ИИ решил задачу тысячелетия: что доказала OpenAI и выводы для бизнеса

ИИ-агенты OpenAI выдали доказательство по одной из семи задач тысячелетия, но задача официально числится нерешённой и приза никто не получил. 8 сентября 2026 года компания объявила, что её внутренняя модель и около десяти тысяч агентов построили решение трёхмерных уравнений Навье — Стокса, которое за конечное время уходит в бесконечность. У построения есть важная оговорка: течение подкачивает внешняя сила. Счёт занял 88 часов машинного времени, перевод доказательства в формальный вид — ещё 17. Вычисления обошлись в миллионы долларов при призе Математического института Клэя в один миллион.

Ниже — разбор этой истории без сенсации. Что именно доказано и в каком варианте постановки. Почему машинная проверка доказательства важнее пресс-релиза. Сколько стоили вычисления и как эта сумма соотносится с призом. Из-за чего идёт спор об авторстве с математиками из Нью-Йоркского университета и Anthropic. И главное: какие выводы применимы к обычным задачам компании, которая думает про ИИ-агентов у себя. Про устройство самих агентов у нас есть отдельный разбор: ИИ-агенты для бизнеса.

Что именно произошло 8 сентября 2026 года?

Коротко: десять тысяч агентов, работавших параллельно, за 88 часов собрали доказательство взрыва решения, а формальную проверку каждого шага сделала машина.

Хронология по публикациям OpenAI и разбору Саймона Уиллисона выглядит так. Агентов запустили 1 сентября, результат они выдали 5 сентября — это 88 часов машинного счёта. Ещё 17 часов ушло на перевод доказательства в формальный вид. Итог — рукопись «Finite Time Blowup for Navier-Stokes» на 166 страниц и проект на языке Lean, который проверяет каждый логический шаг автоматически.

Масштаб счёта выражается в числах, к которым математика не привыкла:

Оговорка про 88 часов: это время от запуска первых агентов 1 сентября до результата 5 сентября, и запуск шёл сразу по нескольким открытым задачам, а не только по Навье — Стоксу.

Модель, которая вела счёт, публично не выпущена. Формализацию и проверку выполняла GPT-6 Astra — то есть проверяющая модель того же вендора, что и проверяемая. Все цифры приводит сама OpenAI, независимой сверки расходов и логов пока нет, и это стоит держать в голове при чтении любых заголовков про «прорыв».

Что такое уравнения Навье — Стокса и почему за них дают миллион?

Коротко: это уравнения движения жидкости и газа, которыми инженеры пользуются полтора века, притом что математического доказательства их корректности не было.

Уравнения описывают, как течёт вода в трубе, как воздух обтекает крыло самолёта, как расходится дым и как перемешивается бетон. Их вывели в 1820–1840-х годах; на них стоят расчёты турбин, прогноз погоды и вся вычислительная гидродинамика, и инженерная практика подтверждает их ежедневно.

Открытым оставался вопрос о гладкости: всегда ли решение существует и остаётся конечным на любом промежутке времени, или в какой-то момент скорость в бесконечно малой области становится бесконечной. Такой момент называют сингулярностью. Вопрос восходит к работе Жана Лере 1934 года, поэтому задачу иногда называют девяностолетней, хотя самим уравнениям около двухсот лет.

В 2000 году Математический институт Клэя включил гладкость Навье — Стокса в список семи задач тысячелетия с призом в миллион долларов за каждую. Решена из них пока одна: гипотезу Пуанкаре доказал Григорий Перельман, который в 2010 году от премии отказался. Для бизнес-читателя важна не сумма, а статус: это тот класс задач, на которые математики тратят десятилетия и не получают результата.

Задача действительно решена?

Коротко: доказательство опубликовано и проверено машиной, но официального признания нет, и в постановке есть важная оговорка про внешнюю силу.

Правила Института Клэя требуют трёх вещей до того, как заявка вообще рассматривается: публикация в квалифицирующем издании, два года после публикации и общее признание результата мировым математическим сообществом. Только после этого научный совет собирает специальный комитет экспертов. На сентябрь 2026 года Навье — Стокса по-прежнему числится среди нерешённых задач, а президент института Мартин Бридсон обещал оценку «намеренно неспешную» и «абсолютно строгую». OpenAI при этом заявила, что за призовым миллионом обращаться не собирается.

Вторая оговорка тоньше и важнее. Официальная постановка допускает доказывать и то, что гладкое решение существует всегда, и обратное — что оно ломается. OpenAI закрыла второй случай в ослабленном виде: с внешней силой, которая подкачивает энергию в течение. Текст постановки такой вариант прямо разрешает. Содержательным вопросом сообщество считает случай без внешней силы, и публичных свидетельств, что конструкция работает без неё, пока нет.

Сильная сторона заявления — формальная проверка. Доказательство переведено на язык Lean, где компьютер проверяет каждый логический переход, а код проверки выложен открыто. Это снимает главный риск длинной рукописи: ошибку в выкладке на 166 страницах человек может не заметить месяцами.

Чего такая проверка не даёт — уверенности в том, что формализованное утверждение совпадает с требованиями официальной постановки: классы гладкости, условия убывания, функциональные пространства сверяет человек, и эта работа ещё впереди. Независимого воспроизведения проверки сторонней группой на момент публикации тоже не было.

Сколько стоило доказательство и почему эта цифра важнее сенсации?

Коротко: вычисления обошлись в несколько миллионов долларов при призе в один миллион, и это главный экономический факт всей истории.

Оценки расходятся, потому что реальную себестоимость знает только OpenAI:

• Сама компания говорит про «миллионы долларов»: так расходы описал директор по исследованиям Марк Чен. Себастьен Бубек добавил, что это примерно в тысячу раз больше, чем у прежних математических экспериментов компании.
• Внешние оценки по публичному прайсу. 130 млрд выходных токенов дают около 6–6,5 млн долларов по средней потребительской цене; с учётом входных токенов оценки доходят до 10–40 млн. Близкую цифру называл профессор Мичиганского университета Картик Дурайсами — около 6 млн долларов по розничным тарифам.
• Себестоимость у самой OpenAI ниже розницы. Профессор Мичиганского университета Картик Дурайсами в своём разборе оценивает счёт примерно в 400 тысяч GPU-часов на собственном парке — это порядка 1 млн долларов, а не рыночные миллионы.
• Приз — 1 млн долларов, и розничную цену вычислений он не покрывает. Сэм Альтман отреагировал шуткой в соцсетях: токены продаются в убыток, а результат «стоил всего миллион».

Разброс оценок в двадцать раз — сам по себе факт, который стоит запомнить: публичная цена токенов и себестоимость владельца модели различаются в разы. Для компании, которая примеряет ИИ к своим задачам, отсюда следует практический вывод. Результат такого класса покупается вычислениями по розничному прайсу, и цена растёт быстрее, чем ценность ответа. В корпоративных задачах порядок сумм другой, а закономерность та же: лишние миллионы токенов редко компенсируют неописанный процесс и плохие данные. Как эти расходы раскладываются на практике, мы разбирали в статье про этапы и стоимость внедрения ИИ.

Из-за чего идёт спор об авторстве?

Коротко: математики Тристан Бакмастер и Левент Альпёге шли к похожему результату почти год и заявляют, что OpenAI запустила свой счёт через считанные дни после того, как сведения об их работе дошли до компании.

Хронология выглядит так. Бакмастер из Нью-Йоркского университета и Альпёге, работающий в Anthropic, шли к результату почти год и в августе 2026 года получили доказательства взрыва для родственных уравнений — Эйлера, Буссинеска и течения в пористой среде; к 22 августа выкладки были проверены в Lean. Публично они объявили о них вечером 7 сентября. OpenAI по собственному описанию запустила свой счёт 1 сентября, услышав слух о том, что конкуренты близки к решению, и опубликовала работу 8 сентября.

Претензии касаются двух вещей: совпадения подхода и данных. Бакмастер и Альпёге пользовались в работе моделями OpenAI и Anthropic и спросили, не попали ли их рабочие сессии в обучение. Себастьен Бубек от лица OpenAI ответил, что компания не использовала их промпты и доказательства и не видела их работу до публикации (Fortune). При этом OpenAI признала, что не может исключить одного: обезличенные производные данные от использования её продуктов могли улучшить модели. Отдельно Бакмастер описал разговор с представителями компании как давление, и эта часть остаётся его словами против слов OpenAI.

Теренс Тао, один из самых авторитетных действующих математиков, назвал результаты Бакмастера и Альпёге «замечательным достижением». За несколько дней до анонса он написал о риске другого рода, поддержав мысль Юго Дюминиль-Копена: неизбирательная выработка открытых задач ради ответов способна разрушить среду, в которой рождаются новые методы и новое поколение исследователей.

Для бизнеса в этом сюжете есть прикладная часть, далёкая от математики. Вопрос «что происходит с тем, что мы отправляем в публичную модель» перестал быть теоретическим: его публично задают люди, чья профессия — точность формулировок. Что именно уходит во внешний сервис, что не уходит никогда и где физически обрабатываются данные — это решается до начала работы, а не после. Подробный разбор — в статье про то, как работать с нейросетями без утечки данных.

Значит ли это, что ИИ заменит экспертов?

Коротко: агенты выиграли там, где правильность каждого шага проверяет машина, а постановку задачи и оценку значимости по-прежнему делают люди.

Разберём механику. Задача была сформулирована людьми и существовала в готовом виде двадцать шесть лет. Направление атаки — построение решения, которое взрывается за конечное время, — выработано математиками в предыдущих работах. Роль агентов состояла в переборе огромного числа вариантов конструкции с немедленной формальной проверкой каждого. Там, где человек проверяет выкладку неделю, Lean возвращает вердикт за минуты, и перебор становится рабочей стратегией.

Именно этого оракула не хватает в большинстве корпоративных задач. Универсального проверяющего для фразы «предложи, как перестроить отдел продаж» не существует, поэтому текст получается правдоподобным по форме и непроверяемым по сути. Зато оракул есть у задач, которые в компании обычно считают скучными: сверка документов с учётной системой, проверка договора по чек-листу, контроль остатков, разбор первички. Там результат можно сопоставить с эталоном автоматически.

Ещё одна деталь, которая теряется в заголовках: 10 000 агентов понадобились не потому, что это хороший способ работать, а потому что задача допускает параллельный перебор и у компании есть свой парк вычислений. В бизнес-контуре выигрывает обратная конфигурация — один-два агента с настоящим доступом к системам, правами и журналом действий. Из чего такой агент собирается, разобрано в статье как создать ИИ-агента, а порядок внедрения — в материале про внедрение ИИ-агентов.

Что из этой истории применимо к обычным задачам компании?

Коротко: ИИ окупается там, где результат можно проверить дешевле, чем он был получен.

Три вывода, которые переносятся из математики в операционную работу:

1. Проверяемость важнее мощности модели. Агенты выиграли потому, что каждый их шаг мгновенно проверял Lean. Прежде чем поручать модели задачу, ответьте, чем вы проверите результат: тестом, сверкой с 1С, схемой данных, чек-листом приёмки. Без такой проверки работающее решение не отличить от красивого текста, сколько бы вычислений вы ни купили.
2. Экономика считается целиком и по вашему прайсу. Одно и то же вычисление стоит у владельца модели около миллиона долларов, а по розничным тарифам — до сорока. Вы платите розницу, и в смету к токенам добавляются интеграции, проверка и сопровождение; сравнивать эту сумму нужно с ценой ручной работы.
3. Конфиденциальность решается до первого запроса. В споре об авторстве отдельной темой стал вопрос, что происходит с рабочими сессиями пользователей: прямое использование данных OpenAI отрицает и допускает лишь влияние обезличенных производных. Перечень того, что нельзя отправлять во внешнюю модель, пишется заранее и одинаково касается математиков и отдела продаж.

Порядок первых шагов — выбрать одну задачу, замерить состояние «до», описать границы — мы разбирали отдельно в статье про нейросети для бизнеса; для этой темы он тот же.

INCUBE AI строит заказные системы под конкретный процесс: ERP и CRM, ИИ-агентов и интеграции, по договору, с данными в РФ и сопровождением после сдачи. Новости вроде сентябрьской показывают верхнюю границу возможностей технологии, а деньги компании приносит нижняя — та работа, где результат проверяется и повторяется каждый день. Есть задача, где результат можно сверить с эталоном, — расскажите о ней: разберём процесс и покажем, где ИИ окупится, а где хватит обычной автоматизации.

Источники

• Quanta Magazine, 8 сентября 2026 — разбор результата, проверка в Lean, реакция математического сообщества и Теренса Тао
• Саймон Уиллисон, «On the Navier–Stokes Millennium Prize Problem» — хронология счёта, объёмы токенов и сообщений, позиция OpenAI и претензии математиков
• Yahoo Tech, 8 сентября 2026 — 130 млрд выходных токенов, 2,7 млн сообщений, внешние оценки стоимости вычислений
• Implicator.ai: позиция Института Клэя — задача числится нерешённой, варианты (C) и (D) с внешней силой, отказ OpenAI от приза
• Правила Millennium Prize Problems, Институт Клэя — публикация в квалифицирующем издании, два года ожидания, общее признание сообщества
• Список задач тысячелетия, Институт Клэя — семь задач 2000 года, приз 1 млн долларов за каждую
• Работа OpenAI «Finite Time Blowup for Navier–Stokes», 8 сентября 2026 — 166 страниц, конструкция с внешней силой, ссылка на альтернативы (C) и (D) постановки Феффермана
• Официальная постановка задачи, Чарльз Фефферман — четыре варианта решения и условия на внешнюю силу
• Пост Теренса Тао, 3 сентября 2026 — предупреждение о выработке открытых задач, со ссылкой на Юго Дюминиль-Копена
• Картик Дурайсами, разбор 9 сентября 2026 — оценка счёта в GPU-часах и себестоимости около 1 млн долларов
• Lean-репозиторий доказательства — открытый код формальной проверки
• Fortune, 8 сентября 2026 — претензии Тристана Бакмастера, ответ Себастьена Бубека, предупреждение Теренса Тао