OpenAI 声称使用 10,000 个 AI 代理在 88 小时内求解了纳维-斯托克斯方程

关键要点

  • OpenAI 声称,其于 9 月 1 日部署了 10,000 个相互协调的 AI 代理,并在 88 小时内解决了已有 90 年历史的纳维–斯托克斯问题。
  • 纳维–斯托克斯问题是七个千禧年大奖难题之一,由克莱数学研究所于 2000 年提出,每道题的奖金为 100 万美元。
  • 数学家 Tristan Buckmaster 对数据访问表示担忧,而 OpenAI 表示,在解决这一问题时未访问任何特定用户的数据。

OpenAI 声称,他们利用 10,000 个相互协调的 AI 代理,在 88 小时内解决了这一有 90 年历史的纳维-斯托克斯数学问题。该公司周二发布的一份声明称,这些代理于周六 9 月 5 日得出了解答,即在启动约 88 小时后。OpenAI 使用其内部 AI 模型,为一个代理社群系统提供支持;这些社群可访问互联网的缓存版本,并具备代码执行能力。纳维-斯托克斯问题涉及流体如何运动,是克莱数学研究所设立的七个千禧年大奖难题之一,每个问题的解答奖金为 100 万美元。

OpenAI 在其发布的声明中表示,这些代理被细分为多个社群,并能够在社群内部进行通信。该公司称:“社群规模各不相同,而产生纳维-斯托克斯解答的社群涉及约 10,000 个同时运行的代理。”位于马萨诸塞州剑桥、负责设立这些大奖难题的克莱数学研究所尚未对 OpenAI 提出的解答发表评论。

纽约大学数学家质疑 OpenAI 的数据访问权限

纽约大学数学教授 Tristan Buckmaster 在其网站上发布的声明中对 OpenAI 的工作提出了担忧。Buckmaster 解释说,他一直在与 OpenAI 竞争对手 Anthropic 的数学家 Levent Alpöge 进行“个人合作”,共同研究包括纳维-斯托克斯问题在内的数学问题。

Buckmaster 表示,Alpöge 收到了一些“提示”,得知有关两人研究进展的信息已被传给 OpenAI。他称,这家科技巨头解决问题的路径与他们自己的工作相似,而“仅凭向模型提供问题陈述,不可能在几天内找到这一路径”。Buckmaster 质疑 OpenAI 的模型是否曾使用他们在 OpenAI Codex 中的会话内容进行训练,或是否能够访问这些会话,并指出这两位数学家曾在研究过程中使用多个大型语言模型。

Buckmaster 在其声明中补充道:“我想明确说明我没有声称什么。我没有看过 OpenAI 的证明。我不知道他们的模型做了什么,也不知道是如何做到的。我不知道我们的数据是否被使用。”

OpenAI 在其声明中回应称,其工作于 9 月 1 日开始,此前“听到了关于该难题进展的传闻”,后来才发现传闻与 Alpöge 和 Buckmaster 有关。该公司表示:“在他们公开发布之前,我们(研究人员和代理)没有通过任何方式看到他们的任何工作——尤其是,为了解决这个问题,没有访问任何特定用户数据。虽然这种可能性不大,但我们无法排除从他们使用我们产品的过程中产生的去标识化数据帮助改进我们模型的可能性。”

克莱数学研究所于 2000 年设立 100 万美元奖金

克莱数学研究所于 2000 年设立了这些大奖难题,为每个问题的解答提供 100 万美元奖金。根据该研究所的网站,“设立这些奖金……旨在让公众意识到,数学的前沿仍然开放,并且充满重要的未解决问题;强调致力于解决最深奥、最困难问题的重要性;并表彰数学领域具有历史意义的成就。”

其他千禧年大奖难题包括与椭圆曲线相关的 Birch 和 Swinnerton-Dyer 猜想,以及与素数相关的黎曼假设。

常见问题

OpenAI 声称解决的纳维-斯托克斯问题是什么?
纳维-斯托克斯问题涉及流体如何运动,是七个千禧年大奖难题之一,被认为是本世纪初最困难的数学问题之一。克莱数学研究所于 2000 年为每个问题的解答设立了 100 万美元奖金。

数学家 Tristan Buckmaster 对 OpenAI 的解答提出了哪些担忧?
纽约大学教授 Buckmaster 在网站的声明中表示,他一直在与 Levent Alpöge 合作研究纳维-斯托克斯问题,并收到“提示”,得知有关他们研究进展的信息已被传给 OpenAI。他质疑 OpenAI 的模型是否曾使用他们在 OpenAI Codex 中的会话内容进行训练,或是否能够访问这些会话,并指出 OpenAI 解决问题的路径与他们自己的工作相似。

OpenAI 如何回应有关数据访问的问题?
OpenAI 表示,其工作于 9 月 1 日开始,此前“听到了关于该难题进展的传闻”。该公司称,研究人员和代理“在他们公开发布之前没有通过任何方式看到他们的任何工作”,并且“为了解决这个问题,没有访问任何特定用户数据”,但无法排除产品使用过程中产生的去标识化数据帮助改进其模型的可能性。

免责声明:本页面信息可能来自第三方,仅供参考,不代表 Gate 的观点或意见,亦不构成任何财务、投资或法律建议。数字资产交易风险较高,请勿仅依赖本页面信息作出决策。具体内容详见声明。
评论
0/400
暂无评论