Science.org 网页正在执行安全验证。网站使用安全服务保护页面免受恶意机器人访问，在确认访问者不是机器人之前，只显示验证提示，正文暂不加载。这篇报道涉及人工智能数学突破引发的争议，但开头内容也被安全验证挡住，需要先通过检查才能阅读。

www.science.org

正在执行安全验证

本网站使用安全服务防范恶意机器人。在网站验证您不是机器人的期间，会显示此页面。

HN评论区几乎被OpenAI在纳维-斯托克斯问题上的争议操作点燃。多数人强烈质疑其提前抢发、附加条件的署名方案，以及对客户数据可能早已混入训练集的担忧；少数声音则试图区分“AI的数学能力”与“OpenAI的公关叙事”。核心交锋是：这究竟是一次实质突破，还是又一场以AI为名的伦理与信任事故？

认为OpenAI的行为是严重的学术伦理丑闻

• 即便完全不考虑“剽窃”指控，抢在两位研究者公开成果前抢先宣布，本身就是“品味极差”。更麻烦的是，OpenAI无法完全排除数据来自自家Codex训练集的可能。
• OpenAI被曝提出“给Buckmaster单独署名、但删掉Alpöge并承认由内部模型解决”的条件，被普遍视为一种分裂和收买。若换成人类数学家，这种操作足以毁掉职业生涯；数学界应该以“老式绝交”回应。
• 批评者认为，OpenAI是典型地“一边做工具、一边和用户抢荣誉”，这会加速数学家对这类服务的回避。

无论最终结果如何，这套做法放在任何人类数学家身上，都是足以终结职业生涯的伦理丑闻。（@VyseofArcadia）

认为更大的隐患是数据信任与“客户竞业”

• 既然OpenAI既提供Codex又下场竞争，任何用其产品提交的私有数据都可能成为日后被反噬的材料；企业会因为无法承受这种风险而远离LLM服务。
• 有评论强调，相比“AI能不能解数学题”，聊天隐私和数据主权才是最致命的问题。从Hugging Face泄露到这次的署名风波，很多人觉得信任已经走到临界点。

AI公司正在和客户抢成果，聊天隐私和数据安全因此变成真正的要害，这比AI能不能解题更严重。（@harhargange）

认为这项成果被过度包装，与外推的“治愈疾病”毫无关系

• OpenAI高管借纳维-斯托克斯案例称“找到了新材料的路径”，评论认为这是没有逻辑的跳跃；材料与药物设计根本无法用自动定理证明器做形式化验证，问题更难被定义和检验。
• 还有人直接怀疑LLM不具备逻辑推理能力，认为这是一场IPO前的表演；另用类比说，这不像是牛顿发明微积分来算π，更像是烧掉上千万美元token、用老办法把π多算一位。

比起AI“证明”了什么，一个烧掉1200万美元token的搜索程序找到了一个反例，这更像工程胜利，而不是数学范式的变革。（@sherburt3）

认为LLM的成功可能只集中在“存在性证明”，不等于数学家被取代

• 即使承认成果显著，其模式也是“寻找反例”或“构造存在对象”，而这正好贴合LLM的检索与组合特性。
• 对全称量化的猜想——例如费马大定理那种需要发明一整套新数学的问题——LLM距离还相当远；怀尔斯式的原创工作依然需要真实数学家。

LLM擅长证明存在性和找反例，但若费马大定理尚未被证明，很难想象哪个LLM能像Andrew Wiles那样凭空发明出整套数学框架。（@elgertam）

质疑“谁的AI”与“谁该拿荣誉”

• 有人讽刺两个研究者用的本来也是OpenAI的Codex，结果却谈“他们的AI”；也有人觉得既然双方99%的工作都由AI完成，人类争夺署名本身就很荒诞。
• 相对宏观的担忧是：科学研究的“再贵族化”似乎不可避免——未来只有能烧得起千万美元算力的机构和个人，才有资格触碰这类问题。

既然双方都靠AI完成了超过99%的工作，那荣誉到底属于谁？难道机器也有自我吗？（@ltononro）

有价值的补充

• 千禧年大奖问题是七个，不是六个；庞加莱猜想已经解决，但依然在列。
• Lean的形式化验证只保证“证明内部没有错误”，并不自动保证所有前提和背景定义本身成立。