OpenAI says AI agents found a Navier-Stokes singularity proof

russianblue @russianblue2009Originally posted 2026.09.10

Open original on X

OpenAIが2026年9月8日に公表した研究成果が、数学とAIの世界に大きな衝撃を与えています。 対象となったのは、流体の運動を記述するNavier–Stokes（ナビエ–ストークス）方程式の「存在と滑らかさ」の問題です。Clay Mathematics Institute（CMI）が2000年に選定した7つの「ミレニアム懸賞問題」の一つで、解決者には100万ドルの賞金が設定されています。 OpenAIによれば、約1万のAIエージェントを同時に動かし、約88時間で有限時間特異点を構成する解析的証明へ到達しました。その後、GPT-6 Astraを使ったLeanによる形式化・検証にさらに約17時間を費やしています。 数字だけを見れば、「人類が約90年間解けなかった問題をAIが4日足らずで解いた」という驚異的なニュースです。 しかし、このニュースには非常に重要な注意点があります。 現時点でCMIがNavier–Stokes問題の解決を正式認定したわけではなく、OpenAI自身も100万ドルの賞金を請求しないと明言しています。CMIのウェブサイトでも、9月10日時点でNavier–Stokes問題は依然として「Unsolved」に分類されています。 したがって「AIが100万ドルを獲得した」という表現は正確ではありません。 そして、この訂正を踏まえても今回の出来事の重要性はほとんど失われません。むしろ本当に注目すべきなのは賞金ではなく、「科学研究そのものを巨大な並列計算へ変換する」という、新しい研究方法が姿を現したことです。 ■ 何が解かれたのか Navier–Stokes方程式は、水や空気などの流体がどのように動くかを表す基礎方程式です。航空機設計、気象、海洋、血流など、流体が関係する幅広い分野の基礎にあります。 問題は、3次元の非圧縮性流体について、滑らかな初期状態から始めた場合、その解が未来永劫滑らかなままでいられるのか、それとも有限時間内に「特異点」が生じ得るのかというものです。 簡単に言えば、「最初は何の異常もない流体から、数学的に制御不能になる状態が自然に生まれることはあるのか」という問題です。 OpenAIが示したのは後者でした。 公開された説明によると、最初は静止している滑らかな流体に滑らかな外力を加えると、渦が内側へ螺旋状に巻き込みながら細長く引き伸ばされ、有限時間内に速度が無限大へ向かう構造を作れるとしています。 重要なのは、最初から無限大の力を外部から与えて無理やり発散させるわけではない点です。流体のエネルギーは有限に保たれ、外力も滑らかなままで、それでも方程式自身のダイナミクスから特異点が形成されるという構成です。 OpenAIは、これによってCMIの公式問題設定における「C」と「D」を成立させると主張しています。 ■ 「GPT-6 Astraが解いた」わけではない ここは今回の情報で特に誤解されやすい部分です。 Navier–Stokes問題そのものを探索した中心モデルはGPT-6 Astraではありません。 OpenAIによれば、使用されたのは現在も訓練中の内部モデルで、同社はこれを「GPT-6 Astraより大幅に能力が高い」と説明しています。 約1万のエージェントは、この内部モデルを基盤としていました。 一方、GPT-6 Astraが担当したのは、得られた証明をLeanという形式証明システムへ落とし込み、形式化・検証する工程です。ここに約17時間が使われました。 つまり、 発見・探索 → 未公開の次世代内部モデル 形式化・検証 → GPT-6 Astra という役割分担です。 この違いは小さくありません。 今回の成果は、現在公開されているAIの能力だけを示しているのではなく、OpenAI内部でさらに高性能なモデルがすでに研究用途に使われている可能性を示しているからです。 ■ 本当に驚くべき数字は「88時間」だけではない OpenAIの発表で最も重要な数字は、88時間よりむしろ計算規模です。 Navier–Stokes問題だけで、AIエージェント間では約270万件のメッセージが交換され、生成された出力は約1300億トークンに達しました。 さらにNavier–Stokes以外の問題を含めた一連の実験全体では、約490万件のメッセージと約3000億出力トークンが使われています。 これは「ChatGPTに難しい数学問題を質問した」というレベルの実験ではありません。 巨大な計算資源を使って、数千から1万規模の人工的な研究者を並列稼働させたと考えるほうが実態に近いでしょう。 ■ 1万人のAI研究者は、何をしていたのか 今回の方式で重要なのは、1万のAIに同じ質問をして多数決を取ったわけではないことです。 OpenAIは問題を複数のグループへ分け、異なる問題設定やアプローチを探索させています。 ある集団が仮説を立て、別の集団が別ルートを試し、多くの試みが失敗します。その一方で、有望な途中結果をCodexによって統合し、別のエージェント群へ渡して新しい探索を始めます。 実際、OpenAIはNavier–Stokesへ全力投入する前に、粘性を取り除いたEuler方程式について、約100のエージェントを約50時間動かし、関連するregularity問題の一つで成果を得たとしています。 その知見をNavier–Stokes側へ移植しました。 ここには、人間の研究組織とよく似た構造があります。 研究テーマを分割する。 複数の研究者が独立して試す。 失敗した仮説を捨てる。 成功した知識を共有する。 有望な研究方向へ人員を集中させる。 違うのは、それを数千から1万単位で同時実行できることです。 ■ AIが「賢くなった」だけでは説明できない 今回の成果を単純な「AIモデルの知能向上」と理解すると、本質を見誤る可能性があります。 変わったのはAI一体の能力だけではなく、研究のアーキテクチャです。 従来の数学研究では、 仮説を考える → 証明を試す → 問題を発見する → 修正する → 別の方法を考える という工程の多くが直列的に進みます。 天才的な数学者であっても、同時に何千もの証明戦略を深く追跡することはできません。 AIエージェントでは、この探索木を大規模に並列化できます。 9999のアプローチが失敗しても、一つが突破口を発見すればよい。 さらに、その突破口を瞬時に別のエージェントへ共有できます。 これは「一人の超天才AI」という未来とは少し違います。 むしろ、非常に優秀なAI研究者を1万人集めた研究所を、コンピューター上に構築する方向です。 ■ 科学研究が「計算資源産業」になる可能性 ここから、今回の成果が持つ経済的な意味が見えてきます。 これまでスーパーコンピューターは、気候シミュレーション、核融合、創薬、材料科学など、主として「計算」を高速化するために利用されてきました。 ところが生成AIは、その計算資源を「思考の探索」に使い始めています。 仮説を作る。 論文を読む。 コードを書く。 証明を考える。 他のエージェントの成果を評価する。 別の方法を試す。 形式検証する。 研究活動そのものが計算資源へ変換され始めたわけです。 この変化が続けば、将来の研究機関の競争力を決めるものは、優秀な研究者の人数だけではなくなる可能性があります。 モデル性能、GPUなどの計算資源、エージェント数、推論予算、研究データ、検証システム、そしてそれらを効率的に統括するオーケストレーション技術が、新しい「研究設備」になります。 ■ ただし「90年分の研究を88時間に圧縮した」は正確ではない ここにも冷静さが必要です。 今回の88時間と、人類がNavier–Stokes問題を研究してきた約90年間を、そのまま速度比較することはできません。 AIはゼロから数学を発明したわけではありません。 微分方程式、関数解析、流体力学、証明技法、過去の研究など、人類が長期間蓄積してきた知識基盤の上で探索しています。 さらに今回のシステムは、インターネットのキャッシュを読む能力やコード実行環境などのツールも利用していました。 したがって「人類の90年＝AIの88時間」という単純な換算は成立しません。 より正確には、人類が築いてきた巨大な知識基盤の上で、従来は研究者が逐次的に行っていた新しい仮説探索を、AIによって桁違いの規模で並列化したと見るべきでしょう。 ■ Leanで検証されたから「完全決着」なのか もう一つ重要なのが形式検証です。 OpenAIは解析的証明だけではなく、Leanによる形式化も公開しました。 Leanは数学的な定義や推論をコンピューターが厳密に確認できる形式証明システムです。人間が165ページの証明を読んで「おそらく正しい」と判断することと、形式化された推論について論理規則に従っているかを機械的にチェックすることは意味が異なります。 これはAIによる科学研究にとって極めて重要な仕組みです。 AIが大量の仮説を生成できるようになるほど、「もっともらしい間違い」も大量に生成できるからです。 生成能力が100倍になるなら、検証能力も同時に強化しなければなりません。 今回の AIによる大規模探索 → 証明生成 → Lean形式化 → 機械検証 → 人間の数学者による検討 という流れは、将来のAI科学研究の一つの重要なモデルになる可能性があります。 ただし、Leanで形式化されたことと、CMIがミレニアム懸賞問題の解決として正式認定することは別です。 ■ 「100万ドル獲得」はまだ起きていない SNSでは「AIが88時間で100万ドルの賞金を獲得した」という説明が広がっていますが、これは現時点では誤りです。 CMIの規則では、提案された解答が賞の対象になるためには、適格な媒体で公表された後、少なくとも2年間が経過し、世界の数学界から広く受け入れられる必要があります。その後にCMIによる審査があります。 つまり、2026年9月に発表された証明が数日後に100万ドルを受け取る仕組みではありません。 さらにOpenAI自身が「この結果についてミレニアム賞を請求する意図はない」と明言しています。 今回のニュースの価値を100万ドルという賞金に結びつける必要はありません。 1300億トークンを投入して得ようとしているものは、賞金ではなく、最先端AIがどこまで自律的に未知の研究問題を解けるのかという能力評価だからです。 ■ そして浮上した、研究倫理という新しい問題 今回の発表には、もう一つ無視できない論点があります。 OpenAIがこのプロジェクトを開始するきっかけの一つとなったのは、ミレニアム問題に関連する成果が出たという「噂」でした。その後、その情報がAnthropicのLevent Alpöge氏とニューヨーク大学のTristan Buckmaster教授による研究に関連していたことが判明したとOpenAIは説明しています。 OpenAIは、両氏の研究を解法探索のために直接閲覧しておらず、特定ユーザーのデータへアクセスしたこともないとしています。 一方で、両氏側からは研究成果やCodex利用データとの関係をめぐって懸念が示され、海外メディアでも論争になっています。 OpenAI自身も、匿名化された利用データがモデル改善を通じて間接的に影響した可能性を完全には排除できないと説明しています。 ここは数学的成果とは切り離して検証する必要があります。 AI企業が研究者自身より先に、その研究者の着想に近い成果へ到達できる時代になれば、「誰の発見なのか」「AIサービスへ入力した未公開研究をどう扱うのか」「発見の優先権をどう認定するのか」という問題は、科学界全体の制度設計に直結します。 ■ 本当に変わったのは「研究の単位」かもしれない 今回の出来事から読み取れる最大の変化は、AIが科学者を一人ずつ置き換えることではありません。 研究組織そのものをソフトウェア化できる可能性です。 これまで「研究能力を10倍にする」と言えば、優秀な研究者を採用し、研究施設を増設し、長期間かけてチームを育成する必要がありました。 AIエージェントの場合、一定の範囲では計算資源を増やすことで探索量を増やせます。 もちろん1万エージェントが100エージェントの100倍賢いわけではありません。重複探索、通信コスト、誤った仮説、品質管理などが発生するため、単純な比例関係にはなりません。 それでも「知的労働を並列化する」という発想は、研究開発の経済構造を根本から変える可能性があります。 ■ 次に起こる競争は「モデル性能」だけではない AI業界ではこれまで、ベンチマークスコアやパラメーター、推論性能が競争の中心でした。 今回の実験が示したのは、その次の競争です。 どれほど優秀なモデルを持っているか。 それだけではなく、 何体のエージェントを協調させられるか。 どのように問題を分割するか。 失敗した探索をどう捨てるか。 有望な成果をどう共有するか。 どの段階で計算資源を集中させるか。 そして最後に、結果をどう検証するか。 この「AI研究組織の設計能力」が重要になります。 1万体のモデルを動かしても、全員が同じ間違いを繰り返せば意味はありません。 探索の多様性と情報共有、選別、検証をどのように設計するかが、次世代AIシステムの競争力になります。 ■ 科学者は不要になるのか 今回の結果だけから「人間の科学者が不要になった」と結論づけるのは早すぎます。 問題を選択すること、結果の意味を理解すること、現実世界との対応を検討すること、研究倫理を判断すること、他の研究との関係を評価することなど、人間側に残る仕事は多くあります。 そして数学以外の科学では、さらに実験という壁があります。 AIが100万個の創薬仮説を考えられても、実際に化合物を合成し、細胞や動物、臨床試験で安全性と有効性を確認する工程は消えません。 材料科学、核融合、生物学でも同様です。 AIが高速化できる「思考」と、物理世界でしか確認できない「実験」には速度差があります。 そのため次のボトルネックは、AIの知能ではなく、実験設備やロボット、製造能力、データ取得能力へ移る可能性があります。 ■ 「AI研究所」という新しい産業が始まる それでも、今回の出来事には歴史的な意味がある可能性があります。 生成AIの第1段階は、人間の質問に答えるAIでした。 第2段階では、コードを書き、検索し、ツールを操作するエージェントへ進みました。 そして今回見え始めた第3段階は、大量のAIが互いに情報交換しながら未知の問題を探索する「計算型研究組織」です。 ここではAIは単なる助手ではありません。 しかし、人間を完全に置き換えた研究所でもありません。 人間が問題を設定し、AI群が巨大な探索空間を並列探索し、形式検証システムが論理を確認し、最後に専門家コミュニティが成果の意味と正当性を評価する。 この複合型の研究体制こそ、今回の実験から見えてくる姿です。 ■ 次に見るべきもの 今回のNavier–Stokesの証明については、まず世界の専門家による独立検証が最大の確認ポイントになります。 Leanで検証されたという事実は強力ですが、それだけでCMIの認定が決まるわけではありません。公式ルールでは数学界による長期の検討と一般的受容が必要です。 同時に注目すべきなのは、OpenAIが今回使用した未公開モデルです。 同社自身がGPT-6 Astraより大幅に能力が高いと説明している以上、このモデルが数学以外の科学分野でどこまで新しい発見を生み出せるのかは、AI研究の次の焦点になります。 そしてもう一つ見るべき数字があります。 「何問解いたか」だけではありません。 一つの科学的発見に、何体のエージェント、何トークン、どれだけの計算資源、電力、時間、そして最終的にはいくらのコストが必要だったのかです。 もし1万体・1300億トークンでしか成立しないなら、この研究方法を利用できる組織は当面、巨大な計算資本を持つ一部企業に限られます。 逆にモデル性能とエージェント効率が改善し、同じ成果を100分の1、1000分の1の計算資源で得られるようになれば、大学や企業の研究開発まで一気に変わる可能性があります。 今回の本当の問いは、「AIが100万ドルの数学問題を解いたのか」ではありません。 もっと大きな問いです。 これまで研究者の頭脳と時間によって制約されていた「発見」という活動を、計算資源によってスケールさせることが可能になったのか。 Navier–Stokesの証明が今後の厳格な検証を通過するなら、2026年9月は「AIが難しい数学を解けるようになった時期」としてだけではなく、「科学研究そのものが計算可能な産業へ変わり始めた時期」として記憶されるかもしれません。

This post quotes another post: x.com/engmoelgaraihy/status/2097703840430571842