Navier-Stokes – Tristan Buckmaster [pdf]

据称的时间线与争议

• 两位研究者据称在约一年的时间里使用多个 LLM 研究流体力学问题，并声称在 Euler、孔隙介质、Boussinesq，以及一个相关的“hypo‑dissipative” Navier–Stokes 问题上取得了进展（这本身并不是千禧年版本）。
• 传闻开始流传，称某家竞争的 AI 实验室已经解决了一个千禧年奖问题；其中一位研究者联系了另一家实验室澄清，称这项独立工作涉及第一家实验室的一名员工。
• 不久之后，被联系的实验室表示，其新的内部模型通过类似的“forced”方法，在仅仅几天的集中努力和大量算力下，找到了一个 Navier–Stokes blowup 结果（据称符合奖项资格）。

聊天记录与训练数据的使用

• 核心担忧是：第二家实验室的模型可能受益于第一组团队私有的 Codex/ChatGPT 会话（草稿、想法、提示）。
• 研究者们表示，他们被告知“模型不会查找用户数据”，但关于是否用这些会话进行训练，始终没有得到明确答复。
• 该实验室的公开声明后来称：在解决该问题时没有访问任何特定用户数据，但“不能排除”去标识化的产品使用数据改善了模型。
• 一些评论者认为，故意窥探不太可信（访问控制、商业风险）；另一些人则认为，这完全符合当前 LLM 训练实践及公司的激励机制。

作者归属、学术规范与据称的威胁

• 根据该声明，第二家实验室提出协同发表，并愿意让这位学术研究者主导关于完整结果的论文，但希望排除那位受雇于竞争实验室的合著者。
• 评论者指出，因所属关系而移除一位做出实质贡献的人，违背学术规范。
• 该声明称，一位资深人士警告说，若公开此事会“毁掉”这位学术研究者的职业生涯，而且他们“不必客气”；许多读者将此解读为恐吓。
• 该实验室的一位研究者后来承认“毁掉你的职业生涯”这一说法是一个严重错误，但对其他指控提出异议。

数学结果的状态与性质

• 讨论串的共识是：这些学者目前的论文很重要，但并没有解决官方的 Navier–Stokes 千禧年问题；据称实验室内部的结果则解决了它（带 forcing）。
• 完整证明、正确性，以及是否符合 Clay Prize 规范仍不清楚，需要社区进一步审查。
• 关于 Euler blowup 的单独公告（forced 与 unforced）又增加了混淆，使人不清楚究竟证明了什么。

AI 在数学中的角色与未来激励

• 许多人将此视为数学领域的“Deep Blue”时刻：一旦已知一个有希望的方向，LLM 驱动的自动化加上巨量算力就能迅速补齐长期存在的空缺。
• 该讨论串中的几位数学家认为，如果 AI 通过不透明、暴力搜索、Lean 形式化证明来“解决”重大问题，这或许会推进形式化结果，但会损害人类理解以及开放协作的文化。
• 人们强烈担忧，仅仅听到某个有希望方法的传闻，现在就会触发前沿实验室之间的算力军备竞赛，从而激励对研究方向保密。

隐私、ToS 与实际建议

• 评论者反复强调：
  • 消费级账号通常默认允许将聊天内容用于训练；许多学者并未意识到这一点。
  • 退出机制以及“去标识化数据”条款被认为具有暗黑模式特征且语义模糊。
  • 对于知识产权和优先权很重要的工作，许多人建议使用自托管或在合同中明确保证零保留的方案，而不是依赖通用云端 LLM。

社区情绪

• 观点分裂为两类：
  • 认为实验室的行为是可预见的残酷竞争加上糟糕沟通；以及
  • 将其解读为系统性的剽窃、霸凌，以及前沿实验室无法被信任处理敏感研究的证据。
• 对可能出现的 Navier–Stokes 突破的兴奋，与对“AI 只是自己把它解决了”这一叙事的深深怀疑，以及对其对数学研究长期影响的警惕并存。