Przełomowe wyniki dotyczące równań Naviera–Stokesa zbiegły się z konfliktem o to, kto i na jakich warunkach może korzystać z cudzych tropów badawczych. W tle są agenty AI, ogromne moce obliczeniowe i niejasne granice etyki.
Matematyka na styku przełomu i konfliktu
Na początku września 2026 r. w środowisku matematycznym zrobiło się głośno nie tylko z powodu nowych dowodów i „kroków w stronę” jednego z najtrudniejszych problemów współczesnej teorii, lecz także przez spór o to, jak te wyniki powstawały i kto miał do nich dostęp. Profesor matematyki z Uniwersytetu Nowojorskiego ogłosił trzy dowody, w tym wstępne rozstrzygnięcie dotyczące ważnego, wciąż nierozwiązanego zagadnienia z matematyki teoretycznej.
Współautorem prac był matematyk związany zawodowo z innym laboratorium AI, przy czym – jak podkreślono – badania nie były prowadzone „na zlecenie” tej instytucji. W projekcie wykorzystywano modele językowe, w tym narzędzia do pracy z kodem, a sama metoda badawcza miała charakter nietypowy jak na standardowe ścieżki, którymi zwykle podążają zespoły próbujące ugryźć ten temat.
Dlaczego Navier–Stokes to więcej niż prestiż
Sedno sprawy dotyczy problemu istnienia i gładkości rozwiązań równań Naviera–Stokesa – jednego z siedmiu problemów milenijnych. To nie tylko symboliczny „Mount Everest” matematyki, ale też zagadnienie o realnym znaczeniu dla opisu przepływów cieczy i gazów, czyli fundamentu mechaniki płynów. Równania są powszechnie używane w praktyce, lecz ich własności teoretyczne pozostają nie do końca uchwytne.
Stawka jest podwójna: naukowa i instytucjonalna. Z jednej strony mamy obietnicę głębszego zrozumienia matematycznej fizyki, z drugiej – formalną nagrodę w wysokości 1 mln dolarów oferowaną przez Clay Mathematics Institute za pierwsze uznane rozwiązanie. W takiej konfiguracji presja na pierwszeństwo i „kto był pierwszy” potrafi wypaczać standardowe akademickie odruchy.
Agenty AI, tokeny i wyścig na zasoby
Krótko po ogłoszeniu wyników przez zespół akademicki jedna z największych firm AI opublikowała własny, pełny dowód dotyczący Navier–Stokesa. Według deklaracji firmy dowód miał zostać znaleziony przez niewydany jeszcze model nowej generacji, który w ciągu tygodnia mierzył się z różnymi nierozwiązanymi problemami. W samym tym przedsięwzięciu zużyto około 300 mld tokenów wyjściowych, co – przy przywołanych stawkach rozliczeniowych – odpowiadałoby kosztowi rzędu 22,5 mln dolarów mocy obliczeniowej.
To liczby, które zmieniają perspektywę. Matematyka, tradycyjnie oparta na czasie, cierpliwości i wglądzie, dostaje nowy wymiar: możliwość „przemielenia” ogromnej przestrzeni hipotez przez agenty AI i automatyzację fragmentów żmudnej pracy. Jednocześnie pojawia się pytanie, czy przewaga finansowa i obliczeniowa nie zaczyna pełnić roli odpowiednika przewagi sprzętowej w sporcie – formalnie dozwolonej, ale podważającej sens rywalizacji.
Skąd wzięła się podejrzana zbieżność metod
Najbardziej zapalne okazały się okoliczności czasowe i podobieństwo podejścia. Zespół akademicki twierdzi, że w trakcie finalizowania własnych rezultatów dowiedział się, iż informacje o ich postępach trafiły do firmy AI. Po kontakcie usłyszeli, że firma ma już pełny dowód problemu centralnego, a dopiero dopytywanie o to, kiedy rozpoczęto prace i ile było w nich wkładu człowieka, miało spotkać się z unikami.
W relacji badacza kluczowe jest to, że pierwszy „prompt” miał zostać wysłany dopiero kilka dni wcześniej – już po tym, jak wieści o akademickich postępach dotarły do firmy. Jeśli ta sekwencja jest prawdziwa, sugeruje to strategię: przejąć obiecujący trop, a następnie wykorzystać przewagę obliczeniową, by jak najszybciej doprowadzić go do formalnego, publikowalnego dowodu.
Wątek danych: czy narzędzia uczą się na pracy użytkownika
Do sporu dochodzi jeszcze bardziej drażliwy element: możliwość, że interakcje z narzędziem używanym w badaniach mogły pośrednio zasilić modele wykorzystywane później przez firmę. W praktyce chodzi o to, że część usług zastrzega sobie prawo do trenowania na danych z użycia, przy czym użytkownik może mieć możliwość rezygnacji z takiego wykorzystania. W świecie matematyki, gdzie „ślad rozumowania” jest często cenniejszy niż końcowy wzór, nawet zanonimizowane dane mogą budzić obawy.
Firma w swoim stanowisku minimalizuje ryzyko „odtworzenia” cudzej pracy, deklarując, że badacze i agenty AI nie widzieli wyników zespołu akademickiego przed ich upublicznieniem oraz że nie sięgano po konkretne dane użytkowników. Jednocześnie przyznaje, że nie da się całkowicie wykluczyć, iż zidentyfikowane w sposób nieosobowy dane pochodzące z użycia produktów mogły poprawić modele. To zastrzeżenie – choć ostrożne – pokazuje, jak trudno dziś postawić twardą granicę między „nie korzystaliśmy z waszych notatek” a „nasz system mógł się poprawić dzięki sygnałom z podobnych interakcji”.
Etyka autorstwa i presja na karierę
Kontrowersje nie kończą się na technikaliach. W relacji akademickiej pojawia się zarzut nacisków dotyczących przypisania autorstwa: miała paść sugestia, by usunąć współautora z uznania wkładu w ramach proponowanego kompromisu. To szczególnie wrażliwy punkt, bo w matematyce – bardziej niż w wielu innych dziedzinach – reputacja i pierwszeństwo są walutą, która decyduje o grantach, stanowiskach i zaproszeniach.
Najmocniej wybrzmiewa jednak opis komunikacji, w której publiczne ujawnienie sporu miało zostać skontrowane ostrzeżeniem o konsekwencjach dla kariery. Nawet jeśli część cytatów będzie jeszcze przedmiotem weryfikacji, sam fakt, że takie oskarżenia padają publicznie, pokazuje zmianę klimatu: wchodzimy w epokę, w której konflikty o dowody matematyczne zaczynają przypominać spory o własność intelektualną w sektorze technologicznym.
Co to oznacza dla nauki i reguł współpracy
Ta historia jest testem dla kilku norm naraz. Po pierwsze, dla transparentności: jeśli agenty AI mają dostarczać dowody w problemach milenijnych, środowisko będzie oczekiwać jasnego opisu procesu, udziału ludzi, wersjonowania hipotez i sposobu weryfikacji. Po drugie, dla zasad korzystania z danych: naukowcy muszą wiedzieć, czy ich praca w narzędziu może stać się „paliwem” dla cudzych modeli, nawet w formie zanonimizowanej.
Po trzecie, dla samej kultury publikowania. W świecie, gdzie jeden podmiot może w tydzień wydać równowartość dziesiątek milionów dolarów na obliczenia, tradycyjny rytm akademii przestaje być neutralny. Odpowiedzią może być szybsze upublicznianie preprintów, bardziej rygorystyczne dzienniki zdarzeń badawczych oraz nowe standardy cytowania wkładu modeli i agentów AI.
Dlaczego „więcej światła” może być jedyną obroną
W tle pobrzmiewa intuicja, że najlepszą ochroną przed przechwytywaniem tropów jest jawność: szybkie dzielenie się metodą, szkicami i częściowymi rezultatami. To jednak ma swoją cenę, bo otwartość ułatwia także wyścig tym, którzy mają większe zasoby. Paradoks polega na tym, że zamykanie pracy w szufladzie zwiększa ryzyko przecieków i podejrzeń, a publikowanie – ryzyko, że ktoś „dowiezie” formalny dowód szybciej.
Niezależnie od tego, jak zakończy się spór o chronologię i wpływ danych, jedno jest pewne: matematyka wchodzi w fazę, w której narzędzia AI nie są już tylko kalkulatorem czy asystentem do sprawdzania rachunków. Stają się uczestnikiem rywalizacji o pierwszeństwo, a to wymusza nowe reguły – zarówno techniczne, jak i etyczne – zanim kolejny problem milenijny zamieni się w konflikt o to, kto miał dostęp do czyjego pomysłu.
Oryginalny tekst: OpenAI fought dirty on career-making math problem, says NYU mathematician | TechCrunch