纳维–斯托克斯千禧年大奖难题

聊天数据的使用与隐私

• 许多人担心，在敏感研究中使用托管式 LLM（API 密钥、公司战略、未解数学）会有后来“复述”或训练泄漏的风险。
• 有些人认为，风险与其说在于权重，不如说在于人类或流水线会从日志里挖掘高价值想法。
• 对 OpenAI 的开关（“改进模型” vs “不训练”）存在困惑和不信任，而且会话内反馈还可能存在漏洞。
• 几位评论者得出结论：除非你完全接受训练复用，或者使用本地 / 注重隐私的方案，否则不要把第三方 LLM 用于机密或职业生涯攸关的工作。

作者署名、抄袭与伦理

• 一大群人认为，试图因雇主归属而排除一位合作者，显然属于科学不端行为，并且与数学领域的署名规范严重不符。
• 另一些人强调，事实记录并不完整，截图含义含糊，而且动机（恶意还是误解）仍不清楚。
• 大家普遍同意：出于商业 / 公关原因操纵作者署名，是学术界的重大警讯。

模型是否“偷走”了纳维–斯托克斯的想法？

• 一派怀疑 OpenAI 从研究者的聊天中获益：使用数据进入训练 / 上下文、定向查看日志，或对竞争者账号做标记。
• 另一派认为，奥卡姆剃刀更支持这样的解释：传言称 NS 可解 → 实验室把巨量算力和强大的内部模型投入所有千禧年问题 → NS 显得很有希望 → 于是他们转而聚焦于此。
• OpenAI 自己使用的“我们不能排除”式表述，被认为既诚实又令人警惕。

LLM 的数学作用与局限

• 一些人对最先进模型在智能体和人类引导下，竟能帮助解决千禧年级别问题感到印象深刻，尤其是在反例 / 形式化场景中。
• 也有人认为，这看起来仍然像是在大量人类工作的基础上外推，而不是“发明新领域”；他们怀疑当前 LLM 在没有先前文献的情况下，是否能推动真正全新的前沿。
• 还有人担心，模型可以通过自动化长期项目中的“最后 20%”而抢在研究者前面。

验证、算力与中心化

• Lean 形式化让许多人对正确性更有信心，不过也有人指出，定理陈述误写或罕见的证明检查器 bug 仍有风险。
• 报告中的规模（数十万行 Lean 代码、数百万条智能体消息、巨量 token）凸显出只有少数大型实验室负担得起；一些人担心科学权力会进一步集中。

更广泛的启示

• 前沿实验室会雇用数学家并运行大型封闭流水线，因此营销可能夸大了模型的自主程度。
• 争论仍在继续：这一事件到底是被夸大的戏剧，还是关于数据治理、学术规范以及谁控制未来高端科学发现的早期警告。