AI 真的解开了困扰人类近百年的数学难题？先别欢呼：165 页证明，正等全人类审判

luyuanhong

AI 真的解开了困扰人类近百年的数学难题？先别欢呼：165 页证明，正等全人类审判

原创 烟火聊 AI  2026 年 9 月 12 日 13:32  辽宁

AI 真的破解了百年数学难题吗？

深夜，一份厚达 165 页的数学论文被上传到网上。

它声称触碰到了一个困扰数学界近百年的问题：三维流体，究竟会不会在某个有限时刻突然“失控”？

论文旁边，还放着一整套用形式化语言编写的验证代码。

有人立刻宣布，数学史可能要翻开新的一页。

也有人冷静提醒：论文公开，不等于证明已经成立。

真正让人屏住呼吸的，恰恰就是这道裂缝。

一边，是人工智能参与完成重大数学成果的巨大震动。

另一边，是全世界数学家还没有完成逐行检查的谨慎现实。

这一次，机器似乎不只是给出了一个答案。

它可能正在把一份人类尚未完全读懂的知识，递到人类面前。

一、这不是算出一个答案，而是证明流体会不会失控

很多人第一次听到“流体方程”，会以为这只是研究水流、气流怎么运动。

事实上，问题远比“算出一股水往哪里流”更加根本。

它追问的是：

假设一团三维流体一开始非常平滑，能量也有限，外部施加的影响同样足够规整，那么它的运动是否会永远保持平滑？

还是说，在某个有限时刻，某个极小区域里的速度会突然变得无限大？

这里的“爆破”，并不是水管炸裂，也不是整个系统轰然爆炸。

它更像一座城市的所有车辆，突然被挤进一个越来越小的路口。

城市整体的车辆数量没有增加，消耗的燃料也没有凭空膨胀。

可在那个路口里，车辆密度越来越高，运动越来越剧烈，最终超过原有交通模型能够处理的范围。

整体没有崩溃，不代表局部没有失控。

这正是这道难题最反直觉的地方。

论文所声称构造出的情形是：在爆破时刻到来之前，流体整体仍然可以被描述，整体动能也保持有限。

可是，某些局部位置的速度却能够超过任何预先设定的上限。

换句话说，系统的“总账”没有失控，局部的“现金流”却已经冲到了无法计量的程度。

这不是普通意义上的数值计算。

计算机可以模拟某一时刻的水流，也可以近似预测一场风暴。

但模拟只能告诉你，在给定的时间范围内发生了什么。

数学证明要回答的，是更残酷的问题：

这种失控究竟可能发生，还是从根本上不可能发生？

二、黏性一直在灭火，但三维流动可能越烧越旺

流体运动里，一直存在两股互相拉扯的力量。

一股力量会搬运速度、拉伸涡旋，并把运动结构压缩到越来越小的尺度。

另一股力量就是黏性。

它倾向于抹平速度差，让剧烈运动慢慢变得温和。

我们平时会觉得，黏性就像一只稳定器。

蜂蜜流得慢，是因为黏性强。

水流遇到阻力之后逐渐平缓，也是因为黏性在消耗运动。

于是，一个自然直觉就产生了：

既然存在黏性，流体应该迟早会被抚平。

可三维世界并不听从这么简单的直觉。

流体不只是向前移动，还会旋转、拉伸、折叠和重新组织自身。

一个涡旋可以把附近的流动卷入自己，继续拉长、压细，再把更剧烈的运动集中到更小的区域。

就像一条普通的毛巾被不断拧紧。

整体体积并没有凭空增加，可褶皱会越来越密，局部承受的力量也会越来越集中。

二维情况下，人们对这场“流动与黏性”的较量了解得更多。

到了三维，流体多了一种沿空间方向拉伸自己的能力。

也正是这个额外维度，让问题一下子变得极其棘手。

黏性擅长把波澜抹平，却未必能阻止三维世界把运动压缩成奇点。

更麻烦的是，数学家早已知道某种较宽松意义下的解可以持续存在。

这种解被称为“弱解”。

它允许方程在整体、积分意义上成立，却不要求流体在每一个位置都足够光滑。

这就像一张城市运行报告。

报告可以证明，全城每天的车辆总量、道路总负荷都在控制范围之内。

但它不能保证每一个路口，在每一个瞬间都不会堵死。

因此，问题一直卡在一道鸿沟前：

一种广义的解能够长期存在，不等于流体速度在每个时刻、每个位置都保持平滑。

三、最难的不是制造爆破，而是让输入保持干净

如果只想构造一个速度会变得无限大的流体场，其实可以采用一种相对粗暴的办法。

先设计好一个会“爆破”的速度场。

然后把方程里所有对不上的地方，都塞进外力之中。

这样做，当然可能得到一个形式上会失控的结果。

但它并不能真正回答那道难题。

因为那个外力本身很可能已经带有奇异性。

这就像有人先把一栋楼的地基挖空，再宣布：

看，这栋楼自己塌了。

真正困难的地方在于，初始状态要平滑，外力也要平滑。

它不能靠一个突然出现的、无限剧烈的外部冲击，把流体硬生生推向崩溃。

据公开材料描述，相关构造在涡旋外围加入了许多细微而连续的振荡扰动。

这些扰动会从背景流动中获得能量，再把动量输送到需要修正的位置。

一层不够，就继续加入修正项。

修正项之间彼此配合，用来抵消那些原本可能产生奇异性的部分。

最终，外力及其各阶导数都能够平滑地穿过爆破时刻。

可流体内部的某些局部速度，依然不断增大。

这才是整个构造最精巧的地方。

它不是拿锤子把系统砸坏。

而是设计了一套复杂的内部传递机制，让系统在平滑输入之下，把运动一步步集中到极小的涡旋核心。

这个核心的半径和高度都不断缩小。

其中，半径收缩得更快，形状也因此变得越来越细长。

旋转速度和轴向速度不断升高。

可因为参与高速运动的区域越来越小，整体动能仍然可以保持有限，甚至在某些部分趋近于零。

真正有分量的反例，不是把系统粗暴推向崩溃，而是让它在平滑条件下自行走到失控边缘。

这也是为什么，论文里最值得关注的，不只是“速度变得无限大”。

更重要的是：它试图说明，这种失控并非来自一个同样失控的外力。

四、165 页论文，不等于 165 页真理

消息传播到社交平台后，最容易出现的误读是：

人工智能已经解决了这道难题。

但更准确的说法应该是：

一个研究团队公开了一份声称解决相关问题的论文，同时公开了可以由计算机检查的形式化代码。

数学界还需要独立审查。

相关结果也还不能仅凭一次发布，就被当作已经完成认证的定论。

数学证明和普通实验结论不一样。

实验可以重复几次，数据可以稳定出现，结论就具有很强的说服力。

但证明必须经得起每一个环节的追问。

定义是否准确？

边界条件是否满足？

某个极限能不能真的交换顺序？

所谓“速度无界”，是否确实意味着经典解失效？

每一个看似不起眼的地方，都可能决定整个证明能否站住。

形式化代码的价值，是把数学推理翻译成机器能够检查的规则。

只要代码覆盖得足够完整，计算机就能帮助人类发现某些逻辑漏洞。

它像是一台极其严格的验算机器。

但“代码可以检查”，不等于“人类已经完全理解”。

一段程序可能形式上没有违反规则，却仍然需要数学家确认：

它验证的，是否正是我们想要证明的那个命题？

它有没有在某个环节悄悄改变问题的条件？

它有没有把一个关键结论隐藏在未经说明的假设里？

所以，论文公开只是答案走进房间。

同行审查，才是答案真正获得资格。

论文发布，是答案登场；独立验证，才是答案出生。

这份结果最后可能被确认，也可能被指出漏洞。

哪怕最终没有通过，它依然可能留下重要线索。

因为一个足够复杂的错误证明，往往也会暴露出问题的结构。

它会告诉研究者，哪一种构造接近正确，哪一个环节最难突破，哪一种直觉不值得继续相信。

五、机器真正改变的，可能是“谁能创造知识”

据披露，这项工作调动了大规模并发智能体。

整个过程产生了数百万条消息，消耗了极其庞大的计算资源。

在初步探索之后，又有模型参与形式化整理和验证。

这意味着人工智能正在从“回答已经提出的问题”，走向“搜索尚未被人类解决的证明”。

过去，人类测试机器，往往会拿一道已经知道答案的题目。

让机器解方程，证明定理，完成竞赛题。

我们真正想知道的是：

它能不能像人一样，走完一条已经被人类走通的路？

现在，问题开始倒过来了。

机器可能会提出一条人类此前没有看到的路线。

人类要做的，不再只是判断机器答得对不对。

还要把这条路线拆开，检查它，理解它，并判断它到底为世界增加了什么新知识。

这会改变科研的节奏。

过去，一个数学家可能需要几年时间，反复尝试同一个方向。

未来，机器可以在极短时间内生成大量候选结构，筛掉明显错误，再把少数有希望的路径交给人类。

但速度越快，验证越重要。

因为机器可以批量制造答案，也可以批量制造看起来非常像答案的东西。

更大的问题还在后面。

如果一份证明由机器提出，人类只完成最后的检查，那么署名应该如何分配？

如果模型曾经接触过相关研究材料，怎样确认它没有重复利用某些未公开内容？

如果证明的核心机制连参与者都无法完全解释，它能不能算作真正被人类理解的知识？

这些问题，不会因为一次论文发布就消失。

相反，它们会随着机器能力提升，越来越频繁地出现在科学、法律、药物研发和工程设计中。

人工智能真正的分水岭，不是替人类解出旧题，而是把人类带到尚未命名的新问题面前。

未来最稀缺的能力，也许不再是比机器更快地给出答案。

而是比机器更清楚地知道，什么才算答案。

回到那份 165 页的论文前。

现在最理性的态度，既不是立刻欢呼，也不是因为它来自机器就本能怀疑。

把它放到桌面上。

让不同领域的数学家逐行检查，让形式化系统反复运行，让时间筛掉夸张的叙事。

如果它最终成立，人类将第一次认真面对这样一种场景：

机器参与写下了一份足以改变知识边界的证明，而人类需要花时间去读懂它。

如果它最终不成立，这场尝试也不会白费。

因为它至少把一个模糊的未来，变成了一份可以核验、可以质疑、也可以继续推进的现实样本。

问题也许不再是：

机器有没有赢过人类？

而是：

当机器写出了人类尚未完全理解的证明，我们有没有能力，成为它真正的验证者？

烟火聊 AI