A víz fodrozódása egy folyóban, a cigarettafüst gomolygása, a légkörben kialakuló hatalmas örvények, a repülőgép szárnya körül áramló levegő vagy akár a kávéba öntött tej lassú elkeveredése ugyanannak a fizikai problémának különböző megjelenési formái. A folyadékok és gázok mozgását közel két évszázada a Navier–Stokes-egyenletekkel írjuk le, amelyek a modern aerodinamika, meteorológia, óceánkutatás és számos mérnöki számítás alapját jelentik. Repülőgépeket, turbinákat és rakétákat tervezünk velük, időjárási modelleket futtatunk a segítségükkel, miközben magukról az egyenletekről egy meglepően alapvető dolgot mindmáig nem tudtunk bizonyítani: ha egy háromdimenziós folyadék kezdetben teljesen szabályosan áramlik, akkor biztosan szabályos marad-e minden későbbi pillanatban, vagy az egyenletek képesek olyan állapotot létrehozni, amelyben valamely fizikai mennyiség matematikailag korlátlanul megnő.
Ez a kérdés olyan nehéznek bizonyult, hogy a Clay Mathematics Institute 2000-ben a hét Millennium-probléma közé választotta, és egymillió dollárt ajánlott fel a megoldásáért. A hét problémából eddig mindössze egyet sikerült lezárni: Grigorij Perelman bizonyította a Poincaré-sejtést, majd visszautasította a neki felajánlott díjat. A Navier–Stokes-probléma azóta is ott maradt a matematika legnagyobb nyitott kérdéseinek listáján. Most azonban elképzelhető, hogy ez megváltozik. A Quanta Magazine 2026. szeptember 8-i beszámolója szerint egy mesterséges intelligenciával támogatott kutatás olyan matematikai konstrukcióhoz vezetett, amelyben a háromdimenziós Navier–Stokes-egyenletek véges idő alatt szingularitást hoznak létre. Ha a bizonyítás minden részlete kiállja a matematikai közösség ellenőrzését, akkor lezárulhat a Millennium-problémák egyik leghíresebb kérdése.
A probléma mélységének megértéséhez érdemes előbb tisztázni, mitől olyan különlegesek ezek az egyenletek. A Navier–Stokes-egyenletek alapvetően Newton mozgástörvényeit alkalmazzák egy folytonosan áramló közegre. A folyadék minden pontjához hozzárendelhetünk egy sebességet és nyomást, majd az egyenletekkel kiszámíthatjuk, hogyan változik ez az állapot az idő múlásával. Az egyik fontos tényező a viszkozitás, vagyis a közeg belső súrlódása. A méz nagy viszkozitású, ezért lassan deformálódik és folyik, a víz viszkozitása kisebb, a levegőé pedig még kisebb. A viszkozitás általában kisimítja a sebességkülönbségeket, ezért azt várnánk, hogy megakadályozza a végtelenül éles struktúrák kialakulását. Három dimenzióban azonban megjelenik egy másik folyamat is: az áramlás képes megnyújtani és felerősíteni saját örvényeit, amelyekből kisebb örvények keletkezhetnek, azokból még kisebbek, miközben az energia egyre finomabb térbeli skálákra kerül át. A turbulencia bonyolultságának jelentős része ebből származik.
A matematikai kérdés ezért lényegében egy verseny két folyamat között. A viszkozitás igyekszik kisimítani az áramlást, miközben az örvények dinamikája egyre kisebb térségekbe koncentrálhatja annak szerkezetét. Ha mindig a viszkozitás győz, akkor egy sima kezdeti állapotból induló Navier–Stokes-megoldás örökre sima marad. Ha azonban megfelelő körülmények között az örvények koncentrációja gyorsabb lehet a viszkozitás simító hatásánál, akkor elképzelhető, hogy véges idő alatt szingularitás alakul ki. A matematikusok ezt gyakran blowupnak nevezik. Ez nem azt jelenti, hogy a folyadék fizikailag felrobban, hanem azt, hogy a matematikai megoldás valamely jellemzője korlátlanul naggyá válik, és a klasszikus sima megoldás azon a ponton tovább már nem folytatható.
Fontos különbséget tenni a matematikai modell és a valódi folyadék között. A Navier–Stokes-egyenletek folytonos közegként kezelik a vizet vagy a levegőt, vagyis matematikailag tetszőlegesen kis térbeli skálákra nagyíthatunk. A természetben ez nem lehetséges. Egy bizonyos mérettartomány alatt már molekulákkal és atomokkal találkozunk, és a folytonos közeg közelítése elveszíti az érvényességét. Egy Navier–Stokes-szingularitás ezért nem azt jelenti, hogy egy valódi folyadékban ténylegesen végtelen sebesség vagy végtelen örvényesség keletkezhet. Azt jelentené, hogy az idealizált matematikai egyenletek saját szabályaik szerint képesek eljutni egy olyan állapothoz, ahol a sima megoldás megszűnik. Ez azért alapvető eredmény, mert megmutatja, hol vannak annak a modellnek a matematikai határai, amelyet a folyadékok leírására naponta használunk.
A mostani áttörés története ugyanakkor jóval korábban kezdődött, mint amikor a mesterséges intelligenciát ráállították a problémára. A folyadékegyenletek szingularitásainak keresésén matematikusok generációi dolgoztak, és az utóbbi évtizedekben egyre több jel mutatott arra, hogy bizonyos speciális áramlásokban valóban létrejöhetnek rendkívül koncentrált struktúrák. Különösen fontosak voltak Thomas Hou és Guo Luo 2013 körül kezdődő numerikus vizsgálatai, amelyek a Navier–Stokes-egyenletek viszkozitás nélküli rokonát, az Euler-egyenleteket tanulmányozták. Számításaik arra utaltak, hogy megfelelő geometriai körülmények között az örvényesség rendkívül gyorsan koncentrálódhat, és akár szingularitás is kialakulhat. Ez önmagában még nem jelentett bizonyítást, de megmutatta, milyen szerkezeteket érdemes keresni.
Később Diego Córdoba és Luis Martínez-Zoroa olyan analitikus módszereket fejlesztett tovább, amelyekben a folyadék mozgása egymásba ágyazott skálák sorozataként épül fel. A konstrukció mögött egy rendkívül érdekes gondolat áll: képzeljünk el egy örvénystruktúrát, amely létrehoz vagy felerősít egy nála kisebb struktúrát, az pedig egy még kisebbet, és így tovább. Minden egyes lépcső önmagában szabályos maradhat, miközben a folyamat egyre kisebb térbeli skálák felé halad. Ha végtelen sok ilyen szintet megfelelő módon sikerül egymáshoz kapcsolni, akkor a teljes konstrukció határértékében létrejöhet a szingularitás. A nehézség éppen a „megfelelő módon” kifejezésben rejlik: minden becslésnek egyszerre kell működnie, a különböző skáláknak pontosan kell kölcsönhatniuk, és a végtelen folyamatnak közben meg kell őriznie azokat a matematikai tulajdonságokat, amelyeket a Millennium-probléma előír.
Az egyik döntő akadály a külső erő, a matematikában forcingnak nevezett tag viselkedése volt. A Navier–Stokes-egyenletekben megengedhető olyan külső erőtér, amely mozgatja a folyadékot, de a Millennium-probléma feltételei meghatározzák, milyen szabályossággal rendelkezhet ez az erő. Nem elegendő tehát létrehozni valamilyen mesterségesen vad erőteret, amely szingularitást kényszerít az egyenletre. Az erőt leíró függvénynek megfelelően simának kell maradnia. Córdoba és Martínez-Zoroa konstrukciói nagyon közel kerültek ehhez, de a végtelen kaszkád összeillesztésekor éppen ennek a szabályosságnak a megőrzése vált kritikus problémává. Az áttöréshez olyan konstrukció kellett, amelyben a szingularitáshoz vezető erősödés fennmarad, miközben az egész rendszert létrehozó külső erőtér továbbra is kielégíti az előírt matematikai feltételeket.
Ezen a ponton lépett be a történetbe a mesterséges intelligencia, de nem úgy, ahogyan az „AI megoldotta a Navier–Stokes-problémát” mondat alapján gondolhatnánk. A rendszer nem a XIX. századi egyenleteket kapta meg minden további előzmény nélkül, hogy találjon ki hozzájuk valamit. Több évtized emberi matematikai eredményeire, a már ismert konstrukciókra és a legújabb szingularitási módszerekre épített. A különbség abban rejlett, hogy az AI elképesztő mennyiségű lehetséges matematikai utat tudott párhuzamosan megvizsgálni. A Quanta beszámolója szerint az OpenAI először az Euler-egyenletek egyik kapcsolódó problémájára állított rá körülbelül száz autonóm AI-ügynököt, amelyek mintegy ötven órán keresztül dolgoztak. Ezután a Navier–Stokes-probléma következett, amelyhez már nagyságrendileg tízezer ügynököt használtak. A rendszer 88 órányi munka után állított elő egy szingularitást létrehozó konstrukciót, majd további körülbelül 17 órára volt szükség ahhoz, hogy az eredményt formális matematikai bizonyítássá alakítsák. Az ügynökök a folyamat során csaknem ötmillió üzenetet váltottak egymással (!!!).
Ez a munkamódszer érdekesebb lehet a matematika jövője szempontjából, mint önmagában az, hogy egy AI-rendszer képes volt-e „gondolkodni”. A kutatás inkább egy hatalmas matematikai intézet működésére emlékeztet, ahol több ezer kutató dolgozik ugyanazon a problémán, különböző ötleteket próbál ki, módosítja a paramétereket, megvizsgálja a lehetséges becsléseket, elveti a zsákutcákat és továbbfejleszti az ígéretes megközelítéseket. Csakhogy itt mindez néhány nap alatt történhetett meg. Egy emberi matematikus egy ígéretes bizonyítási irány kidolgozására heteket vagy hónapokat fordíthat, míg egy ilyen rendszer párhuzamosan ezernyi változatot vizsgálhat meg. Ez különösen azoknál a problémáknál lehet döntő, ahol az alapötlet már ismert, de a bizonyítás végső formájához rengeteg technikai lehetőség közül kell megtalálni azt a nagyon szűk kombinációt, amelyben minden becslés egyszerre működik.
Mindez természetesen felveti a kérdést, hogyan lehet megbízni egy AI által előállított, rendkívül hosszú és technikai bizonyításban, hiszen a nagy nyelvi modellek jól ismert tulajdonsága, hogy képesek teljesen meggyőzőnek hangzó hibás érveléseket létrehozni. A mostani történet ezért szorosan kapcsolódik a formális matematika fejlődéséhez. A bizonyítás egy részét a Lean nevű bizonyításellenőrző rendszerben formalizálták. A Lean nem fogadja el azt a matematikai gyakorlatban gyakori megfogalmazást, hogy „innen az állítás könnyen következik”, vagy hogy „hasonló számítással megkapjuk az eredményt”. A logikai lépéseket olyan pontossággal kell megadni, hogy azokat a számítógép egyenként ellenőrizhesse. Ha egy bizonyítás sikeresen átmegy ezen a folyamaton, az nagyon erős garanciát ad arra, hogy a formalizált állítás valóban következik a megadott axiómákból és korábbi tételekből.
Ettől még marad egy lényeges emberi ellenőrzési feladat. Azt is meg kell vizsgálni, hogy a formalizált tétel valóban pontosan azt mondja-e ki, amit a Clay Mathematics Institute Millennium-problémája megkövetel. Matematikailag hibátlanul bizonyíthatunk ugyanis egy olyan állítást is, amely egy finom feltételben eltér az eredeti problémától. Emiatt jelenleg indokolt óvatosan fogalmazni: nem arról van szó, hogy a Millennium Prize hivatalosan már gazdára talált, hanem arról, hogy olyan bizonyítás született, amely a kutatók szerint teljesítheti a Navier–Stokes-probléma egyik megoldási lehetőségét, és amelynek jelentőségét most a szélesebb matematikai közösségnek is ellenőriznie kell.
A történetet tovább bonyolítja, hogy szinte ugyanebben az időben más kutatók is AI-val támogatott eredményekhez jutottak. Tristan Buckmaster, a New York University matematikusa és Levent Alpöge, az Anthropic kutatója szintén az Euler- és Navier–Stokes-egyenletek szingularitásait vizsgálta mesterségesintelligencia-modellek segítségével, és az OpenAI bejelentését megelőzően közölt kapcsolódó eredményeket. Emiatt a prioritás pontos története még tisztázásra szorul. Ennél azonban tudományos szempontból fontosabb, hogy egyik eredmény sem a semmiből született: a mostani bizonyítások jelentős mértékben támaszkodnak Córdoba, Martínez-Zoroa és más matematikusok korábbi munkájára. Charles Fefferman, aki annak idején a Clay Mathematics Institute számára megfogalmazta a Navier–Stokes Millennium-probléma hivatalos leírását, ugyancsak hangsúlyozta ennek az emberi előzménytörténetnek a jelentőségét.
Éppen ezért az „AI megoldotta a matematika egyik legnagyobb problémáját” mondat egyszerre igazán izgalmas és kissé félrevezető. Ami most történt, sokkal érdekesebb annál, mintha egy gép egyszerűen helyettesített volna egy matematikust. Évtizedeken át emberek fedezték fel a probléma szerkezetét, építették fel a szükséges elméleteket, találták meg azokat a speciális áramlásokat és végtelen kaszkádokat, amelyekben a szingularitás egyáltalán elképzelhetővé vált. A mesterséges intelligencia ebbe a már rendkívül fejlett matematikai környezetbe érkezett meg, majd olyan mennyiségű lehetséges következtetést és konstrukciót tudott végigvizsgálni, amely emberi kutatócsoport számára gyakorlatilag elérhetetlen lenne. Ehhez társult a formális bizonyításellenőrzés, amely lehetővé teszi, hogy a gép által létrehozott hatalmas érvelés ne pusztán meggyőző szöveg legyen, hanem logikailag ellenőrizhető matematikai objektum.
Ha az eredmény kiállja a következő hónapok és évek szakmai vizsgálatát, jelentősége ezért két külön történetben is megmutatkozik majd. Az egyik a folyadékok matematikájáról szól: közel kétszáz év után választ kaphatunk arra, hogy a háromdimenziós Navier–Stokes-egyenletek valóban képesek-e sima kezdeti állapotból véges idő alatt szingularitást létrehozni. A másik történet magáról a matematika műveléséről szól. Az elmúlt években az AI-rendszerek matematikai olimpiák feladatait oldották meg, régi sejtésekhez találtak új megközelítéseket és Erdős Pál problémáin értek el eredményeket, de egy Millennium-probléma egészen más léptéket képvisel. Ha a mostani munka valóban lezárja a Navier–Stokes-kérdést, akkor nehéz lesz továbbra is úgy tekinteni a mesterséges intelligenciára, mint amely elsősorban már létező matematikai tudást képes visszaadni vagy ismert módszereket ügyesen kombinálni.
A legérdekesebb következmény ezért talán nem maga az egymillió dolláros díj, hanem az új kutatási modell. Egy matematikusnak a közeljövőben lehet olyan digitális kutatócsoportja, amelyben több száz vagy több ezer AI-ügynök dolgozik párhuzamosan egy sejtés különböző változatain, miközben formális rendszerek folyamatosan ellenőrzik az eredményeiket. Az ember feladata ebben a rendszerben egyre inkább annak felismerése lehet, hogy mely kérdések érdekesek, milyen struktúrákat érdemes vizsgálni, hogyan kapcsolódnak egymáshoz távoli matematikai területek, és mit jelent valójában a megszületett eredmény. A gépek közben olyan mélységben kutathatják át a lehetséges bizonyítások terét, amelyre korábban nem volt eszközünk.
A Navier–Stokes-egyenleteket Claude-Louis Navier és George Gabriel Stokes XIX. századi munkái alapozták meg. Azóta gőzhajók, repülőgépek, sugárhajtóművek, rakéták és szuperszámítógépek jelentek meg, de az egyenletek egyik legalapvetőbb matematikai titka megmaradt. Ha a 2026 szeptemberében bemutatott bizonyítás valóban helyes, akkor ennek a közel kétszáz éves történetnek a végére különös módon kerülhet pont: emberi matematikusok több generációjának munkájára építve, tízezer párhuzamosan dolgozó mesterségesintelligencia-ügynök és egy formális bizonyításellenőrző rendszer segítségével.
Lehet, hogy éppen ez lesz az eredmény legtartósabb tanulsága. Nem az, hogy a gép legyőzte a matematikust, hanem az, hogy megjelent egy olyan újfajta matematikai kutatási módszer, amelyben az emberi intuíció, a gépi keresés és a számítógéppel ellenőrzött logika ugyanannak a problémamegoldó rendszernek a része. Ha ez a módszer valóban működik a matematika egyik Millennium-problémáján, akkor a következő kérdés már az lesz, hogy a még megoldatlan nagy problémák közül melyik kerül sorra.
