologia

• Comentadores estimam cerca de US$ 15 milhões, a preços públicos da Astra, para os ~300 bilhões de tokens de saída; alguns observam que o custo interno da OpenAI é menor, mas ainda assim enorme.
• O sistema usou cerca de 10.000 agentes concorrentes ao longo de ~88 horas. Alguns veem isso como uma “nação de gênios em um datacenter”; outros argumentam que é força bruta mais forte orientação humana, e não uma AGI “de um tiro” limpa.
• Vários apontam que a cadeia de prompts, uso de ferramentas e orientação humana não é trivial, e que a postagem do blog minimiza o envolvimento humano.

Disputa de Prioridade e Preocupações com Plágio

• Uma equipe अलग já vinha trabalhando há cerca de um ano em um trabalho estreitamente relacionado de Euler/NS usando Codex/LLMs; sua declaração pública alega:
  • A OpenAI só iniciou seu esforço depois de ouvir rumores de uma solução do Milênio.
  • Suas sessões de Codex continham rascunhos e ideias-chave.
  • Não houve resposta clara sobre se esses chats foram usados no treinamento.
  • A OpenAI propôs anúncios conjuntos condicionados a remover o coautor afiliado à Anthropic e, supostamente, usou linguagem de ameaça à carreira.
• As respostas da OpenAI (na postagem e nas redes sociais) afirmam:
  • Eles nunca acessaram chats privados específicos.
  • A prova do modelo e até mesmo o resultado preciso de Euler diferem.
  • Dados de usuários podem ter contribuído com sinais de treinamento “desidentificados”; eles “não podem descartar isso”.
• O debate se divide:
  • Um lado vê isso como provável vazamento de IP / “front-running” de clientes usando seus próprios dados.
  • O outro lado insiste que não há evidência concreta de má conduta e que alegações exigem prova.

Uso de Dados, Privacidade e Confiança

• Forte foco no interruptor de treinamento (“melhorar o modelo para todos”) e em se o opt-out realmente impede o uso de dados brutos ou “desidentificados”.
• Alguns argumentam que a OpenAI poderia e deveria determinar se chats específicos entraram no treinamento; outros dizem que a escala e a desidentificação tornam isso inviável ou violador de privacidade.
• Muitos concluem que pesquisadores deveriam evitar LLMs proprietários (ou exigir retenção zero de dados estrita) para trabalhos não publicados.

Impacto na Matemática e na Cultura de Pesquisa

• Reações mistas: admiração diante de um problema do Milênio sendo derrubado; consternação com a forma como aconteceu.
• Preocupações de que rumores de progresso agora disparem enormes esforços de IA que “achatam” problemas abertos antes que projetos humanos amadureçam, empurrando a matemática para a secrecia (“floresta escura cognitiva”).
• Alguns dizem que isso mostra o raciocínio de fronteira da IA e sinaliza AGI; outros comparam a Deep Blue ou motores de xadrez: super-humanos em um domínio estreito e bem verificado.

Formalização em Lean e Correção

• Muitos enfatizam a prova em Lean como forte evidência de correção, possivelmente mais forte do que a revisão por pares tradicional.
• Outros observam:
  • As afirmações em Lean precisam corresponder exatamente ao problema da Clay, o que ainda requer verificação humana.
  • Bugs passados em assistentes de prova significam que alguma supervisão humana ainda é necessária.

Implicações Sociais Mais Amplas e de Trabalho

• Debate sobre se isso acelera uma “explosão de inteligência” ameaçando empregos de trabalho intelectual versus apenas empurrando os humanos para tarefas de nível mais alto.
• Vários veem isso como um momento de virada; outros alertam contra a superinterpretação de um único resultado matemático de alto perfil como AGI geral.