На этой неделе произошло редкое для науки событие: математик Тристан Бакмастер из NYU вместе с сотрудником Anthropic объявили о частичном решении проблемы Навье-Стокса — одной из семи Millennium Prize Problems с миллионным призом от Clay Mathematics Institute. Сами по себе результаты значительны. Но параллельно OpenAI заявила о полном решении той же задачи, используя неразглашённую версию своей модели. При этом OpenAI буквально через дни начала работу после того, как Бакмастер поделился своим подходом.
Суть конфликта проста и болезненна. Бакмастер выбрал специфический маршрут к решению — через гладкую силу, вариант c или d в формулировке Феффермана. По его словам, почти никто в сообществе этот путь не исследовал. И вот OpenAI примерно в то же время решает атаковать задачу с того же угла. Бакмастер находит это подозрительным: такое совпадение не случается за пару дней просто со слов в том же prompt. Информация о его работе просочилась в OpenAI, признала та сама — и следом сразу началась полномасштабная кампания: задействована спецмодель, потрачено $22,5 млн на вычисления (300 млрд output tokens по тарифам Astra), опубликовано решение.
Что ещё хуже: Бакмастер активно использовал Codex (предок ChatGPT) при разработке своего метода. OpenAI по умолчанию оставляет себе право учить модели на всех взаимодействиях пользователей с Codex. Если новая модель OpenAI была обучена и на этих данных, она теоретически могла восстановить элементы работы Бакмастера при решении похожей задачи. OpenAI отрицает, что видела чужую работу напрямую, но допускает в мелком шрифте: «маловероятно, но не исключено, что деидентифицированные данные из их использования наших продуктов помогли улучшить наши модели».
Самый неприятный момент — попытка Sébastien Bubeck (руководитель исследований OpenAI) давить на Бакмастера. Bubeck предложил вычеркнуть из авторов Альпёге, который работает в конкурирующей Anthropic, в обмен на некую договорённость. Когда Бакмастер отказался обнародовать спор, Bubeck якобы сказал: «Зачем ты рушишь свою карьеру?» А потом: «Если ты не хочешь, чтобы я был вежлив, я не буду вежлив.» Это уже за гранью нормального поведения, какой бы ни была конкурентная напряженность.
Проблема Навье-Стокса — это не просто занимательная задача. Уравнения Навье-Стокса используют везде в гидродинамике и аэродинамике, но математически они остаются плохо изучены. Полное понимание существования и гладкости решений — это реальный прорыв в теоретической физике. Вот почему это одна из Millennium Prize Problems. И вот почему момент, кто первый доказал, кажется важным в научной среде.
Но тут раскрывается неудобная правда о нынешней роли ИИ в науке. Когда у тебя есть $22,5 млн на вычисления и модель следующего поколения, ты можешь буквально перебить соперника ресурсами, если знаешь, в каком направлении идти. Идея, концепция, выбор маршрута — вот реальный вклад. А формальное доказательство — уже дело техники и денег. OpenAI не украла формулы и не скопировала код. Но она использовала информацию о выборе стратегии, развернула вычислительный паровой каток и первая пересекла финиш. Это честно по букве, но подло по духу. Бакмастер, похоже, понимает, что спор о приоритетах он проигрывает в любом случае: OpenAI публично заявила о полном решении, а его результаты выглядят просто промежуточным шагом.
История также ставит вопрос о доступе OpenAI к данным через Codex. Даже если сейчас не было прямого использования пользовательских взаимодействий, сам факт, что это технически возможно и OpenAI оставляет себе такое право — это создаёт конфликт интересов. Если ты учёный, работающий над чувствительной задачей, ты уже не можешь полностью доверять инструментам конкурента, даже если они технически хороши. Это подтачивает саму идею открытых экосистем развития.
В России эта история куда менее актуальна в части прямого применения к Millennium Prize задачам. Но вот в части корпоративной этики при использовании ИИ-инструментов — очень даже. Если ты работаешь над чем-то конфиденциальным или конкурентно-чувствительным в AI Studio или любом другом облачном ИИ-сервисе, важно понимать: что ты загружаешь в чужую модель, может потом косвенно повлиять на чужие решения. Это не значит, что все облачные ИИ — зло; это значит, что для критичных задач нужна ясность в политике использования данных и контроль над обучением моделей. Некоторые компании в России уже переходят на локальные развёртывания именно по этой причине.