移动通信网 云坪
9月22日，OpenAI宣布成立“数学与AI顾问组”，该机构设于普林斯顿高等研究院，由九位数学家组成，独立于OpenAI运作，成员不从公司领取报酬。相比组织架构调整，公告中披露的另一条信息更具冲击力：OpenAI于8月28日开始训练的一个模型，已成功解决多个数学领域中100多个长期悬而未决的开放问题，其中包括流体力学领域的纳维-斯托克斯千年大奖难题——该难题因克雷数学研究所悬赏100万美元而闻名，此前一度因论文争议引发数学界激烈讨论。这一消息发布的时间点耐人寻味：9月下旬正值OpenAI推进GPT下一代模型训练与多轮谈判融资的关键窗口，数学推理能力正在成为大模型竞争的新制高点。顾问组首批成员名单显示，OpenAI选择的并非AI研究者，而是纯数学领域的顶尖学者，涵盖几何、概率论、数论、组合数学等方向，反映出其希望以纯数学视角审视AI对基础学科冲击的意图。
【关键数据】
[1] 模型解决开放问题数量：100多个（8月28日开始训练）
[2] 顾问组成员数量：9位数学家（设于普林斯顿高等研究院）
[3] AlphaProof在IMO的得分：满分42分制下28分（银牌水平）
[4] ChatGPT Pro订阅价格：每月200美元
[5] Stargate数据中心计划投资规模：数千亿美元（首个站点部署超10万块GPU级加速器）
从技术角度看，解决开放数学问题对大模型的推理能力提出了远超常规基准测试的要求。以纳维-斯托克斯方程为例，该问题要求证明三维不可压流体方程光滑解的存在性或给出反例，涉及偏微分方程理论、泛函分析与奇异积分估计的深度结合，此前仅有极少数学家在该方向取得阶段性进展。传统大模型在MATH、GSM8K等基准上的准确率虽已突破90%，但多为闭卷再现已知解法，而开放问题需要模型完成长链条的猜想生成、反例搜索与证明构造。OpenAI透露的“8月28日开始训练即已解决100多个开放问题”暗示该模型可能采用了强化学习驱动的证明搜索架构，类似此前AlphaProof在2024年国际数学奥林匹克中获得银牌水平（6题中解出4题）所用的Lean形式化验证路径。顾问组成员Nikhil Srivastava曾在2022年解决“三个瀑布猜想”相关的特征向量问题，Timothy Gowers是菲尔兹奖得主，Edward Witten则是唯一获得菲尔兹奖的物理学家，这一阵容足以对模型产出的证明进行权威评审。
在竞争格局层面，OpenAI此举直接对标Google DeepMind。DeepMind过去两年在AI数学领域密集落子：AlphaProof与AlphaGeometry 2合计在IMO取得28分满分制下的28分成绩（实际为42分制中的28分，达到银牌线），AlphaTensor发现矩阵乘法49次乘法的新算法，AlphaDev则将排序指令长度缩短约13%。Google还于2024年成立“AI for Science”团队，并在2025年发布面向数学研究的AlphaEvolve框架。相比之下，Anthropic的Claude系列在形式化数学插件MCP生态中占有一席，xAI的Grok则主要聚焦竞赛数学。市场层面，OpenAI近期完成的一轮融资估值达到数千亿美元量级，其年化收入据公开报道已超过百亿美元，其中面向科研机构与企业的高价订阅（ChatGPT Pro每月200美元）贡献了可观的增量。数学能力一旦被验证为可商品化能力，将直接抬升其在金融建模、芯片设计、密码学等高价值场景的定价空间。
产业链影响上，AI数学能力的突破将沿三个方向传导。第一是算力侧：OpenAI自建的Stargate数据中心计划投资规模达数千亿美元，首个站点已在得州阿比林部署超过10万块GPU级别的加速器，长链条证明搜索属于典型的推理时高算力消耗（test-time compute）负载，训练加推理的双轮驱动将持续拉高对HBM存储与先进封装的需求。第二是形式化验证工具链：Lean、Coq、Isabelle等证明辅助语言的生态将迎来流量红利，微软研究院维护的Lean 4社区目前月活跃贡献者约数千人，若AI生成证明成为常态，形式化验证人才与工具服务的市场规模可能从目前估计的每年数亿美元级别实现数量级扩张。第三是上游人才培养：普林斯顿高等研究院、克雷研究所等机构与产业界的边界正在重塑，顾问组成员不取酬的安排降低了利益冲突质疑，但也意味着OpenAI以极低的治理成本获得了顶级学术背书。
商业化与应用场景方面，数学推理能力最直接的落地点包括三个领域。其一是芯片设计：EDA巨头Synopsys与Cadence的年营收分别超过60亿和40亿美元，其中形式化验证环节高度依赖数学求解器，AI证明引擎若能嵌入验证流程，可压缩流片前验证周期——当前先进制程芯片一次流片成本已超过2000万美元。其二是密码学：量子后密码标准的数学论证需要大量格理论分析，美国NIST于2024年发布的ML-KEM等标准背后均有可被AI加速的证明工作量。其三是药物分子动力学：纳维-斯托克斯相关的流体计算直接关联CFD仿真市场，该市场规模约20亿美元且由ANSYS等少数厂商主导，求解器精度每提升一个量级都可能改写行业格局。落地案例方面，OpenAI已与多家国家实验室和洛斯阿拉莫斯等机构建立科研合作，数学顾问组的成立为其进入基础科研付费市场提供了合规通道。
行业趋势层面，OpenAI为顾问组设定的权限边界颇具信号意义：该组可提出公司未请求的建议、可公开评论OpenAI对数学的影响、可自行调整成员构成，但不负责就公司内部数学研究的推进节奏提供建议。这种“外松内紧”的治理设计，说明OpenAI有意将伦理审视与研发决策切割，避免重蹈2023年11月董事会风波中治理结构掣肘商业节奏的覆辙。竞争对手的动向同样密集：DeepMind持续扩建其纯数学合作网络，与多位菲尔兹奖得主保持长期项目合作；Anthropic在可解释性研究上加大投入，2025年相关团队规模扩张明显；国内方面，DeepSeek等厂商在推理模型上的开源策略也在挤压闭源模型的护城河。对数学界而言，真正的悬念在于AI证明的验证成本——100多个开放问题的解若要获得学界承认，需经过数月至数年的同行评审，顾问组九位成员很可能承担首轮审查角色。这一实验的结果，将决定“AI解决开放数学问题”从新闻标题变成可复现的科学范式，还是停留在一次性演示。
