公司可能在其他人還來不及判斷成果前，就宣布旗下 AI 已解決一道困難問題。缺少的或許是證明、解釋、系統使用權，或只是檢視成果所需的時間。每一項缺失都會賦予公司不同形式的權力。

這正是最近關於 AI 隱匿突破的討論所引出的核心問題。電腦科學家 Scott Aaronson 在 9 月 15 日的一篇文章中表示，他聽聞在 Navier–Stokes 方程公告引起反應後，AI 公司開始保留解決重大理論電腦科學問題的成果。他沒有公布那些解答。他的說法證明他聽過這項傳聞，但沒有證實那些未具名成果或據報動機屬實。 Aaronson 的文章

另有一項更具體的進展。獨立的數學與人工智慧諮詢小組表示，目前的任務是就 OpenAI 如何發布公司聲稱已在內部取得的重大數學成果提供建議。這確認存在一套協調公司所報成果發布的流程，但不代表所有待發布結果都已獲得認證。 諮詢小組的聲明

對讀者而言，這項區分能避免把令人振奮的可能性，誤寫成一份虛構的已解問題清單。對科學而言，它提出更大的問題：若發現集中於私人系統之中，其他人還能保有多少獨立性？

重大變化

  • 改變了什麼：公開發布的 AI 生成證明檔案，如今與等待協調發布的公司成果並存。關於其他隱藏突破的說法仍未證實。
  • 為何重要：實驗室能影響哪些發現會公開、專家何時能檢驗，以及誰能以相關方法為基礎繼續研究。
  • 值得觀察：發布安排是否能讓外部人士取得可用證據並自由提出質疑，同時支持人類專家選擇研究問題、理解結果並分享成果所需的專業能力。

成果可以公開，取得成果的能力仍可能掌握在私人機構手中

OpenAI 於 9 月 8 日公布的 Navier–Stokes 方程成果，展示了選擇性公開的一例。公司發布書面論證與形式化證明檔案，同時稱發現成果的內部模型能力高於 GPT-6 Astra。公布產出，與開放產生該產出的系統，是兩項不同決定。 OpenAI 的公告

數學範圍也須謹慎界定。該構造使用平滑外力。Clay 官方問題敘述明確指出，選項 C 與 D 允許外力；不施加外力時的全域平滑性選項則在問另一個問題。有效的受迫構造可以回答原定懸賞問題，但不代表無外力問題也已解決。 官方問題敘述

Clay 於 9 月 11 日表示，歡迎這項看似解決問題的成果，同時維持審慎的評估與貢獻認定流程。這是機構對一項公告的回應，不是宣布頒發獎項。 Clay 的回應

我們在 從單位距離到 Navier–Stokes 的指南中探討了更廣泛的數學脈絡。本文關注的是成果發布後誰能採取什麼行動。外部數學家或許能研究證明，卻沒有足夠資源或模型存取權，無法用同樣方式研究鄰近問題。發現可以分享，產生下一項發現的手段卻仍可能集中在少數機構手中。

這種安排仍可能有價值。若要求每位研究者重做最初的搜尋，許多成果將更難使用。檢驗特定證明時，重要的是能否取得相關證據，不一定要擁有發現證明時使用的每項工具。然而，能驗證已發布的答案，不等於外界能同等影響下一個要解決的問題。

公眾需要能提出異議的途徑

OpenAI 的公開儲存庫分別列出 Navier–Stokes 與 Euler 的主張，並提供建置指示及使用 Comparator 進一步檢查證明的方式。這些是可檢視的檔案，不只是一段示範影片。我們讀過文件，但未重新建置或獨立認證證明。 證明儲存庫

Lean 的驗證指南說明，成功檢查有其明確範圍。審查者必須檢視定理的意義與假設，包括其相依內容。更強的檢查方式可以將提交的證明與另外指定的敘述比對，並使用獨立的檢查軟體。這能降低對產出者的依賴，但仍須揭露對工具與規格的假設。 Lean 的驗證指南

較樂觀的可能性相當可觀：私人系統可以進行成本高昂的搜尋，再發布證據，讓其他人無須重做整個搜尋也能檢驗。即使只有少數機構負擔得起大規模產生 AI 發現的成本，這些成果仍可能成為共享資源。

較弱的作法則是實驗室僅向少數專家展示成果，再要求其他人相信他們的背書。這或許是合理的初步步驟，但公眾將更難找出有爭議的假設、檢視修正內容，或探索意料之外的應用。知道結論，不等於取得提出異議的依據。

以下是原創的假設情境：某大學團隊正在研究一類最佳化問題。一家公司私下找到能改善某項重要案例的方法。公司可以發布方法及精確保證，也可以提供線上服務來回傳答案，同時將方法保密。

兩種選項都可能幫助使用者，但只有第一種必然讓大學取得可檢視、可教學、可調整的方法，且不必持續使用該服務。若公司更改條款、撤回模型或停止支援這個領域，差異就會變得實際。服務有用，仍可能伴隨科學上的依賴。

因此，不能只看發現數量來衡量公共利益。發布成果可能擴大人們的知識、行動能力，或必須取得許可才能採取的行動。這些結果有時會同步發生，但未必如此。

暫緩發布可能改善科學，也可能讓某個機構保持更久的領先

協調重大成果的發布有其合理理由。專家可能需要時間查核主張、辨認先前研究並準備說明。若能在發布前更正錯誤，就能避免許多人以錯誤結果為基礎繼續研究。貢獻認定爭議也應依證據處理，而非陷入公告競賽。

但同一段延遲對外部人士可能產生不同影響。假設某研究團隊在不知道一家公司聲稱已解決核心猜想的情況下選擇下一項研究，可能耗費數月追查已被宣稱解決的舊問題。若只有特定合作方能提前取得成果，他們也可能因此更容易發展後續研究。這些是不平等資訊可能造成的後果，並非對任何特定未發布定理的指控。

關鍵在於延遲能達成什麼目的，以及誰須對延遲負責。若審查期間列明主張、指定獨立讀者並規劃如何公布結果，就不同於無限期保密，同時暗示成果具有非凡能力。機構需要空間查核工作；讀者也需要理由區分查核與宣傳。

新成立的諮詢小組提供了一種管道。小組表示成員無給職、建議將公開，而企業保有決策權。獨立建議很有用，但不會因此變成發布成果的義務，也不會自動賦予研究者存取權。 獨立性與問責

我們認為，有成效的安排應公開如何回應建議。公司可以說明採納了哪些建議、哪些問題仍在調查，以及審查者如何提出未解疑慮。如此一來，外界無須在定理尚未確定前就接受它已解決，也能評估整個流程。

最有力的批評承認 AI 確實可能成功

9 月 11 日的宣言 《AI 在數學領域的嚴重失衡》明確承認數學能力大幅提升。它所質疑的是誘因：以知名難題作為基準，可能忽略思想發展、貢獻認定，以及人們學習提出新問題的過程。宣言也承認 AI 改善數學研究的潛力。 該宣言

這比宣稱機器什麼都無法發現更有力。它追問的是：成功系統所追求的成果，是否與接收成果的社群所重視的相同？實驗室或許合理地希望明確展示能力；研究者可能更重視能開啟多個新方向的方法，包括那些太冷門、不足以成為發布公告主題的方向。

這些利益沒有必然一致，也不必然衝突。實驗室可以資助探索與解釋，使成果更有用。大學可以肯定將新方法應用到實驗室未優先關注領域的研究。學術出版也能在首度發現之外，提供釐清與綜整成果的空間。

批評仍應接受證據檢驗。正確且重要的成果應改變外界對系統能力的評估；人們對成果來源的不安，不能使成果因此失效。同樣地，成果令人印象深刻，也不能光憑這點就回答存取權或貢獻認定問題。將這些判斷分開，才能同時肯定數學成果並質疑它進入世界時所附帶的條件。

Aaronson 的文章呈現這項張力：他認為近期進展具有變革性，同時支持保有人類理解力的努力。他將當前描述為奇點開始，是對事件的詮釋，不是經證明的科學門檻。 他所表明的立場

加速發現與有意義的人類工作，都是實在的利益

這項廣泛論辯早於 9 月的公告。AI 研究者 Julian Togelius 在 2025 年 12 月的文章中，區分協助科學家的工具與讓科學家變得多餘的自動化。他主張保有人類自主性與參與機會，即使假設全面自動化能加速醫療進展也是如此。這是對可能未來的道德立場，不是科學工作已變得多餘的證據。 Togelius 的文章

若只因現有從業者喜歡某項活動，就主張必須保護它，將付出重大代價。如果更好的方法能減少痛苦，受益者的利益應與職業轉變者的利益一併考量。維護有意義的工作，不應自動成為否決有用發現的理由。

但選擇不必是保護所有現有工作，或讓人們退出科學。誰來選擇問題、發現被忽略的需求、判斷證據是否適用，以及決定如何運用成果？即使機器最終能更勝任許多技術工作，這些決定仍會影響公眾。保有對這些決定的影響力，既是治理問題，也是職業認同問題。

Dario Amodei 於 2024 年 10 月發表的文章，提出 AI 加速生物學研究並改善生活的樂觀願景；同時也指出實驗、資料與物理世界帶來的限制。這篇文章是以強大未來系統為假設的預測，不是數學突破已確立的時間表。 《充滿愛意的恩典機器》

關於方程式的證明，本身並不能證明治療方式可行或能源系統成本更低。每種應用都需要更多證據。然而，重視加速進展是合理的：若 AI 能協助研究者排除無效方向或設計更有資訊價值的實驗，即使研究尚未完全自動化，也可能帶來實質影響。

接著仍須討論成果如何分配。一項進展可能在科學上可靠，卻只有負擔得起的人能使用。研究可能加快，同時集中於所有者認為最有價值的問題。加速是否能讓廣大公眾受益，部分取決於資金、存取權與部署方式的選擇。發現數量本身無法替我們決定這些問題。

證明正確，不代表判斷也可靠

對齊問題帶來另一個疑問：系統可能很擅長找到論證，卻無法在長期研究專案中可靠遵循操作者的意圖。經過檢查的數學結果，可以證明該結果的某些性質；但它本身無法證明系統一貫尊重權限、坦率回報失敗，或追求正確目標。

對實驗室如何使用更強大的工具而言，這項區別很重要。委派範圍明確的搜尋並檢視結果，與讓系統廣泛決定實驗、支出或發布事項，是不同的做法。科學成果可以支持嘗試更具野心的研究，但授予哪些權限仍須另行說明理由。

保有人類理解能力有助於處理這些問題，但無法普遍解決 AI 對齊。了解發現背後的數學，不代表掌握模型行為的所有面向。反過來說，行使有效監督也不要求人類重建每一項中間計算。實務目標是保有足夠的獨立能力與證據，以察覺系統工作不再符合預期目的。

對意義的討論，也不該只用休閒承諾來保證每個失去職位的人都能找到替代。Amodei 認為，即使 AI 超越人類，關係與活動仍可有意義；但他也承認未來的經濟安排尚未確定。這是一種可能的觀點，不是保證轉型不會帶來痛苦。 工作與意義

學生即使不是第一位發現者，仍可能重視理解一項成果。社群即使不要求成員勝過所有機器，仍能珍視教學、辯論與探究。然而，要維持這些活動所依賴的機構，仍需要資源與選擇。個人滿足感無法單獨支付實驗室經費、保證模型存取權，或維持一個學系。

依據成果為外界創造的獨立能力評估發布安排

外界能否不完全依賴公司的說法，就對主張提出質疑？其他團隊能否使用成果，而不必重做負擔不起的搜尋？研究者能否選擇生產者興趣不高的後續問題？是否有人與機構能說明成果、修正錯誤，並在關注度轉移後繼續提供成果？

這些問題串連了樂觀與悲觀的未來。在其中一種情境中，強大的私人工具促成更龐大的共享知識，讓更多人研究以往無法觸及的問題。另一種情境則是，外界收到令人印象深刻的答案，卻愈來愈依賴少數組織決定哪些問題值得提出。

我們仍不知道傳聞中的隱藏成果包含什麼，但可以評估目前已出現成果周遭的安排。重大的 AI 突破應讓科學界其他人更有能力獨立行動。