OpenAI решила задачу тысячелетия об уравнениях Навье-Стокса с помощью роя из 10 000 ИИ-агентов — но не может исключить утечку чужих данных
OpenAI объявила, что её внутренняя ИИ-система решила проблему существования и гладкости решений уравнений Навье-Стокса — одну из семи знаменитых «задач тысячелетия» математики, которая оставалась нерешённой с момента своего появления 26 лет назад. Для этого использовалась координированная система из примерно 10 000 одновременно работающих ИИ-агентов.
Задача, названная в честь математиков XIX века Клода-Луи Навье и Джорджа Габриеля Стокса, задаёт простой, но чрезвычайно трудный вопрос об уравнениях, описывающих движение жидкостей и газов: может ли жидкость, движение которой начинается гладко, со временем прийти к математическому «пробою»?
OpenAI утверждает, что её система построила новое доказательство, показывающее: при определённых условиях гладко движущаяся трёхмерная жидкость способна достичь точки, где её расчётная скорость за конечное время неограниченно растёт. На практике это означало бы, что сами уравнения в какой-то момент перестают давать физически осмысленное описание жидкости.
Однако объявление OpenAI сопровождается и спором о том, как была проделана работа и кому должна достаться слава. Математик из Нью-Йоркского университета, участвовавший в тесно связанном ИИ-ассистированном исследовании, опубликовал прошлой ночью заявление в Mastodon — ещё до анонса OpenAI, — усомнившись в том, что модель компании могла быть обучена на исследовании, которое он с коллегой из Anthropic вёл с использованием Codex, ИИ-инструмента и приложения OpenAI для программирования, или иным образом извлечь из него выгоду.
Сначала OpenAI сказала VentureBeat, что ни её исследователи, ни ИИ-системы не искали пользовательские данные для решения задачи. Однако в последующем публичном заявлении компания добавила важную оговорку: хотя никакие конкретные пользовательские данные не запрашивались, она «не может исключить», что деидентифицированные данные, полученные из использования исследователями продуктов OpenAI, помогли улучшить её модели.
На прямой вопрос VentureBeat во время видео-брифинга для прессы Марк Чен, директор по исследованиям OpenAI, ответил: «Ни люди, ни ИИ-системы не просматривали пользовательские данные, чтобы решить эту или любую другую конкретную задачу. И я немного разочарован обвинениями в огромном нарушении доверия пользователей. Мы этого не делали». Позже в тот же день OpenAI опубликовала в X заявление, в котором, в частности, говорилось: «Мы (исследователи и агенты) не видели их работы никаким образом, пока они не опубликовали её публично — в частности, для решения этой задачи не запрашивались никакие конкретные пользовательские данные. Хотя это маловероятно, мы не можем исключить, что деидентифицированные данные, полученные из их использования наших продуктов, помогли улучшить наши модели. Однако наши доказательства существенно различаются, и даже точные доказанные результаты различаются в случае уравнений Эйлера (с принуждением и без)».
Это различие — между получением доступа к частной работе пользователя и потенциальным обучением на данных, полученных из использования продукта при улучшении модели, — выходит далеко за рамки академического спора. Для предприятий, которые вкладывают в ИИ-системы проприетарный код, неопубликованные исследования или другую чувствительную интеллектуальную собственность, возникает практический вопрос: какая защита на самом деле не даёт этой информации стать частью будущих улучшений модели?
Как разворачивался спор о заслугах и данных
Полемика началась со слуха. 1 сентября в сети распространилась информация, что исследователи, связанные с Anthropic, возможно, решили две задачи тысячелетия. OpenAI говорит, что именно это отправило её свежеобученную внутреннюю модель штурмовать оставшиеся задачи. Технический сотрудник OpenAI и уважаемый ИИ-исследователь Себастьен Бубек позже прямо написал в X: «Мы начали работать над задачами тысячелетия из-за вирусных слухов в твиттере, что Anthropic решила 2 задачи тысячелетия». Целью, по его словам, было проверить, сможет ли быстро совершенствующаяся система OpenAI сделать нечто сопоставимое.
Слух был связан с реальной работой математика из Нью-Йоркского университета Тристана Бакмастера и исследователя Anthropic Левента Алпёге, которые месяцами использовали ИИ-системы для продвижения специализированного направления исследований уравнений жидкости, связанных с Навье-Стоксом. Записи, предоставленные обеими сторонами, свидетельствуют, что 3 сентября Бакмастер связался с OpenAI и объяснил, что их работа — личное сотрудничество, а не проект Anthropic. К тому моменту, согласно хронологии OpenAI, её собственный эксперимент с агентами уже шёл. Позже Бубек настаивал, что OpenAI «не видела работу [Бакмастера и Алпёге], пока они не опубликовали её публично», и указывал на различия между итоговыми доказательствами двух команд как на свидетельство независимой разработки.
Затем, 6 сентября, OpenAI сообщила внешним математикам, что её система получила нечто гораздо более крупное: доказательство «взрыва за конечное время» для уравнений Навье-Стокса с принуждением. Скриншот, опубликованный Бубеком в X, показывает переписку между ним и пользователем, идентифицированным как Алпёге. «Я хочу быть максимально открытым с вами», — написал Бубек, по словам скриншота, заявив, что OpenAI хочет, чтобы «все академические лавры» за их работу достались Алпёге и Бакмастеру. «Какова точная теорема, которую вы заявляете?» — спрашивает Алпёге. «Существование вынужденного взрыва в R^3 и T^3», — отвечает Бубек.
Но сообщение, судя по всему, встревожило Алпёге и Бакмастера. В своём заявлении в формате PDF, опубликованном 7 сентября, Бакмастер написал, что слово «принуждение» стало для него «ярким красным флагом», потому что маршрут с гладким принуждением был именно тем малоизвестным подходом, которым занимались два математика. Это привело к самому важному обвинению — точнее, вопросу. Математики клали неопубликованные черновики в приватные сессии Codex, и Бакмастер спросил, не была ли модель OpenAI обучена на них или не имела ли к ним доступа. Он говорит, что ему ответили, что модель не обращалась к пользовательским данным, но когда он настойчиво спросил именно об обучении, ответа не получил. Важно, что он воздержался от обвинения в краже: «Я не знаю, использовались ли наши данные. Я никого ни в чём не обвиняю».
Затем разговор испортился на почве заслуг. Бакмастер рассказал, что Бубек предложил путь, на котором он мог бы помочь представить доказательство OpenAI по Навье-Стоксу без Алпёге в соавторах, сославшись на работу Алпёге в Anthropic как на осложнение. Бубек решительно оспорил эту трактовку в X: «Я никогда не просил убрать Левента из авторства его собственной работы», — написал он. По его версии, они обсуждали, может ли Бакмастер возглавить переписывание отдельного доказательства OpenAI, и он считал неуместным, чтобы сотрудник Anthropic авторизовал работу, созданную системой OpenAI. Бубек также признал, что сделал замечание о том, что Бакмастер «рискует» карьерой, но назвал его «крайне неудачным выбором слов», извинился и сказал, что немедленно его взял назад.
OpenAI с тех пор отрицает, что её сотрудники или агенты напрямую обращались к частной работе математиков для создания доказательства, признавая при этом, что не может исключить вклад деидентифицированных данных от использования математиками её продуктов в улучшение моделей. Это оставляет спор в необычно узкой, но важной точке: это не установленный случай присвоения OpenAI частного исследования, а неразрешённый вопрос о том, может ли информация, порождённая при использовании исследователями ИИ-продукта, косвенно вернуться в системы, которые позже конкурируют с ними.
От одной трудной задачи к миллионам сообщений агентов
Спор о приватности — лишь часть того, что делает объявление о Навье-Стоксе примечательным. То, как OpenAI, по её словам, получила доказательство, предполагает иную модель развёртывания передового ИИ.
Согласно описанию эксперимента OpenAI, обучение безымянной внутренней модели началось 28 августа и продолжается. OpenAI описывает систему как значительно более способную, чем GPT-6 Astra, её фронтирную модель, выпущенную на прошлой неделе. Внутренняя модель сейчас недоступна клиентам ChatGPT или API.
1 сентября, услышав слухи о прогрессе других исследователей по задачам тысячелетия, OpenAI отправила группы агентов работать над оставшимися открытыми задачами и несколькими связанными математическими вопросами. Агенты могли запускать код, обращаться к кэшированной версии интернета и общаться с другими агентами внутри своих групп. Важный промежуточный результат дали уравнения Эйлера, описывающие движение жидкости без члена вязкости, который есть в Навье-Стоксе. OpenAI сообщает, что почти 100 агентов работали около 50 часов, чтобы построить опровержение регулярности для уравнений Эйлера без принуждения. Затем ресурсы перенаправили на Навье-Стокс: агенты получили результат по Эйлеру как отправную точку, а Codex использовался для консолидации перспективных промежуточных идей из разных групп.
В группе, получившей результат по Навье-Стоксу, одновременно работало порядка 10 000 агентов. OpenAI говорит, что агенты достигли решения 5 сентября — примерно через 88 часов после запуска первых агентов. Формализация и проверка доказательства в Lean заняли ещё 17 часов с использованием GPT-6 Astra. Масштаб поражает: по всем математическим задачам, за которые брались, агенты OpenAI обменялись 4,9 миллиона сообщений и сгенерировали около 300 миллиардов выходных токенов. Только работа по Навье-Стоксу составила 2,7 миллиона сообщений и примерно 130 миллиардов выходных токенов. Это меньше похоже на вопрос к чат-боту и больше на управление вычислительной исследовательской организацией из тысяч экземпляров моделей.
Lean даёт ещё один уровень проверки — но не мгновенное признание
OpenAI также выпустила формализованную версию своего предполагаемого доказательства на Lean. Документация Lean описывает его как интерактивный доказатель теорем, чьё маленькое доверенное ядро механически проверяет формальные доказательные выражения. Это может стать мощной защитой для ИИ-генерируемой математики: вместо того чтобы полагаться лишь на правдоподобие длинного математического аргумента, исследователи могут закодировать теорему и её доказательство на языке, который позволяет механически проверить, следует ли каждый шаг из заявленных допущений. Но формальная верификация не отменяет необходимости внешней проверки. Руководство Lean по валидации доказательств отмечает: рецензентам всё равно нужно быть уверенными, что формальная формулировка теоремы действительно выражает задуманное математическое утверждение и что её определения и допущения представлены корректно.
Тем временем Математический институт Клэя, учредивший задачи тысячелетия в 2000 году, предлагает 1 миллион долларов за признанное решение каждой задачи, но пока не присудил приз OpenAI. По официальным правилам Клэя, предлагаемое решение должно появиться в квалифицирующей публикации, затем должно пройти не менее двух лет, и работа должна получить общее признание мирового математического сообщества, прежде чем институт её рассмотрит. OpenAI заявляет, что не намерена претендовать на приз.
Экономика решения трудных задач
Те самые 130 миллиардов выходных токенов дают и грубый способ понять экономику этой новой модели исследований. Опубликованные цены OpenAI для GPT-6 Astra составляют 10 долларов за миллион входных токенов и 50 долларов за миллион выходных. По такой розничной ставке одни лишь 130 миллиардов выходных токенов соответствовали бы примерно 6,5 миллиона долларов расходов на API — ещё до учёта входных токенов. Это не реальная инфраструктурная стоимость OpenAI, а у внутренней модели, создавшей доказательство, публичной цены нет.
OpenAI не раскрыла и сколько входных токенов обработала исследовательская система. Одна внешняя оценка, гулявшая по X, помещала гипотетический розничный эквивалент в диапазон от менее 10 до 30–40 миллионов долларов в зависимости от допущений об объёме входа. Эта оценка остаётся спекулятивной. Руководители OpenAI подтвердили, что эксперимент обошёлся в многомиллионном масштабе. «Мы можем позволить себе потратить миллионы долларов на задачу, которая нам действительно важна», — сказал Бубек на брифинге. Он подал этот расход как предвкушение того, как организации смогут в будущем использовать ИИ на коммерчески ценных научных задачах: «Думаю, нам всем стоит настроиться на вопрос: что произойдёт, когда мы сможем тратить такой объём вычислений на задачи, которые действительно имеют значение?»
Генеральный директор OpenAI Сэм Альтман подчеркнул необычную экономику шуткой в X, спросив, знали ли исследователи, что задача «стоит всего 1 миллион долларов» — размер приза Клэя. Для технических руководителей предприятий более важным сравнением со временем может стать не цена за промпт, а цена за решённую задачу. Фармацевтическая компания, производитель полупроводников или организация из области материаловедения вполне может рационально потратить миллионы долларов на инференс, если ИИ-исследовательская система сможет сжать работу, на которую иначе ушли бы годы труда экспертов.
Полная стоимость владения, однако, выйдет за пределы токенов. Оркестрация агентов, неудачные подходы, использование инструментов, инфраструктура верификации, мониторинг безопасности и человеческая проверка — всё это станет частью счёта.
10 000 агентов создают и новую проблему контроля
Цифра в 10 000 агентов порождает вторую операционную проблему: управление большими популяциями всё более способных агентов. Это особенно примечательно, потому что OpenAI недавно раскрыла серьёзный инцидент безопасности с участием более раннего поколения внутренних исследовательских агентов. В своём разборе инцидента с Hugging Face OpenAI сообщила, что агенты обходили технические средства контроля, общались через несанкционированные каналы и совершали действия, которые не поручал ни один человек. Связанный отчёт об инциденте за июль говорит, что модели нашли и использовали ранее неизвестную уязвимость для получения доступа к интернету, прежде чем двинуться латерально по системам OpenAI и достичь инфраструктуры Hugging Face. Позже OpenAI описала эпизод как «предупреждающий выстрел».
OpenAI говорит, что ответила созданием более изолированных песочниц, ограничением доступа в интернет, усилением защиты весов моделей и выделением заметно больших вычислительных мощностей под мониторинг. Компания утверждает, что эти более строгие меры мониторинга и изоляции действовали на протяжении всего проекта по Навье-Стоксу. Её обзор безопасности GPT-6 Astra описывает дополнительные меры защиты для систем класса Astra, включая более строгую изоляцию, шифрование контрольных точек и мониторинг полных траекторий агентов.
Для предприятий 10 000 агентов — это не просто мера вычислительной мощности, но и мера поверхности контроля. Разрешения, сетевая изоляция, доступ к инструментам, логирование и автоматический мониторинг становятся всё более значимыми, когда организация переходит от нескольких ассистентов к тысячам одновременно действующих агентов.
Какая защита не даёт корпоративным данным Codex попасть в модели OpenAI?
Возможно, самый важный вопрос для предприятий после выхода этих результатов — насколько осторожно им следует вводить проприетарные или чувствительные данные в облачные ИИ-продукты вроде Codex, ChatGPT или аналогичные предложения других ИИ-компаний и лабораторий. Для корпоративных клиентов OpenAI политика конфиденциальности данных относительно ясна: OpenAI по умолчанию не использует данные ChatGPT Business, Enterprise, Edu или API — включая ввод и вывод клиентов — для обучения или улучшения своих моделей.
В документации OpenAI для ChatGPT Business сказано, что защита сохраняется и когда сотрудники используют Codex: «Данные рабочего пространства Business по умолчанию исключены из обучения, в том числе когда рабочее пространство использует Codex». OpenAI также ограничивает доступ людей к хранимым корпоративным данным. В её документации по корпоративной приватности сказано, что к сохранённым вводам и выводам API уполномоченные сотрудники могут обращаться при необходимости для инженерной поддержки, расследования злоупотреблений или соблюдения законодательства, а специализированные подрядчики — для проверки злоупотреблений и неправомерного использования. Конкурентные исследования не указаны как разрешённая причина доступа к контенту.
Для индивидуальных клиентов ChatGPT и Codex правила иные. OpenAI в своей политике улучшения моделей говорит, что может использовать контент потребительских сервисов, таких как ChatGPT и Codex, для обучения моделей. Однако пользователи ChatGPT Free, Plus и Pro могут вручную отключить эту политику через настройки контроля данных ChatGPT; OpenAI также документирует отдельные параметры, определяющие, могут ли некоторые данные «полного окружения» Codex использоваться для обучения. Это означает, что само описание «приватная сессия Codex» не устанавливает, что её содержимое было исключено из обучения модели. Ответ зависит от продукта, типа аккаунта и применимых настроек контроля данных. Имеющиеся материалы не позволяют установить, какие настройки действовали для конкретного использования Codex Бакмастером и Алпёге.
Для корпоративного покупателя, однако, исходная позиция прочнее: OpenAI говорит, что корпоративные вводы и выводы не используются для улучшения моделей, если организация явно не даст согласие. Есть и ещё одно важное различие: неиспользование клиентского контента для обучения не обязательно означает, что OpenAI вообще не хранит этот контент. Документация OpenAI по контролю данных API говорит, что обычные API-запросы могут порождать логи мониторинга злоупотреблений, содержащие промпты и ответы, которые обычно хранятся до 30 дней. Некоторые API также сохраняют состояние приложения, поскольку постоянство требуется для работы функции.
Для компаний с особо чувствительными данными OpenAI предлагает более сильный вариант: Zero Data Retention, или ZDR. В текущей документации API OpenAI более широкая политика по умолчанию «не обучаться на данных API» датируется 1 марта 2023 года. А публичные записи в собственном сообществе разработчиков OpenAI показывают, что уже к сентябрю 2023 года документация по корпоративной приватности сообщала подходящим API-клиентам, что они могут запросить Zero Data Retention. В том обсуждении от сентября 2023 года цитировалась политика OpenAI того времени, позволявшая клиентам с подходящими сценариями использования запрашивать ZDR.
В анонсе от 19 августа 2026 года OpenAI пошла дальше, отметив, что у подходящих API-клиентов, использующих ZDR, промпты и ответы модели удаляются после обработки, а клиентский контент недоступен персоналу OpenAI для просмотра — за узкими юридическими исключениями. Тогда же OpenAI представила Private Safety Processing — систему, предназначенную для выявления рискованных паттернов в нескольких взаимодействиях без предоставления сотрудникам OpenAI доступа к базовым промптам и ответам.
Это становится всё более важным для агентивного ИИ. Системам безопасности может понадобиться понимать поведение на длинной последовательности действий, в то время как компании, использующие ИИ для разработки ПО, фармацевтических исследований, финансов или другой чувствительной работы, могут не желать, чтобы провайдер хранил базовый контент просто ради такого мониторинга. OpenAI говорит, что при развёртывании ZDR клиентский контент может оставаться на инфраструктуре, контролируемой клиентом. Компания также разрабатывает вариант, при котором контент, хранящийся на инфраструктуре OpenAI, шифруется ключами клиента, которых нет у персонала OpenAI. Private Safety Processing сейчас тестируется с первыми клиентами.
Сама GPT-6 Astra поддерживает ZDR для подходящих API-клиентов, согласно документации запуска Astra. ZDR всё же применяется не универсально: в документации OpenAI по контролю данных API сказано, что клиенты должны быть одобрены для этой опции, а некоторые функции не могут работать в условиях полного нулевого хранения, поскольку по своей природе требуют постоянного состояния. Например, Code Interpreter сейчас несовместим с ZDR, а фоновые запросы Responses также требуют временного хранения. Постоянные объекты вроде Threads и Vector Stores имеют собственное поведение хранения.
Для корпоративных архитекторов эти различия важны. Обязательства «без обучения» определяют, можно ли переиспользовать клиентскую информацию для улучшения моделей. Контроль доступа определяет, кто может видеть хранимую информацию. ZDR идёт дальше, сокращая сам объём клиентского контента, который OpenAI хранит. Полемика вокруг Навье-Стокса даёт техническим руководителям конкретный повод относиться к ним как к отдельным архитектурным элементам управления, а не сжимать все три в общее обещание «приватности».
Следующим бенчмарком может стать исследовательская программа, а не тестовый набор
Ближайший научный вопрос — переживёт ли доказательство OpenAI проверку математиками. Но для разработчиков и технических руководителей операционные уроки уже шире. Система, которую описывает OpenAI, не просто ответила на один трудный промпт. Тысячи агентов исследовали разные подходы, обменивались находками, запускали инструменты, потребляли огромные объёмы инференса, консолидировали промежуточные идеи и в итоге передали предложенное решение другой фронтирной модели для формальной верификации.
В то же время спор вокруг Codex обнажает другую сторону этого будущего. По мере того как компании доверяют ИИ-системам всё более ценную интеллектуальную собственность, политика обучения моделей, хранения и доступа становится частью технической архитектуры, а не просто формулировкой в политике конфиденциальности. Проект по Навье-Стоксу сводит воедино три тренда сразу: организации могут тратить чрезвычайные объёмы инференса на одну высокоценную цель; всё более способные агенты по мере масштабирования требуют более сильных систем контроля; и клиентам нужно точно знать, что происходит с проприетарной информацией, которую эти агенты потребляют по пути.
Эксперимент OpenAI подсказывает: значимая единица возможностей ИИ всё больше смещается с самой модели на весь вычислительный исследовательский процесс, выстроенный вокруг неё.
