OpenAI publiceert Navier-Stokes-bewijs en opent debat over herkomst

OpenAI publiceert een door een intern AI-systeem geproduceerd bewijs voor de Navier-Stokes-opgave en zegt dat het de Clay-formulering oplost, terwijl onafhankelijke beoordeling nog ontbreekt.

Voor een Nederlandse ondernemer zit de verandering niet in vloeistofmechanica, maar in de bewijsvoering rond AI. Een modelclaim wordt pas bruikbaar als de herkomst van de uitkomst, de gebruikte hulpmiddelen, de menselijke controle en de reproduceerbare test vastliggen. Dat raakt elk bedrijf dat AI-output onder zijn eigen naam gebruikt voor code, analyses of besluiten.

Wat OpenAI precies claimt

OpenAI zegt dat een intern model een eindige-tijd-singulariteit in een aanvankelijk gladde vloeistofconstructie heeft aangetoond. De uitkomst gaat over de driedimensionale, onsamendrukbare Navier-Stokes-vergelijkingen, een van de zeven Millennium Prize Problems. De officiële formulering van Clay vraagt om een bewijs van globale gladheid of om een toegestane constructie waarin de oplossing in eindige tijd uitbreekt.

De schaal van de proef is onderdeel van het nieuws. OpenAI schrijft dat ongeveer 10.000 gelijktijdige agents aan de Navier-Stokes-oplossing werkten. De agents verstuurden voor dit probleem 2,7 miljoen berichten en verbruikten ongeveer 130 miljard outputtokens. De eerste oplossing kwam volgens het bedrijf na ongeveer 88 uur; een Lean-formalisering en controle kostten daarna nog 17 uur via GPT-6 Astra.

Dat is geen los antwoord uit een chatvenster. Het is een onderzoeksopstelling met agenten, code, selectie van tussenresultaten en een formele controle achteraf. Juist daarom telt voor bedrijven zowel wat een model produceert als de keten die je kunt reconstrueren wanneer iemand het resultaat moet controleren.

Een publicatie is nog geen prijs

OpenAI zegt dat zijn bewijs de stellingen C en D uit de officiële Clay-formulering vastlegt. Het bedrijf publiceert de wiskundige uitwerking en een Lean-formalisering, maar zegt tegelijk niet van plan te zijn de Millennium Prize op te eisen. Dat onderscheid is belangrijk: een leveranciersaankondiging, een openbare uitwerking en formele erkenning door de prijsorganisatie zijn drie verschillende stappen.

De tweede claim in dit verhaal staat daar los van. Tristan Buckmaster schrijft in zijn eigen verklaring dat hij met Levent Alpöge drie resultaten voor geforceerde vloeistofvergelijkingen publiceerde, waaronder een resultaat voor de driedimensionale incompressibele Euler-vergelijking. Hun werk over hypo-dissipatieve Navier-Stokes brachten ze niet uit, omdat de Lean-controle nog niet klaar was en er geen presentabele uitwerking lag. Dat is dus niet dezelfde gepubliceerde uitkomst als de Navier-Stokes-claim van OpenAI.

Herkomst en auteurschap

Over de route naar het resultaat lopen de verklaringen uiteen. Buckmaster schrijft dat hij op 6 september van OpenAI te horen kreeg dat een intern model in enkele dagen een bewijs van ongeveer honderd pagina's voor geforceerde Navier-Stokes had gemaakt. Hij zegt dat er voorstellen lagen om Alpöge, die bij Anthropic werkt, buiten het auteurschap te houden. Buckmaster benadrukt ook dat hij het bewijs niet heeft gezien en niet weet of zijn eigen Codex-sessies zijn gebruikt. TechCrunch beschrijft dezelfde controverse op basis van Buckmasters verklaring en de reactie van OpenAI.

OpenAI's eigen tijdlijn zegt dat het onderzoek op 1 september begon na geruchten over twee opgeloste Millenniumproblemen. Volgens het bedrijf bereikten de agents hun oplossing op 5 september en volgde de Lean-controle op 6 september. OpenAI zegt dat onderzoekers en agents het werk van Buckmaster en Alpöge niet vóór hun openbare publicatie hebben gezien. Het bedrijf kan wel niet uitsluiten dat geanonimiseerde gegevens uit productgebruik hebben bijgedragen aan modelverbetering.

Dat maakt provenance, de herkomst van modeloutput, tot een operationeel onderwerp. De tien wiskundige resultaten die OpenAI eerder aan Astra koppelde en van Lean-certificaten voorzag lieten al zien hoe een modelclaim een controleerbaar artefact nodig heeft. De discussie over Astra's recurrent depth maakte tegelijk duidelijk dat leesbare denkstappen kwetsbaar zijn als controlelaag.

Een model dat een bewijs produceert, maakt controle niet overbodig. Het maakt controle onderdeel van de waarde. Voor organisaties die AI in kernprocessen inzetten, telt een spectaculaire uitkomst daarom pas echt wanneer bronnen, tool-aanroepen, menselijke ingrepen en formele checks samen een navolgbaar dossier vormen.