OpenAI、ナビエ–ストークス方程式の特異点存在を証明　AIエージェントが88時間でミリオン問題を解決

何が発表されたのか

米OpenAIは、数学界における最難関の一つであり、クレイ数学研究所が100万ドルの懸賞金を課している「ミレニアム懸賞問題」の一つ、「ナビエ–ストークス方程式の存在と滑らかさ（Navier-Stokes existence and smoothness）」に対する解決策を公表しました。本成果は、OpenAIが内部的に開発しているAIエージェントシステムによって自律的に生成されたものです。このシステムは、流体運動を記述するナビエ–ストークス方程式において、有限時間内に数学的な破綻、すなわち「特異点（シンギュラリティ）」が発生し得ることを証明しました。

本発表は、単なる研究段階のシミュレーションにとどまりません。AIが生成した証明記述は、数学の定理証明支援言語である「Lean」を用いて形式化され、その論理的な正当性が厳密に検証されています。この検証用コードへのリンクも同時に公開されており、世界の数学コミュニティによる査読が可能な状態となっています。既存の人間による数学的アプローチをはるかに凌駕する速度で、AIが未解決の超難問を解決したことは、人工知能が実用的な科学的発見の領域に完全に到達したことを意味しています。

発表された機能・アップデートの全容

1. OpenAIによるナビエ–ストークス方程式の特異点証明とLeanによる検証

OpenAIが公開した解決策は、ナビエ–ストークス方程式が特定の条件下で数学的に破綻すること、すなわち「爆発（Blowup）」を起こすことを証明したものです。動画内では、この証明が「Lean」と呼ばれる形式化検証システムを用いて記述されていることが示されています。Leanは、数式の論理構成に一切の誤りがないかをコンピュータが機械的にチェックするツールです。これにより、人間が査読に何ヶ月も費やすことなく、AIが導き出した証明の正当性が即座に担保されました。OpenAIは、論文の執筆だけでなく、このLeanによる検証済みソースコードを直接公開するという、極めて透明性の高いアプローチを採用しています。

2. 先行研究を担った2人の数学者とLLMの活用

今回のブレイクスルーの背景には、Levent Alpöge（レヴェント・アルプゲ）氏とTristan Buckmaster（トリスタン・バックマスター）氏という2人の数学者による先行研究が存在します。彼らは、ナビエ–ストークス方程式と密接に関連する「オイラー方程式」において、滑らかな強制力を加えた場合に爆発が発生することを証明していました。世界的数学者であるTerence Tao（テレンス・タオ）氏は、2026年9月7日の投稿で「彼らの手法がナビエ–ストークス方程式に拡張される可能性は極めて高い」と評価していました。興味深い事実は、この2人の数学者が研究過程において、ChatGPTやClaudeといった商用LLMを広範囲に活用していた点です。OpenAIは公式回答として、「可能性は低いものの、彼らが当社製品を使用した際のデータが、匿名化された形で自社モデルの改善に役立った可能性は排除できない」と認めています。ただし、OpenAIが提示した証明は、オイラー方程式のケースにおいて、強制力の有無（有向 vs 無向）の点で彼らの結果とは明確に異なっていると説明されています。

3. OpenAI内部モデルとGPT-6 Astraの圧倒的な性能差

動画内では、今回の証明を導き出したAIの性能を示すベンチマークグラフが提示されました。グラフの横軸は「テスト時計算量（Test-time compute）」の対数目盛、縦軸は問題の「合格率（Pass rate）」を示しています。一般向けに提供が噂されている「GPT-6 Astra」の合格率が10%台前半にとどまるのに対し、OpenAIが今回の証明に使用した「内部モデル（Internal Model）」は、テスト時計算量を増やすことで合格率が約48%にまで達しています。これは、GPT-6 Astraと比較して約2.8倍という圧倒的な性能向上を示しており、特定の思考プロセスや推論に特化した未公開モデルが水面下で稼働している事実を裏付けています。

4. ナビエ–ストークス方程式を構成する物理的要素の分解

ナビエ–ストークス方程式は、流体の運動を記述する非線形偏微分方程式であり、以下の要素から構成されています。動画内では、これらがアニメーションを用いて視覚的に分かりやすく解説されました。

• 移流（Advection）: 流体自身が移動することで、物理量が運ばれる現象です。動画では、川におもちゃのアヒルを落とすと流れに乗って移動する様子で表現されました。数式では $(\mathbf{u} \cdot \nabla)\mathbf{u}$ として表されます。
• 圧力（Pressure）: 流体内部の押し合う力です。満員電車で人々が押し合い、外側へ押し出される動きに例えられました。数式では $-\frac{1}{\rho} \nabla p$ と記述されます。
• 拡散（Diffusion）: 粘性によって速度の不均一さが均されていく現象です。コップの水にインクを垂らすと、時間経過とともに均一に広がる様子で示されました。数式では $\nu \nabla^2 \mathbf{u}$ で表されます。
• 外力（External Forces）: 風を吹きかけるなど、外部から加わる力であり、数式では $\mathbf{f}$ で表されます。

これらに加え、質量保存則を意味する「非圧縮性条件（Incompressibility Condition）」である $\nabla \cdot \mathbf{u} = 0$ が組み合わさることで、流体の挙動が完全に記述されます。

5. 「検証可能性」がもたらすAIの自己進化メカニズム

AIが数学の領域において驚異的な速度で進化している理由について、動画内では「検証可能性（Verifiability）」というキーワードを用いて説明されています。一般的な文章作成（作文）タスクでは、AIが生成したテキストの品質を人間が目で見て評価せざるを得ず、その評価速度は1時間あたりせいぜい100件程度に制限されます。一方で、数学やコード生成のようなタスクは、Leanなどのシステムを用いて「その証明が正しいか否か」をコンピュータが自動かつ厳密に検証できます。このため、AIは人手を介することなく、1時間あたり1億回という膨大なフィードバックループを回して自己学習を進めることが可能です。この「検証可能な問題へのアプローチ」こそが、AIの能力を指数関数的に向上させている原動力です。