10 000 agentów, 88 godzin i problem za milion dolarów.
AI właśnie weszło do nauki na poważnie

Przez ostatnie kilka lat zdążyliśmy przejść całkiem długą drogę.

Najpierw AI miało tylko „ładnie składać słowa”.

Potem okazało się, że potrafi pisać kod.

Później zaczęło ten kod samo uruchamiać, testować i poprawiać.

Następny krok to agenci: zamiast jednej odpowiedzi na jeden prompt model dostaje narzędzia, pamięć roboczą, możliwość wykonywania kolejnych kroków i samodzielnie pracuje nad zadaniem przez dłuższy czas.

We wrześniu 2026 roku zobaczyliśmy chyba pierwszy naprawdę spektakularny pokaz tego, co dzieje się po dołożeniu jeszcze jednego elementu:

skali.

OpenAI uruchomiło około 10 000 równolegle pracujących agentów AI i skierowało ich na problem Naviera–Stokesa — jeden z siedmiu Problemów Milenijnych Clay Mathematics Institute.

Po około 88 godzinach system miał rozwiązanie.

Do tego doszło kolejne około 17 godzin formalizacji i weryfikacji w Lean, wykonanej przy pomocy GPT-6 Astra.

11 września Clay Mathematics Institute napisał już oficjalnie, że problem „apparently been settled” — wygląda na to, że został rozstrzygnięty.

Nie oznacza to jeszcze przyznania miliona dolarów ani zakończenia weryfikacji. Regulamin Clay wymaga publikacji, minimum dwóch lat publicznej analizy oraz ogólnej akceptacji wyniku przez światową społeczność matematyczną.

Ale na tym etapie nie rozmawiamy już raczej o kolejnym przypadku „ChatGPT twierdzi, że udowodnił hipotezę Riemanna”.

Dzieje się coś znacznie ciekawszego.

O co właściwie chodzi z Navierem–Stokesem?

Nie będę tutaj robił wykładu z równań różniczkowych, bo sam matematykiem nie jestem, a do zrozumienia znaczenia całej historii nie jest nam to szczególnie potrzebne.

W dużym uproszczeniu równania Naviera–Stokesa opisują ruch płynów.

Wody.

Powietrza.

Przepływu wokół skrzydła samolotu.

Przepływu krwi.

Same równania znamy od XIX wieku i korzystamy z nich praktycznie cały czas.

Problem polega na czymś innym.

Nie wiemy, czy w trzech wymiarach rozwiązanie zaczynające się od całkowicie „normalnych”, gładkich warunków może w skończonym czasie doprowadzić do matematycznej osobliwości — sytuacji, w której pewne wartości zaczynają rosnąć bez ograniczeń.

Clay w 2000 roku wpisał to pytanie na listę siedmiu Problemów Milenijnych i przeznaczył milion dolarów za rozwiązanie każdego z nich.

Do tej pory rozwiązano jeden — hipotezę Poincarégo.

W przypadku Naviera–Stokesa oficjalne sformułowanie problemu dopuszcza kilka dróg rozwiązania. Można udowodnić globalną gładkość rozwiązania albo skonstruować przypadek, w którym dochodzi do załamania.

OpenAI poszło drugą drogą.

System skonstruował przypadek, w którym ciecz startuje ze spoczynku, działa na nią gładka siła zewnętrzna, energia pozostaje ograniczona, a mimo to w skończonym czasie prędkość staje się nieograniczona.

To odpowiada wariantom C i D oficjalnego problemu Clay.

I warto tutaj zaznaczyć drobny, ale ważny szczegół: popularne pytanie o Naviera–Stokesa bez zewnętrznego wymuszenia nadal pozostaje osobnym otwartym zagadnieniem.

Problem Milenijny został jednak celowo sformułowany szerzej i rozwiązanie wariantu C lub D wystarcza do jego rozstrzygnięcia.

To nie zrobiła Astra

Tu zaczyna robić się ciekawie od strony technologicznej.

Rozwiązania nie wygenerował GPT-6 Astra, czyli obecny publiczny model OpenAI.

Firma pisze wprost, że użyła wewnętrznego modelu znacznie bardziej zdolnego niż GPT-6 Astra.

Jego trening rozpoczął się 28 sierpnia i w czasie całego eksperymentu nadal trwał.

Co więcej, gdy podczas prac pojawiała się kolejna, lepiej wytrenowana wersja modelu, OpenAI aktualizowało pracujących agentów.

Astra weszła do gry dopiero później — przy formalizacji i sprawdzaniu dowodu w systemie Lean.

Czyli mamy tutaj właściwie dwa różne zadania.

Najpierw:

znajdź rozwiązanie.

Potem:

spróbuj formalnie udowodnić, że rozwiązanie rzeczywiście jest poprawne.

To drugie jest szczególnie istotne przy AI.

Model językowy może przecież stworzyć bardzo przekonująco wyglądający ciąg matematycznych bzdur.

Lean działa inaczej. To proof assistant — system, w którym kolejne kroki dowodu muszą wynikać z formalnie określonych reguł.

Nie oznacza to automatycznie, że temat jest zamknięty. Nadal trzeba między innymi sprawdzić, czy sformalizowane twierdzenie dokładnie odpowiada temu, co należy udowodnić.

Ale zdecydowanie utrudnia ukrycie gdzieś na 150. stronie zdania w rodzaju:

„a teraz oczywiście przyjmujemy, że X jest prawdziwe”.

10 000 agentów to nie jeden bardzo mądry chatbot

I chyba tutaj znajduje się najważniejsza część całej historii.

OpenAI nie wpisało do ChatGPT:

„Rozwiąż problem Naviera–Stokesa”.

System składał się z tysięcy agentów.

Miały one dostęp między innymi do zapisanej kopii internetu oraz możliwości uruchamiania kodu. Były dzielone na grupy, które mogły komunikować się wewnętrznie.

Różnym grupom dawano różne warianty problemu i pozwalano szukać różnych dróg.

Potem najlepsze pomysły były zbierane i przekazywane pomiędzy grupami. OpenAI nazywa ten proces cross-pollination — krzyżowym zapylaniem pomysłów.

Do konsolidowania wyników agentów wykorzystywano między innymi Codexa.

Czyli zamiast jednego bardzo inteligentnego matematyka dostajemy coś przypominającego cyfrowy instytut badawczy.

Jedna grupa próbuje metody A.

Druga B.

Trzecia dochodzi do wniosku, że A prowadzi donikąd.

Czwarta zauważa ciekawy fragment B i łączy go z czymś znalezionym przez grupę siedemnastą.

Potem wynik trafia do następnej setki agentów.

I cały proces dzieje się równolegle.

Najpierw rozwiązali prostszy problem

Jeszcze lepiej widać to w sposobie, w jaki system dotarł do Naviera–Stokesa.

OpenAI równolegle rzuciło agentów również na zestaw problemów uznanych za łatwiejsze.

Jednym z nich było podobne zagadnienie dla równań Eulera — w dużym uproszczeniu krewnego Naviera–Stokesa pozbawionego lepkości.

Pracowało nad nim około 100 agentów przez około 50 godzin.

I znalazły rozwiązanie wariantu bez zewnętrznego wymuszenia.

Dopiero wtedy OpenAI uznało, że właśnie ta ścieżka wygląda najbardziej obiecująco.

Zasoby zostały przesunięte z innych Problemów Milenijnych na Naviera–Stokesa, a wynik dotyczący Eulera podano następnym agentom jako punkt startowy.

To w zasadzie wygląda jak normalna praca naukowa.

Rozwiązujesz prostszy przypadek.

Wyciągasz z niego metodę.

Próbujesz zastosować ją do trudniejszego problemu.

Jeżeli coś zaczyna działać, zwiększasz nakłady.

Różnica polega na tym, że człowiek wykonuje kilka takich iteracji.

Tutaj możemy wykonać ich tysiące jednocześnie.

130 miliardów tokenów

Skala eksperymentu jest wręcz absurdalna.

W samym procesie rozwiązywania Naviera–Stokesa agenci wymienili około:

2,7 miliona wiadomości

i wygenerowali około:

130 miliardów tokenów wyjściowych.

W całym eksperymencie obejmującym również pozostałe problemy było to 4,9 miliona wiadomości i około 300 miliardów tokenów.

The Verge podaje, powołując się na informacje OpenAI, że koszt obliczeń wykorzystanych przy Navierze–Stokesie wyniósł dziesiątki milionów dolarów.

To ważne, bo trochę studzi narrację:

„AI potrzebowało 88 godzin na coś, czego ludzie nie rozwiązali przez prawie sto lat”.

Owszem.

Ale były to bardzo specyficzne 88 godzin.

Z udziałem około 10 000 agentów i infrastruktury, do której praktycznie żaden uniwersytecki zespół badawczy nie ma dostępu.

I być może właśnie tutaj widać przyszłość bardziej niż w samym modelu.

Nie skalujemy już tylko modelu. Skalujemy myślenie

Przez kilka ostatnich lat rozwój AI kojarzył się głównie z coraz większym modelem.

Więcej parametrów.

Więcej danych.

Więcej treningu.

Później pojawiło się inference-time compute — model mógł poświęcić więcej obliczeń na trudniejsze pytanie.

Teraz dokładamy kolejny wymiar.

Nie każemy jednemu modelowi myśleć dłużej.

Uruchamiamy tysiące kopii modelu, które próbują myśleć inaczej.

To ogromna różnica.

Jeśli mam trudny problem programistyczny, mogę przez godzinę szukać rozwiązania.

Mogę też zatrudnić dziesięciu dobrych programistów i każdemu powiedzieć:

„spróbuj czegoś innego”.

Po godzinie zbieramy wyniki.

AI pozwala tę samą zasadę doprowadzić do absurdu.

Nie dziesięciu.

Dziesięć tysięcy.

I nie trzeba organizować im biurek, spotkań, kawy ani przekonywać grupy numer 8347, żeby przez kolejne trzy godziny sprawdziła hipotezę, która prawdopodobnie jest bez sensu.

No i tu wchodzi afera

Cała historia ma oczywiście drugą warstwę.

OpenAI przyznaje, że eksperyment wystartował 1 września po usłyszeniu plotki, że dwa Problemy Milenijne mogły właśnie zostać rozwiązane.

Jedna z tych plotek dotyczyła pracy Tristana Buckmastera z NYU i Leventa Alpögego, pracownika Anthropic.

Obaj od dłuższego czasu pracowali nad powiązanymi problemami i korzystali przy tym również z AI.

W tym z Codexa OpenAI.

Buckmaster twierdzi, że do Codexa trafiały ich robocze materiały.

I naturalnie pojawiło się pytanie:

czy OpenAI mogło wykorzystać ich pracę?

Po wewnętrznym dochodzeniu firma twierdzi bardzo konkretnie, że prompty Buckmastera z dwóch miesięcy poprzedzających publikację 8 września nie mogły wpłynąć na system w żaden sposób — również poprzez trening.

OpenAI wyjaśnia, że model wykorzystany w eksperymencie powstał przez duży proces reinforcement learning uruchomiony na wcześniej wytrenowanym modelu bazowym.

I to zdanie jest ważne.

Bo mówi nam sporo o ostatnich dwóch miesiącach.

Nie mówi nam wszystkiego o poprzednich latach.

Ilu matematyków wcześniej opowiadało AI, gdzie utknęli?

Tutaj opuszczamy już twarde fakty i zaczynamy spekulować.

Chcę to zaznaczyć bardzo wyraźnie.

Nie ma dowodu, że wcześniejsze niepubliczne pomysły Buckmastera, Alpögego albo innych matematyków znalazły się w danych treningowych modelu.

Nie ma też dowodu, że właśnie dzięki takim danym AI rozwiązało Naviera–Stokesa.

Ale jest druga strona tej historii.

OpenAI samo informuje, że w usługach konsumenckich, takich jak ChatGPT i Codex, treści użytkownika mogą być wykorzystywane do trenowania modeli, jeżeli użytkownik odpowiednio z tego nie zrezygnuje. W Codexie istnieją również osobne ustawienia dotyczące trenowania na pełnym środowisku.

Produkty biznesowe, Enterprise i API mają inne zasady — tam dane domyślnie nie służą do treningu.

I osobiście bardzo zdziwiłbym się, gdyby przez ostatnie lata matematycy nie wrzucali do modeli tysięcy rozmów w rodzaju:

„sprawdź mi ten dowód”,

„gdzie tutaj popełniam błąd?”,

„czy tę metodę da się zastosować do Naviera–Stokesa?”,

„utknąłem w tym miejscu, spróbuj znaleźć inną drogę”.

Być może robili to również ludzie, którzy dziś znajdują się w centrum całego sporu.

Być może nie.

Tego na podstawie publicznie dostępnych informacji po prostu nie wiemy.

Natomiast sam problem będzie tylko narastał.

Kolega przy piwie i problem za milion

Dla mnie najlepiej obrazuje to bardzo prosty przykład.

Wyobraźmy sobie, że przez 20 lat próbuję rozwiązać jakiś problem.

Przy piwie opowiadam koledze:

„Jestem już naprawdę blisko. Doszedłem tutaj i tutaj, ale na tym jednym kroku ciągle się wykładam”.

Kilka miesięcy później kolega znajduje rozwiązanie.

Kto rozwiązał problem?

Ja, bo przez 20 lat wykonałem większość pracy?

Czy on, bo znalazł brakujący krok?

Już tutaj odpowiedź nie jest oczywista.

A teraz trochę komplikujemy eksperyment.

Nie jeden matematyk rozmawia z jednym kolegą.

Przez pięć lat setki albo tysiące matematyków opowiadają AI przy piwie, gdzie utknęły.

Część robi to publicznie w artykułach, na forach i w publikacjach.

Część być może w rozmowach z modelami.

Jeden pokazuje pomysł A.

Drugi pokazuje, dlaczego A nie działa.

Trzeci znajduje wariant B.

Czwarty dochodzi prawie do końca C.

Potem powstaje model wytrenowany na gigantycznej ilości wiedzy matematycznej.

Uruchamiamy jego 10 000 kopii.

I mówimy:

„macie 88 godzin”.

Jeżeli system znajdzie kombinację pomysłów, której wcześniej nie znalazł żaden człowiek, to kto jest autorem odkrycia?

Nie znam dobrej odpowiedzi.

I mam wrażenie, że nasze obecne zasady dotyczące autorstwa również jej nie znają.

Checkbox zaczyna mieć realną wartość

Jest w tym wszystkim jeszcze jedna bardzo przyziemna lekcja.

Ustawienia prywatności w narzędziu AI przestają być kosmetyką.

Jeżeli wrzucasz do zewnętrznego modelu:

nieopublikowane badania,

kod produktu,

know-how firmy,

dokumentację techniczną,

patent,

pomysł na algorytm,

to warto wiedzieć, co dzieje się z tymi danymi.

Czy służą do treningu?

Czy nie?

Czy korzystasz z wersji konsumenckiej?

Czy biznesowej?

Jak ustawiony jest Codex?

Nie dlatego, że jutro OpenAI ukradnie Ci startup.

Dlatego, że przy dzisiejszej jakości modeli informacja naprawdę może mieć wartość.

W przypadku zwykłej rozmowy różnica między zaznaczonym i odznaczonym checkboxem może nie mieć żadnego praktycznego znaczenia.

Przy badaniu wartym potencjalnie milion dolarów wygląda to trochę inaczej.

Afera jest ciekawa, ale technologia jest ciekawsza

Spór o Buckmastera, Alpögego i OpenAI zapewne jeszcze długo się nie skończy.

Są pytania o autorstwo.

O dostęp do danych.

O sposób prowadzenia rozmów.

O to, czy firma będąca jednocześnie dostawcą narzędzia dla naukowców może później stać się ich konkurentem.

The Verge rozmawiał z kilkunastoma matematykami i przewija się tam obawa przed czymś, co można nazwać uprzemysłowieniem scooping.

Kiedyś informacja:

„zespół X jest blisko rozwiązania problemu”

niewiele dawała konkurencji.

Nadal trzeba było znaleźć kilku ludzi dysponujących odpowiednią wiedzą i miesiącami albo latami pracować nad tą samą metodą.

Teraz potencjalnie można usłyszeć plotkę we wtorek i odpalić kilka tysięcy agentów.

To zupełnie zmienia dynamikę badań.

Ale mimo całej afery właśnie techniczna część tej historii wydaje mi się znacznie ważniejsza.

To jeszcze nie jest sztuczny Einstein

Łatwo oczywiście popłynąć w drugą stronę.

„AI w trzy dni rozwiązuje problemy, których człowiek nie rozwiązał przez sto lat”.

Nie do końca.

System nie zaczynał od zera.

Miał dostęp do ogromnej części istniejącej wiedzy matematycznej.

Problem został wybrany przez ludzi.

Architektura całego eksperymentu została zaprojektowana przez ludzi.

Agenci korzystali z narzędzi i istniejących wyników.

Zużyto gigantyczne ilości mocy obliczeniowej.

A wynik nadal musi zostać sprawdzony przez społeczność matematyczną.

Nie zobaczyliśmy więc samotnego cyfrowego Einsteina, który patrzy przez okno, robi „hmmm” i wymyśla nową matematykę.

Zobaczyliśmy chyba coś bardziej praktycznego.

Fabrykę badań.

System zdolny uruchomić tysiące równoległych prób, pozwolić im eksplorować różne ścieżki, zbierać najlepsze pomysły, przekazywać je dalej i na końcu wykorzystać formalne narzędzia do sprawdzenia wyniku.

I to może być znacznie ważniejsza technologia niż jeden wyjątkowo inteligentny chatbot.

88 godzin, które mogą zmienić więcej niż jeden problem

OpenAI twierdzi już zresztą, że po zakończeniu prac nad Navierem–Stokesem zrobiło „substantial progress on another Millennium Prize problem”.

Nie wiemy jeszcze, o który chodzi.

Może nic z tego nie wyjdzie.

Może za kilka dni dostaniemy następny papier.

Nie ma sensu zgadywać.

Ale jeżeli przedstawiony przez OpenAI sposób pracy okaże się powtarzalny, konsekwencje będą znacznie szersze niż matematyka.

Bo podobny model można sobie wyobrazić wszędzie tam, gdzie można:

wygenerować tysiące hipotez,

stosunkowo szybko odrzucać błędne,

uruchamiać symulacje lub kod,

porównywać wyniki,

i przekazywać najlepsze pomysły następnym agentom.

Matematyka jest pod tym względem wręcz idealnym poligonem, bo na końcu możemy zapytać:

czy dowód jest poprawny?

W biologii, chemii czy materiałoznawstwie weryfikacja może wymagać fizycznego eksperymentu.

Ale mechanizm poszukiwania pozostaje podobny.

I dlatego nie sądzę, żeby najważniejszym pytaniem tej historii było:

„czy AI właśnie dostało milion dolarów?”

OpenAI zresztą deklaruje, że o nagrodę nie zamierza występować.

Znacznie ciekawsze pytanie brzmi:

co się stanie, kiedy takie 10 000 agentów przestanie być jednorazowym eksperymentem wartym dziesiątki milionów dolarów, a stanie się zwyczajnym narzędziem badawczym?

Bo wtedy AI nie będzie już tylko pomagało naukowcom.

Stanie się kolejnym uczestnikiem procesu naukowego.

A wraz z nim będziemy musieli na nowo odpowiedzieć na kilka bardzo starych pytań:

Kto dokonał odkrycia?

Komu należy się autorstwo?

Czyj był pomysł?

I co właściwie znaczy „moja praca”, jeśli wcześniej przez kilka lat opowiadałem o niej modelowi?

Na te pytania 10 000 agentów chyba jeszcze nam nie odpowiedziało.