OpenAIのAI、数学の難問に解答提案　研究の検証構造が変わる

内部AIモデルが流体方程式の特異点を示した

OpenAIは2026年9月8日、内部で開発中のAIモデルがナビエ–ストークス方程式の存在と滑らかさに関する解答を提案したと発表しました。ナビエ–ストークス方程式は、水や空気など流体の動きを記述する式です。滑らかな初期状態から始めても、速度などが有限時間で無限に大きくなる特異点が生じるかは、長く未解決でした。

公開された結果は、滑らかな力を加えた流体が有限のエネルギーを保ちながら、有限時間で特異点を作るという構成です。OpenAIはこれがクレイ数学研究所の公式問題文にある選択肢CとDを満たすと説明し、通常の論文形式の証明と、定理証明支援系Leanで機械的に検査できる形式証明を公開しました。発表主体自身の主張であり、現時点で数学界の合意や賞の認定を意味するものではありません。

内部AIシステムは、滑らかな流体が有限時間で特異点を作ることを示す解析的証明とLean形式証明を生成した。

出典：OpenAI公式発表を要約

約100のエージェントが候補を分けて統合した

結果を出したのは、GPT‑6 Astraより大幅に高性能だとOpenAIが説明する未公開モデルです。まず約100のAIエージェントが、インターネットのキャッシュやコード実行ツールを使いながら別々の方針を探索しました。各グループの有望な中間結果はCodexでまとめ、別のエージェントへ渡して探索を続けています。最初のEuler方程式の結果には約50時間、ナビエ–ストークスの提案には開始から約88時間、Leanによる形式化と検証にはさらに17時間を使ったといいます。

ナビエ–ストークスだけで約270万件のメッセージと約1300億出力トークンを使った点も重要です。一つのチャットへ難問を投げて正答が返ったのではなく、多数の探索を並行させ、途中成果を選別し、別系統の検証へ渡す研究工程そのものがAI化されました。編集部は、今回の転換点を「AIが数学を解いた」という結果だけでなく、研究の分業と検証を計算資源で拡張できる構造が示されたことだとみます。

ナビエ–ストークスの解答過程では、エージェントが約270万件のメッセージを送り、約1300億出力トークンを使った。

出典：OpenAI公式発表を要約

機械検証と査読が研究の信頼を支える

Lean形式証明は、人が書いた説明の雰囲気ではなく、定義と推論が規則に従ってつながるかをソフトウェアで検査する仕組みです。ただし、問題設定が公式の問いと一致しているか、形式化した定義に抜けがないか、補助定理や計算環境を独立に再現できるかは、人間の数学者による確認が欠かせません。機械検証は査読を置き換えるというより、長大な証明の確認可能性を上げる道具です。

クレイ数学研究所の規則では、解答案が審査対象になるには、所定の媒体で公開され、公開から少なくとも2年が経過し、世界の数学界で一般的に受け入れられる必要があります。研究所は直接提出を受け付けず、この条件を満たした後に詳細審査を判断します。OpenAI自身も賞金を請求する意図はないと明記しました。したがって、企業や学校が現時点で「AIが未解決問題を正式に解決した」と広報や教材へ断定的に書くのは早すぎます。

解答案は所定の媒体での公開、少なくとも2年の経過、世界の数学界での一般的受容を満たして初めて検討対象になる。

出典：クレイ数学研究所の公式規則を要約

研究開発では答えより検証経路が資産になる

今回の方法が企業の研究開発へそのまま移るなら、価値が上がるのは最終レポートより検証可能な途中成果です。素材、創薬、制御、設計などの難しい課題を複数の探索経路へ分け、各経路が使った前提、データ、コード、失敗、統合理由を保存します。そのうえで、結果を出した系統とは別のモデルと人間が再現し、重要な部分は数式検証や試験装置など別原理の確認へ渡す設計が必要です。

導入時は、既に答えが分かる社内課題を使い、単独のAIと複数エージェントを同じ条件で比べると実力を測れます。見るのは正答率だけではありません。再現率、人が確認する時間、途中根拠の欠落、計算資源を含む総費用を記録し、誤答時にどこまで原因を戻れるかを評価します。数学界の独立検証で重大な欠陥が見つかる、または膨大な計算費用に対して再現率が伸びないなら、研究工程の標準が急速に変わるという見方は弱まります。

それでも、未公開モデルの性能より先に持ち帰れる教訓があります。AI研究支援を調達する企業は「最も賢いモデル」を選ぶだけでなく、探索を分ける仕組み、途中履歴の保存、独立検証、停止権限を一つの要件にまとめるべきです。答えが派手なほど、誰がどの手順で反証できるかが信頼の中心になります。