AI 数学突破如何引发争议

Meta 与重复帖

• 几位评论者指出，这篇文章与更早的 HN 线程重复，讨论的是同一个 Navier–Stokes 故事及相关报道，认为大部分实质性讨论已经在别处发生过了。
• 也有人反驳说，单纯贴上“重复帖”的标签并没有多少价值，这里的讨论仍然有用。

千禧年难题细节

• 多条评论纠正文章里“千禧年难题有六个”的说法；实际上共有七个，其中一个（现在可能是两个）已经被解决。
• 有人认为“六个未解问题”的表述可以算是善意解读；也有人认为这在逻辑上仍然不一致。

信任、数据使用，以及与用户竞争

• 一个主要担忧是：据称某家 AI 公司利用内部日志/训练数据，检测到外部研究人员的进展，然后动用巨量算力在 Navier–Stokes 上“抢跑”他们。
• 许多人指出，该公司自己也表示“不能排除”去标识化的用户数据改善了模型，这让人质疑关闭开关和零数据保留声明的实际价值。
• 很多人认为这对企业使用是有毒的：如果服务商能看到有价值的工作，然后再与用户竞争，那就不应该把专有数据或涉及知识产权的数据发给托管 LLM。
• 也有人回应说，商业/API 方案可以关闭训练，这应当能缓解风险；怀疑者则不相信这些保证。

署名、伦理与行为

• 一个核心争议点是，据报道该公司曾提出：如果把一位合作者（他受雇于竞争对手）排除在外，并将故事归功于内部模型，就让这位数学家作为其解决方案的唯一作者。
• 评论者即便按该公司自己的说法来看，也称这“很没品”或近似科学不端；有人认为对个人学者来说，这会是足以断送职业生涯的行为。
• 由于未能明确否认使用研究者的日志，也未能透明地证明独立性，这被视为对信任的严重损害。

AI 实际做了什么

• 争论的焦点在于，这到底是真正的“自主发现”，还是在人工专家与既有文献引导下进行的、资源密集型的蛮力搜索。
• 几位评论者强调，这只是一个存在性/反例结果，并不是流体模拟的构造性工具，因此对眼前的实际应用影响很小。
• 也有人强调，真正的进步在于协调成千上万的 agentic 进程，并在 Lean 中形式化结果，而不只是那个定理本身。

对数学与研究实践的影响

• 线程里的数学家表达了不安：担心资助方会把人类数学家视为过时，也担心突破性工作会转入地下以避免被抢先发表。
• 许多人预计，严肃研究会转向自托管或主权 AI，并且在进行中的工作上会更加保密。
• 有人认为这将是一个分水岭，会推动实验室和大学在本地运行开源权重模型，并把敏感 IP 远离商业 LLM。