تصور کنید ریاضی‌دانی که دهه‌ها روی یک معادله پیچیده فکر کرده، ناگهان با یک ابزار دیجیتال به پاسخی برسد که هیچ انسانی در ۹۰ سال گذشته نتوانسته بود پیدا کند. این اتفاق اکنون در آزمایشگاه‌های OpenAI رخ داده است و مرزهای استدلال ماشینی را جابه‌جا کرده است.
طبق اعلام OpenAI در ۸ سپتامبر ۲۰۲۶، یک سامانهٔ داخلی توانسته است مسئلهٔ وجود و همواری معادلات ناویر-استوکس (Navier–Stokes) را حل کند. این مسئله یکی از هفت مسئلهٔ جایزهٔ هزاره است. این اثبات نشان می‌دهد که حرکت هموار سیالات در فضای سه‌بعدی می‌تواند در بازه زمانی محدودی دچار شکست شود و به یک تکینگی (Singularity) برسد؛ پرسشی که تقریباً ۹۰ سال است ریاضی‌دانان را به چالش کشیده است.
دینامیک سیالات هر چیزی را کنترل می‌کند؛ از نیروی لیفت بال هواپیما گرفته تا جریان خون در شریان‌های انسان. برای دهه‌ها، دانشمندان بحث می‌کردند که آیا معادلات مدل‌سازی این سیالات — که مایع و گاز را به عنوان یک محیط پیوسته در نظر می‌گیرند — در نهایت شکست می‌خورند یا خیر. اگر تکینگی رخ دهد، به این معناست که سرعت سیال بدون محدودیت رشد می‌کند و این امر نشان‌دهندهٔ فروپاشی کامل مدل پیوسته است.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های استدلالی اشاره کردیم، گذار از تولید متن به حل مسائل ریاضی سخت، نیازمند معماری‌های جدیدی است. در این مورد، OpenAI از یک سامانهٔ چندعاملی (Multi-agent system) — شبیه به تیمی از هزاران متخصص که هر کدام بخشی از یک پروژه بزرگ را پیش می‌برند و با هم مشورت می‌کنند — استفاده کرده است. این سیستم از مدلی بهره می‌برد که توانایی‌هایش به‌طور قابل‌توجهی فراتر از GPT-6 Astra است. این سامانه هم یک اثبات تحلیلی تولید کرد و هم آن را در زبان Lean (یک اثبات‌کنندهٔ قضایا) رسمی کرد تا سخت‌گیرانه‌ترین استانداردهای دقت ریاضی تضمین شود.
زمینه: معمای ناویر-استوکس
معادلات ناویر-استوکس بر اساس قانون دوم نیوتن (F=ma) بنا شده‌اند. این معادلات حرکت سیال را با در نظر گرفتن آن به عنوان یک محیط پیوسته توصیف می‌کنند، به جای آنکه تک‌تک مولکول‌ها را ردیابی کنند. این تقریب برای کاربردهای عملی در پیش‌بینی وضع هوا و طراحی هواپیما حیاتی و ضروری است.
این معادلات به کارهای قرن نوزدهمی کلود-لوئی ناویر و جورج گابریل استوکس بازمی‌گردد. در سال ۱۹۳۴، ژان لره ثابت کرد که راه‌حل‌هایی در معنای تعمیم‌یافته وجود دارند. با این حال، این سؤال که آیا این راه‌حل‌ها همیشه «هموار» می‌مانند یا خیر، به عنوان یک راز باز باقی ماند.
در سال ۲۰۰۰، مؤسسه ریاضیات کلی این مسئله را به طور رسمی به عنوان یکی از هفت مسئلهٔ جایزهٔ هزاره معرفی کرد. سؤال اصلی این است: آیا یک سیال تراکم‌ناپذیر سه‌بعدی با چگالی ثابت می‌تواند تکینگی ایجاد کند، حتی اگر حرکت در ابتدا به صورت هموار آغاز شده باشد؟
تکینگی نقطه‌ای است که در آن دینامیک سیال منجر به رشد سرعت‌ها بدون محدودیت در یک بازه زمانی محدود می‌شود. این اتفاق با وجود ویسکوزیته (گرانروی) رخ می‌دهد، در حالی که گرانروی معمولاً به عنوان عاملی برای هموار کردن حرکت عمل می‌کند. چون سیالات واقعی نمی‌توانند با سرعت بی‌نهایت حرکت کنند، چنین نتیجه‌ای ثابت می‌کند که تقریب پیوسته می‌شکند و پژوهشگران برای ادامه مدل‌سازی مجبورند هر ذره را به صورت انفرادی ردیابی کنند.
سازوکار اثبات
هوش مصنوعی کشف کرد که یک سیال هموار در حالت سکون، وقتی نیرویی هموار به آن اعمال شود، می‌تواند تکینگی ایجاد کند. این حرکت به شکل یک گردابه (Vortex) است؛ یک چرخش مارپیچی که به سمت داخل می‌پیچد و مانند رشته‌های اسپاگتی کشیده و بلند می‌شود.
نکته کلیدی این است که اثبات نشان می‌دهد انرژی سیال در تمام این فرآیند، از حالت سکون اولیه تا تشکیل تکینگی، محدود باقی می‌ماند. این امر قوانین فیزیک را رعایت می‌کند و در عین حال ثابت می‌کند که سرعت همچنان به طور بی‌نهایت رشد می‌کند. این نتیجه با تثبیت گزاره‌های «C» و «D» در فرمول‌بندی رسمی، مسئلهٔ جایزهٔ هزاره را حل می‌کند.
این پیشرفت فنی نیازمند تعادل دقیق بین چندین عبارت پیچیده در معادلات بود:
- گرادیان‌های فشار و شتاب: این‌ها باید بسیار بزرگ شوند تا تکینگی را به پیش برانند.
- انتقال تکانه و ویسکوزیته: این موارد نیز باید رشد کنند اما باید به گونه‌ای دقیق عبارت‌های دیگر را خنثی کنند.
- نیروی خارجی: این تعادل دقیق تضمین می‌کند که نیروی خارجی حتی با رشد بی‌نهایت سرعت سیال، هموار باقی بماند.
هوش مصنوعی چگونه آن را حل کرد؟
این کشف نتیجهٔ یک پرامپت ساده نبود، بلکه حاصل تلاش هماهنگ هزاران عامل (Agent) بود. این فرآیند در ۱ سپتامبر ۲۰۲۶ آغاز شد، زمانی که شایعاتی مبنی بر نزدیکی پژوهشگران دیگر به یک پیشرفت بزرگ منتشر شد.
OpenAI از سیستمی از عوامل هماهنگ استفاده کرد که مدل داخلی آن از ۲۸ اوت در حال آموزش بود. این عامل‌ها به ابزارهای خاصی دسترسی داشتند، از جمله توانایی اجرای کد و خواندن از یک نسخهٔ کش‌شده از اینترنت. عامل‌ها در گروه‌هایی با اندازه‌های مختلف سازماندهی شده بودند که می‌توانستند به صورت داخلی با یکدیگر ارتباط برقرار کنند.
- مقیاس عامل‌ها: گروهی که مسئله ناویر-استوکس را حل کرد، از حدود ۱۰,۰۰۰ عامل هم‌زمان استفاده کرد.
- شدت محاسبات: در مجموع تمام تلاش‌ها برای مسائل هزاره، ۴.۹ میلیون پیام رد و بدل شد و ۳۰۰ میلیارد توکن تولید شد.
- تلاش اختصاصی: حل ناویر-استوکس به تنهایی ۲.۷ میلیون پیام و ۱۳۰ میلیارد توکن نیاز داشت.
- زمان‌بندی: عامل‌ها در روز شنبه ۵ سپتامبر ۲۰۲۶، تقریباً ۸۸ ساعت پس از شروع، به پاسخ رسیدند. تأیید نهایی توسط GPT-6 Astra حدود ۱۷ ساعت زمان برد.
مسیر کشف
OpenAI از استراتژی «لقاح متقاطع» (Cross-pollination) استفاده کرد. آن‌ها گروه‌های جداگانه‌ای از عامل‌ها را با نسخه‌های متفاوتی از صورت مسئله به چالش کشیدند. به برخی گروه‌ها نسخه‌های «A» و «B» داده شد (که منجر به اثبات می‌شد)، در حالی که به برخی دیگر نسخه‌های «C» و «D» داده شد (که منجر به رد ادعا می‌شد).
برای پالایش نتایج، تیم ابتدا عامل‌ها را مأمور کرد تا روی نسخه ساده‌تری از مسئله کار کنند: مسئله همواری برای معادلات اویلر، که در واقع همان مسئله ناویر-استوکس است اما با حذف عبارت ویسکوزیته.
- شکست اویلر: حدود ۱۰۰ عامل طی ۵۰ ساعت، نسخه بدون نیروی خارجی مسئله همواری اویلر را حل کردند.
- تغییر منابع: پس از یافتن راه حل اویلر، OpenAI عامل‌ها را از سایر مسائل هزاره جدا کرد و با استفاده از نتایج اویلر، آن‌ها را به سمت ناویر-استوکس هدایت کرد.
- به‌روزرسانی مدل: با در دسترس قرار گرفتن نسخه‌های آموزش‌دیده تر از مدل داخلی در طول این تلاش، عامل‌ها به نسخه‌های جدیدتر به‌روزرسانی شدند.
- ترکیب: تیم از Codex برای تجمیع مفیدترین بینش‌ها از گروه‌های مختلف عامل‌ها استفاده کرد تا سیستم بتواند روی نتایج میانی تکرار و اصلاح کند.
پژوهش‌های هم‌زمان
به گزارش OpenAI، این تلاش تا حدی تحت تأثیر شایعات مربوط به لِوِنت آلپوگه (کارمند Anthropic) و تریستان باک‌مستر (استاد ریاضی NYU) بود. پس از تکمیل تأیید در Lean در ۶ سپتامبر، OpenAI با آن‌ها تماس گرفت تا پیشنهاد اعلامیه مشترکی را بدهد و اولویت آن‌ها را به رسمیت بشناسد.
در این گفتگوها مشخص شد که آلپوگه و باک‌مستر پاسخی برای مسئله اویلر «با نیرو» (Forced) داشتند. این با نتیجه OpenAI متفاوت است، زیرا عامل‌های OpenAI مسئله اویلر «بدون نیرو» و کل مسئله ناویر-استوکس را حل کردند. OpenAI آن‌ها را بابت این دستاورد تبریک گفت.
OpenAI صراحتاً بیان کرد که پژوهشگران و عامل‌هایش پیش از انتشار عمومی، هیچ‌یک از کارهای تیم دیگر را ندیده‌اند. همچنین اعلام کرد که هیچ دادهٔ کاربر خاصی برای حل این مسئله مورد دسترسی قرار نگرفته است، هرچند اشاره کرد که نمی‌تواند رد کند که داده‌های ناشناس‌شده از استفاده از محصولات در بهبود توانایی‌های کلی مدل‌های زیربنایی کمک کرده باشد.
تحلیل: تغییر در توانمندی هوش مصنوعی
این نتیجه نشان‌دهنده گذار از هوش مصنوعی به عنوان یک ابزار زبانی به یک محرک اصلی در اکتشافات علمی است. حل یک مسئله جایزهٔ هزاره فقط «دانستن» ریاضی نیست؛ بلکه توانایی ترکیب ساختارهای منطقی جدید و پیچیده‌ای است که برای نزدیک به یک قرن از ذهن نوابغ انسانی گریخته بود.
برای دنیای کسب‌وکار و پژوهش، این یعنی «شکاف استدلالی» سریع‌تر از حد انتظار در حال بسته شدن است. این جهش در توانمندی‌ها با کاهش چشمگیر هزینه‌های محاسباتی و تغییر ماهیت پروژه‌های AI که پیش‌تر تحلیل کردیم، هم‌سو است و دسترسی به چنین قدرت استدلالی را برای سازمان‌ها تسهیل می‌کند. استفاده از ۱۰,۰۰۰ عامل هماهنگ نشان می‌دهد که مرز بعدی هوش مصنوعی، مدل‌های بزرگ‌تر نیست، بلکه جریان‌های کاری عامل‌محور (Agentic) و خودمختار در مقیاس وسیع است که قادر به پژوهش‌های هدفمند و مستمر هستند.
OpenAI اعلام کرده که قصد ندارد جایزه نقدی هزاره را مطالبه کند. در عوض، این انتشار سیگنالی از سرعت پیشرفت AI و پیش‌نمایشی از توانایی مدل‌های آینده است. هدف شرکت ساخت سیستم‌هایی است که قابل هدایت، پاسخگو و متصل به انسان باشند تا AGI به نفع بشریت باشد.
منتظر واکنش جامعه علمی به رسمی‌سازی در Lean باشید؛ این آزمون نهایی خواهد بود که آیا اثبات هوش مصنوعی با سخت‌گیرانه‌ترین استانداردهای ریاضی سازگار است یا خیر.
گام بعدی شما
- بررسی مستندات زبان Lean برای درک نحوه تبدیل اثبات‌های ریاضی به کد قابل تأیید.
- دنبال کردن مقالات مربوط به سامانه‌های چندعاملی برای یادگیری نحوه توزیع مسائل پیچیده بین هزاران عامل.
- تحلیل اثر این پیشرفت بر شبیه‌سازی‌های مهندسی سیالات در صنایع هوافضا و پزشکی.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو