OpenAIのNavier-Stokes証明が功績の帰属をめぐる論争に火を付ける

OpenAIは、約1万のAIエージェントが88時間でNavier-Stokes方程式の解を導いたと述べている。しかし同社の発表は直ちに、研究上の功績の帰属をめぐる論争を招いた。OpenAIのNavier-Stokes証明は今、より深い議論の中心にある。研究者が未完成のアイデアを商用チャットボットと共有した場合、別のシステムが後に関連知識を利用しても、そのつながりを誰にも認識されないことはあり得るのだろうか。

OpenAIは、この件でそうしたことは起きていないと否定している。同社によれば、関連する結果を追究していたニューヨーク大学の数学者Tristan Buckmasterによる最近のプロンプトが、社内モデルに影響した可能性はないという。ただし、この論争は一つの疑惑にとどまらない。モデル、非公開の会話、公開論文、そして大規模なエージェントシステムがすべて発見に寄与する時代に、帰属を明確にすることがいかに難しいかを浮き彫りにしている。

この問題は、専門家が最終的に証明のすべての行を受け入れたとしても重要である。数学では従来、論文、セミナー、引用、記録された交流を通じて功績を割り当ててきた。AIシステムは、それらの経路を不透明な計算プロセスへと圧縮する。正しさは検証できても、知的な系譜を再構築することははるかに難しい。

OpenAIがエージェントによって解決したとする問題

OpenAIは、未公開のシステムが4日間にわたるエージェント運用を通じて、数学に残る6つのMillennium Prize Problemsの一つを解決したと主張している。

Navier-Stokes方程式は、流体がどのように運動するかを記述する。航空機周辺の気流から天候、海流まで、さまざまな系のモデル化に役立つ。未解決の数学的問題は、滑らかな三次元解が常に良い振る舞いを保つのか、それとも有限時間内に特異点を生じ得るのかを問うものだ。

しばしばblowupと呼ばれる特異点とは、ある数学的量が無限大になる点を指す。この設定では、方程式が有限の時間内に速度が際限なく増大するような振る舞いを生むことになる。

同社のNavier-Stokesに関する説明によると、OpenAIは2026年9月1日に取り組みを開始した。同社は、Anthropicと関係する研究者が2つのMillennium Prize Problemsで進展を得ていたといううわさを聞いていたという。その後OpenAIは、残る問題と複数の関連課題に向けてエージェント群を投入した。

同社によれば、まず約100のエージェントがEuler方程式に約50時間取り組んだ。これは粘性を持たない流体運動を記述する方程式であり、粘性とは流体が動きに抵抗する原因となる内部摩擦である。OpenAIは、これらのエージェントが外力を必要としないblowupを見つけたとしている。

この結果を受け、同社は資源をNavier-Stokes問題に集中させた。約1万の同時並行エージェントをこの問題に割り当てたという。エージェントはキャッシュされたインターネットを読み、コードを実行し、グループ内で通信し、有望な中間結果を交換できた。

OpenAIによれば、エージェントは取り組み開始から約88時間後の9月5日に解へ到達した。Leanによる形式化と検証にはさらに17時間を要した。Leanは、数学的議論をコンピューターが段階ごとに検証できる命題へ変換する証明支援系である。

その規模は異例だった。OpenAIは、すべての試行問題にわたり、システムが490万件のメッセージを交換し、約3000億の出力トークンを生成したと報告している。Navier-Stokesへの取り組みだけで、270万件のメッセージと約1300億トークンを占めた。

これらの数字が示すのは、チャットボットとの通常の会話ではなく、産業規模の研究プロセスである。数千のエージェントが代替案を同時に探索し、別のシステムが有用なアイデアを統合して探索に戻していた。

OpenAIは9月8日に発表と論文を公開した。ただし、この結果は依然として審査中の主張であり、公式に認定されたMillennium Prizeの解決ではない。独立した数学者がなお議論を理解し、その仮定を検証し、元の問題を満たしているかを判断する必要がある。

同社はまた、関連する賞金を請求する意図はないとしている。それでも結果の重要性は薄れない。有効な解であれば、何世代もの数学者を退けてきた問題が決着し、機械生成研究の新たな基準となる。

したがって、Natureの元記事が焦点を当てるのは、証明が正しいかどうかだけではない。人間の論文における引用のようには知的入力を追跡できないプロセスを通じて、機械が結果へ到達したとき、何が起きるのかを問うている。

OpenAIのNavier-Stokes証明が功績をめぐる論争となった理由

この論争が始まったのは、人間の研究者たちがすでに、商用および社内AIシステムの支援を受けて密接に関連するアイデアを追究していたためだ。

Buckmasterと数学者Levent Alpögeは、流体方程式を共同で研究していた。AlpögeはAnthropicに勤務していたが、報道によればこのプロジェクトは正式な会社の取り組みではなく、私的に進めていたという。

彼らの研究では、人間の推論とAI支援の両方が用いられた。Buckmasterは市販のOpenAIおよびAnthropic製品を利用し、AlpögeはAnthropicの社内モデルにアクセスできた。両者は8月、流体系に外力を加える重要な関連結果である、強制Euler blowupを見いだしたと報じられている。

両者はNavier-Stokesの解を完成させてはいなかった。Euler方程式に関する結果をさらに検討し、基礎となるアイデアを拡張しようとしていた。その後、彼らの進展に関するうわさが広まり、OpenAIは大規模なエージェント運用を開始した。

この一連の出来事が、中心的な対立を生んだ。うわさはOpenAIに証明を与えたわけではないが、有望な研究対象の特定には役立ったように見える。同社のエージェントはその後、元の研究者たちが自らのプロジェクトを完成させる前に、より広範な結果に到達したと主張した。

OpenAIは、Navier-Stokesの証明とLeanによる検証を9月6日に完了したとしている。その後、同じ問題を解いていたと考えたため、BuckmasterとAlpögeに連絡した。OpenAIは協調した発表を提案し、関連するEulerの結果における彼らの優先権を認める意向を示した。

その協議は対立を深めた。Buckmasterは、研究中にCodexへ入力した情報がOpenAIのシステムに影響していた可能性を疑問視した。もしそうなら、機械の結果には彼の未完成の研究との隠れたつながりが存在することになる。

OpenAIは調査を行い、その可能性を退けた。同社は、問題を解くために特定のユーザーデータへアクセスした事実はないとしている。また、公開前の2カ月間にBuckmasterがCodexへ送ったプロンプトは、学習を含め社内モデルに影響を与え得なかったとも述べている。

この否定は、限定的な技術上の疑惑に答えるものだ。帰属の問題を完全に解決するものではない。

モデルは、数十年にわたる論文、講義ノート、コード、オンライン討論、過去のモデル出力に依存し得る。エージェントシステムはその後、研究グループが手作業で記録できない規模で、そうした資料を再結合できる。最近の非公開プロンプトが除外されていたとしても、どの人間のアイデアが機械生成の証明を実質的に形作ったかを判断することは依然として難しい。

問題は、単にチャットボットが段落をコピーしたかどうかではない。数学における功績は、方法、帰着、概念的洞察、研究の方向性に結び付くことが多い。こうした貢献は、最終出力に認識可能な文章として現れなくても、システムに影響し得る。

研究者は通常、セミナーや私的な会話で得たアイデアを謝辞で示す。モデルはそうした社会的な履歴を確実に提示しない。回答を出力する一方で、その回答と知的源泉を結ぶ経路の大半を隠してしまう。

このため、OpenAIのNavier-Stokes証明は研究の来歴を問う試金石となっている。来歴とは、情報やアイデアがどこで生まれたかを記録した説明を意味する。それがなければ、利用者はシステムがどのデータを使用した、あるいは使用しなかったかについて、企業の広範な保証を受け入れるしかない。

この問題は、個人および組織のナレッジシステムにおけるよく知られた課題にも似ている。人々が回答を裏付ける記録へ結び付けられるとき、情報の有用性は高まる。信頼できるAI knowledge baseは、文脈のない生成テキストを示すのではなく、こうしたつながりを保持する。

しかし数学的発見においては、その影響はキャリア、優先権、賞、歴史的記録にまで及ぶ。不完全な来歴の記録は、誰がアイデアの源として記憶されるかを左右し得る。

AIの規模が数学の功績評価システムと衝突している

真の対立は数学者対機械ではない。産業規模の証明探索と、追跡可能な人間の交流を基盤とする功績評価システムの衝突である。

数学には常に競争があった。研究者は発表を競い、並行した発見も起き、優先権をめぐる論争はコンピューター以前から存在する。査読も完全な帰属を保証してきたわけではない。

AIはこの競争の速度と規模を変える。OpenAIは、うわさを聞いた後に約1万のエージェントを動員し、数日で結果を得たとしている。大学の数学者は、従来の資源ではこれほどの並列探索量に対抗できない。

この不均衡は新たな誘因を生む。有望な方向性を明らかにした研究室は、より大きな計算能力を持つ企業から集中的なエージェント運用を招く可能性がある。発端となった研究者は、自らの研究を書き、検証し、説明する前に優先権を失うかもしれない。

UCLAの数学者でFields Medal受賞者のTerence Taoは、この力学が初期段階のアイデア共有を阻害し得ると警告した。うわさだけでも大規模な自動化された取り組みを引き起こせるなら、研究者はセミナー、非公式な会話、進捗の公開報告を避けるようになるかもしれない。

その反応は、数学の中核的な制度の一つを傷つける。難問は多くの場合、長年にわたる部分的な前進、ワークショップ、プレプリント、失敗したアプローチ、グループ間で共有される改良を通じて解かれる。その流通を制限すれば、集団的進歩を犠牲にして個人の優先権を守ることになる。

この誘因の問題は商用AI製品にも及ぶ。研究者はアイデアの検証、参考文献の探索、コードの生成、証明の形式化に、ますますチャットボットを利用している。これらのツールは研究を加速し得るが、利用者は自分の入力がどのように保存、確認、あるいは後続システムへ組み込まれるのかを把握できない可能性がある。

OpenAIは、最近のCodexプロンプトがこの結果に影響していないと述べている。それでも研究者には、論争が起きた後の遡及的な調査に依存しない方針が必要だ。

安全な研究モードでは、明示的なデータ保持保証、監査可能なアクセスログ、モデル開発からの強制力ある除外を提供できるかもしれない。しかし、プライバシーだけでは歴史的な帰属を解決できない。モデルはなお、十分な引用を示すことなく、公開された人間の研究に依存し得るからだ。

この論争はまた、証明を見つけることと、それを数学へ統合することの違いを浮き彫りにしている。AIは形式的に有効な命題の連鎖を生成できる一方、人間の専門家にはその中核的なアイデアが不明確なままとなる場合がある。証明は正しくても、解釈、教育、再利用、既存理論との接続が難しいことがある。

Brown Universityの専門家Javier Gómez-Serranoは、OpenAIによる166ページの提示は理解が難しかったとThe Washington Postに語った。この反応は、形式的検証だけでは科学的プロセスが完結しない理由を示している。

人間の数学者は依然として、本質的なメカニズムを特定しなければならない。不要な仕組みを取り除き、構成を先行研究と比較し、その結果がなぜ成功するのかを説明する必要がある。こうした作業によって、証明がある分野の実用的な知識体系の一部となるかどうかが決まる。

この労力は、もう一つのクレジットを巡る問題を生む。外部の研究者が何カ月もかけてAI生成の議論を理解可能な数学へと翻訳するなら、その貢献は事務的なものではない。彼らはその結果を利用可能なものにしている。

現在の著者資格の制度には、モデル開発者、計算資源提供者、プロンプト設計者、形式化システム、先行研究者、完成した証明を解釈する専門家の間で、どのように評価を分配すべきかについて確立された方法がない。企業を著者として記載することは、こうした異なる役割を一つのラベルに押し込めることになる。

そのモデルは広報には便利だ。しかし学術的な説明責任にははるかに役立たない。

形式検証が確認するのは論理であり、知的所有権ではない

Leanは形式証明における論理的な欠落を検出できるが、誰がアイデアを生み出したか、また形式的な記述が意図されたすべての主張と一致するかは判断できない。

形式検証は、OpenAIによるNavier-Stokes証明の主張における最も強力な要素の一つだ。Leanの証明は、モデルが正しいと宣言する単なる文章ではない。このシステムは、各形式的ステップが受け入れられた定義と既存の結果から導かれるかを検査する。

このプロセスは、隠れた論理の飛躍、欠落した場合分け、一貫しない仮定を捉えられる。また、他の研究者が検査し実行できる再現可能な成果物も生み出す。

ただし、形式検証には境界がある。Leanが検査するのはLeanで符号化された定理である。専門家は、符号化された定理が元の数学問題を正確に表しているか、またインポートされた仮定が気づかれないまま主張を弱めていないかを確認しなければならない。

この区別は重要だ。Navier-Stokes問題には複数の定式化がある。OpenAIは、その証明が滑らかな外力を伴う滑らかな解に対する有限時間特異点形成を確立すると述べている。専門家は、その構成がClay Mathematics Instituteの指定する条件を満たしているか判断しなければならない。

同研究所の公式問題説明が、権威ある到達目標を示している。認定には、ソフトウェア検査を通過する以上のことが求められる。研究は適格な媒体で公表され、精査を生き延び、世界の数学コミュニティから広く受け入れられなければならない。

Clayのプロセスは意図的にゆっくり進む。この重要性を持つ結果には、発表会での告知や内部検証パイプライン以上のものが必要だ。

Leanは説明の質も評価しない。形式証明は正しくても、人間の読者にほとんど概念的な明快さを与えないことがある。すべての局所的推論が通過していても、全体構造が不明瞭な大規模な構成を含みうる。

Leanは来歴を再構成することもできない。中間的なアイデアが論文、モデルの学習データ、非公開のプロンプト、あるいは独立した探索のどこから来たのかは分からない。論理的依存と歴史的影響は別の問題である。

OpenAIが報告したプロセスは、この区別をさらに複雑にする。エージェントのグループは多数のアプローチを探索し、中間結果を交換し、統合された洞察を受け取った。最終的な証明は、単一の連続した議論ではなく、生成されたメッセージのネットワークから生まれた。

したがって、十分な研究記録には最終的な形式ファイル以上のものが必要となる。タイムスタンプ、プロンプト履歴、情報源取得ログ、中間予想、モデルのバージョン、アイデアがエージェント群の間をどう移動したかの記録などが含まれうる。

それらすべてを公開するのは非現実的かもしれない。OpenAIは、Navier-Stokesの取り組みだけで270万件のエージェントメッセージがあったと報告している。生のデータを一括公開すれば査読者を圧倒し、セキュリティ上慎重な扱いを要するシステムの詳細を明らかにするおそれもある。

代替案は構造化された来歴記録だ。システムは、最終証明を実質的に形作った主要な補題、取得した情報源、決定的な分岐、人間による介入を特定できる。独立した査読者は、管理可能な研究の追跡記録を監査できるようになる。

OpenAIは最近のユーザーデータについて強い保証を示しているが、外部の人々はまだその内部探索全体を再現できない。モデル自体は公開されておらず、同社の計算環境も学術チームには利用できない。

この非対称性は、最終証明は検査可能でも、発見のプロセスは閉ざされたままでありうることを意味する。数学は出力を検証できるが、その出力がどのように生まれたかを完全に監査することはできない。

これが現在の論争で最も重要な不確実性だ。証明検査は正しさを決着させられる。しかし、それだけでクレジットを決着させることはできない。

数学者たちはベンチマーク競争に異議を唱えている

25人のFields Medal受賞者からなるグループは、AI企業が見出しになる結果を最適化する一方で、数学は理解、教育、累積的な人間の発展を重視すると主張している。

Severe Misalignmentと題された彼らの声明は、OpenAIの発表後に公表された。最先端モデルの公開ベンチマークとして主要な数学問題を用いることを批判している。

署名者たちは、AIが有効な数学を生み出せることを否定していない。彼らが懸念するのは、有名問題の解決が、研究コミュニティとは異なるインセンティブを持つ企業の成果指標になっていることだ。

AI研究所にとって、Millennium Prize問題はモデル能力を印象的に示す機会となる。同社は注目、競争上の優位性、そしてシステムが通常のベンチマークを超えた仕事を実行できる証拠を得る。

数学者にとって、最終的な真偽の結果は価値の一部にすぎない。この分野は、探索の過程で開発される手法、参加を通じて育成される学生、他分野との間に作られる概念的なつながりにも依存している。

公開書簡は、解決を急ぐことが明快な説明と適切な引用のための時間を不足させかねないと警告している。また、大量の結果生産が、理解を築くために必要なより遅い作業を押しのける可能性があるとも論じている。

この批判には説得力があるが、人間だけが重要問題を解けるという主張になってはならない。BuckmasterとAlpögeは自らもAIを用いた。彼らの経験は、より現実的な競争が、人間、モデル、データ、計算資源の異なる組み合わせの間で起きていることを示している。

AIは難しい数学へのアクセスを広げる可能性がある。小規模な研究グループでも、エージェントを使ってより多くの仮説を検証し、より長い議論を形式化し、文献をより効率的に探索できるかもしれない。学生は、希少な人間の指導者が常に提供できるとは限らない詳細なフィードバックを受けられる。

懸念は、最も強力なシステムを誰が管理し、結果をどのように公開するかにある。最先端の数学能力が少数の民間研究所に集中したままであれば、それらの企業は研究対象、開示の時期、帰属の慣行を選べる。

Navier-Stokesの主張を過度に読み込むリスクもある。一つの証明の成功は、AIが人間の研究者と同じ方法で数学を理解していることを意味しない。それは、巨大に協調されたシステムが特定の条件下で結果を探索、統合、検証できることを示すにとどまる。

OpenAIの数値は比較を難しくする。10,000のエージェントと1,300億トークンで生成された出力は、消費者向けチャットボットを使う一人の数学者と直接比較できない。計算コストと運用上の専門性は依然として集中している。

このシステムはまた、何世代にもわたる人間の数学的研究を含むキャッシュ済みインターネットにアクセスしていた。自律的な機械発見を説明する際には、その基盤を認識しなければならない。

同時に、報告された結果の速度を退けることもできない。OpenAIによれば、エージェントは開始から1週間未満でLean検証済みの証明に到達した。アプローチが先行する人間の理論に大きく依存しているとしても、そのペースは競争環境を変える。

数学者はいま実務上のジレンマに直面している。AIを避ければ、それを活用するグループとの競争で不利になる可能性がある。確固たる保護策なしにAIを受け入れれば、未完成のアイデアをさらしたり、独自の貢献を記録する能力を弱めたりするおそれがある。

その結果は、どちらの側にとっても明快な勝利ではない。新しい制度を求める圧力である。

クレジットのルールが捉えるべきもの

科学的な帰属は、最終著者の名前を示すことから、結果の背後にある人間、モデル、情報源、計算上の意思決定を記録することへと拡張されなければならない。

第一の要件は、より明確な開示である。研究者は、どのモデルを使用したか、そのシステムが公開版か内部版か、どの段階でAI支援が関与したかを明示すべきだ。モデルが中核となる補題を提案したり証明探索を行ったりする場合、AIが編集を支援したという一般的な一文では不十分である。

第二の要件は、情報源を意識したモデル出力である。数学エージェントは、取得した定義、手法、中間結果に対して候補となる引用を添付すべきだ。言語モデルは情報源を誤認したり、参考文献を捏造したりすることがあるため、それらの引用には人間による確認が必要となる。

第三の要件は、監査可能なプライバシーである。ホステッドシステムを利用する研究者には、機密性の高い作業に対する明示的な制御が必要だ。プロバイダーは、ユーザーが未発表のアイデアを送信する前に、保持期間、学習からの除外、従業員アクセスのルールを理解可能な形で示すべきである。

第四の要件は、役割に基づくクレジットである。論文では、概念的貢献者、形式化担当者、モデル運用者、情報源キュレーター、説明文の査読者を区別できる。既存の貢献分類法は出発点となるが、数学には証明に適した分類が必要になる。

第五の要件は、独立した再現である。外部グループは、形式的な成果物を検証し、中核的手法がより明快な人間向けの議論への翻訳に耐えるかを試せるべきだ。未公開モデルの存在によって、定理そのものを評価できなくなってはならない。

これらの措置のいずれも、影響を完全に再構成することはできない。人間の研究者もアイデアの出所を忘れることがあり、引用は常に不完全だった。目標は完璧な台帳ではない。信頼を支え、予見可能な紛争を解決するのに十分強固な記録である。

出版社と専門学会はルールを定める必要がある。帰属を完全にAI企業に委ねることには明らかな利益相反がある。結果が自律的に見えるほど企業は利益を得る一方、クレジットの欠落によるコストは学術コミュニティが負担する。

大学にも、機密性の高いAI支援研究に関する指針が必要だ。ツールが改善するにつれて、研究者に単にモデルを使わないよう求めることは非現実的になる。機関は代わりに、未発表研究にどのシステムが適切か、研究者がどのような文書を保持すべきかを定めるべきである。

資金提供機関にも影響力がある。助成対象プロジェクトに対して、AI利用の開示、来歴計画、機械生成された研究ログの保存を求めることができる。こうした要件により、帰属は公表後の論争ではなく、研究設計の一部となる。

OpenAIのNavier-Stokes証明は、一つの出来事に複数の問題を組み合わせているため、こうした変更を急務にしている。非公開の進展に関する噂、外部研究者が利用した商用プラットフォーム、不透明な内部モデル、巨大なエージェント群、そして広範な専門家レビューに先立つ企業発表があった。

学習データだけ、あるいは著者資格だけを扱う将来の政策では、より広いシステムを見落とす。クレジットは知的依存の連鎖に従い、AIはその連鎖を製品、組織、時間にまたがって引き延ばす。

次に注目すべきこと

OpenAIのNavier-Stokes証明が受け入れられた数学となるのか、それとも主にAI研究ガバナンスへの警告にとどまるのかは、三つの進展によって明らかになる。

第一に、独立した専門家による検証に注目すべきだ。専門家は、形式的な記述がMillennium Prize問題と一致していること、そして証明に定義や仮定の隠れた不一致がないことを確認しなければならない。OpenAIの外部にいる研究者による、より明快な説明は、企業による追加発表よりも強くこの主張を裏付けるだろう。

第二に、OpenAIが来歴をどのように文書化するかを注視すべきだ。同社は、Buckmaster氏の最近のCodexプロンプトがシステムに影響を与えたとの見方を否定している。しかし、今後の同様の争いで研究者がこうした主張を検証できる、広く適用可能な枠組みはまだ示していない。持続的な方針には、プロジェクト開始前に整備されたデータ管理、監査手順、帰属ルールが含まれるべきだ。

第三に、学術誌、大学、数学会の対応を注視すべきだ。25人のフィールズ賞受賞者は、これを単なる一件の対立ではなく、制度上の問題として位置づけている。具体的な開示基準と安全な研究慣行は、コミュニティが適応しつつあることを示すだろう。沈黙が続けば、各研究者ははるかに大きなテクノロジー企業と個別に交渉せざるを得なくなる。

数学的な問題の決着には時間がかかる。Clayによる認定には論文発表と継続的な受容が必要であり、研究者は形式的な仕組みから理解可能な論証を取り出さなければならない。

しかし、功績の問題はそれほど待てない。科学者はすでに未発表のアイデアをAIシステムと共有しており、研究室ではすでにエージェントベースの研究が拡大している。もはや問題は、機械が大きな発見に貢献できるかどうかではない。そうした発見を取り巻く制度が、誰が何に貢献したのかを示す証拠を維持できるかどうかだ。

専門家がOpenAIのNavier-Stokes証明を検証するなか、読者は二つの判断を追うべきだ。定理は正しいのか。そして、人間の知識から機械の出力へ至る経路を、信頼に足る形で説明できるのか。AI支援科学の未来は、この両方に答えられるかどうかにかかっている。