OpenAI用88小时解开百年数学猜想，人类数学家却开始给它写教辅

9月8日，OpenAI发布公告称，其AI系统在88小时内、调用1万个智能体、花费数百万美元，完成了纳维-斯托克斯方程千禧难题中允许平滑外力情形的证明草稿。七周后，复旦大学数学家雷震与Xiao Ren发布解读预印本，逐段重写原稿中的流动构造部分，试图让同行读懂AI到底做了什么。AI交卷，人类开始写解析。

希鸥网观察到，这场看似发生在纯数学领域的突破，正在暴露一个所有技术创业者都会遭遇的结构性裂缝：当AI把“生成答案”的速度推到极致，人类组织“理解、核查、传递”知识的速度，反而成了整个系统的新瓶颈。OpenAI不领100万美元奖金，克雷研究所仍将命题列为“Active”，这份答卷的验收权，还捏在人类手里。

归因的第一层，藏在AI的方法选择里。Armstrong等数学家仔细比对后发现，AI并未发明新工具，而是把1983年文献中出现过的凸积分思路，与流体自身的不稳定性组合起来——让相邻水层速度差自发产生振荡脉冲，用“水自己搅自己”替代数学家手工构造。工具全是旧的，组合方式却被评价为“绝对疯狂”。这戳破了一个创业幻觉：颠覆式创新往往不是发明新零件，而是把旧零件装进没人试过的排列。

第二层归因在验证链条上。Lean证明助手能逐步检查推理是否成立，但机器只检查它收到的东西。10月6日，Bastounis等三位研究者发布预印本，指出原稿与Lean版本存在陈述差异。机器能保证每一步没算错，保证不了题目没抄错。这就像创业公司上了最先进的ERP系统，流程数据全部正确，但战略方向本身可能是错的。工具解决的是执行精度，不解决意图偏差。

第三层归因指向知识生产的组织成本。AI侧的成本是可计算的：88小时、1万智能体、数百万美元。人类侧的成本却难以量化：雷震团队要重写构造，Bastounis团队要逐条对照，还要有人把方法提炼出来用于其他问题。生成成本趋近于零，验证成本却随复杂度指数上升，这个剪刀差正在倒逼科研组织方式重构。

希鸥网认为，这场博弈的利益格局已经清晰：OpenAI用一次“不领奖”的姿态，把证明的最终解释权留给了人类数学界，既规避了冒进风险，又赚足了学术声望。真正承压的是中间层——那些既非AI开发方、也非顶尖解题者的普通研究者，他们必须在更短时间内消化一份自己没参与生成的复杂证明，否则就会被知识迭代甩下车。受益者是少数能快速建立“人机协作验证”流程的机构。

对创业者而言，第一课来自达利欧的提醒：从高层面俯视你的机器和你自己。OpenAI这88小时的产出，本质上是一台高速运转的“证明生成机器”，但机器产出的结果必须与目标持续对照。创业公司引进AI工具时，最危险的动作是把工具当答案。你必须像达利欧说的那样，不断把实际产出与头脑中期望的产出进行对照，然后寻求改进——而不是看到数字漂亮就宣布胜利。

第二课关于量化评价工具的设计。Lean能验证每一步推导，却无法告诉你“这份证明是否回答了原问题”。达利欧的原则是：制定量化工具时，要假设哪些数据可以揭示答案，不要用你已经有的数据去粉饰结论。放到创业场景里，当你用AI生成代码、文案或财务模型时，你的检查工具是否只检查了“格式对不对”，却漏掉了“方向对不对”？机器验证的边界，就是创始人必须亲自盯住的边界。

第三课最容易被忽略：治理机制。OpenAI声称完成证明后，外界一度以为它沿用了Córdoba路线，直到数学家逐字比对才澄清。信息在传递中被误读，不是因为有人故意撒谎，而是因为缺少让“创意择优”落地的治理流程。达利欧强调，一旦有人不称职，要找出原因并确保它不影响新岗位。AI交出的答卷也一样：先别急着评判对错，先建立一套让人类专家能逐条核查、标注、反馈的治理链条，否则这份证明永远只是一份没人敢用的草稿。

金鸥品牌榜·2026年度创新案例库开放申报了。免费提报，独立评估，入榜品牌将获得电子版《入榜证明》及年度专题公示，优秀案例可获得深度专访+全平台分发。如需修改或发布文章，请加微信号：sheisceo