OpenAI 100+ 數學難題：顧問團成立，證據還差什麼？（2026）

2026 年 9 月 21 日，OpenAI 在官網發布數學與人工智慧顧問團公告，同時拋出一個驚人的說法：8 月 28 日開始訓練的內部模型，除了公司先前公布的 Navier–Stokes 結果，還「解決」了超過 100 個橫跨多數數學領域的長期未解問題。這篇文章要拆解的，不是 OpenAI 100+ 數學難題這個數字有多吸睛，而是它目前能證明什麼、還不能證明什麼，以及數學界要如何消化這種可能突然大量湧入的新結果。

先說結論：這不是一則可以直接寫成「AI 已經證明 100 個百年難題」的勝利新聞，也不是一句「沒有全部證明，所以都是炒作」就能打發的公關稿。比較準確的讀法是：OpenAI 公布了高強度的能力訊號，並成立一個可信度很高、但沒有否決權的外部機制；真正可稽核的證據，仍只覆蓋已公開的一小部分。

OpenAI 到底宣布了什麼？

公告有三層訊息。第一，OpenAI 說它在 8 月 28 日開始訓練一個新的內部模型；第二，公司聲稱這個模型已經處理了超過 100 個長期未解問題；第三，因為產出速度連 OpenAI 內部的數學家都感到意外，公司找來九位數學家組成獨立顧問團，協助思考審查、公開方式、成果重要性與證據標準。

“resolved more than 100 long-standing open problems”

中文：解決了超過 100 個長期未解問題。

OpenAI 公告

這句話最需要加註主詞：是 OpenAI 說它的模型已經解決，不是數學共同體已經完成驗證。截至 2026 年 9 月 24 日，這篇公告沒有列出 100 多題的名稱、完整證明、形式化驗證檔案、獨立審稿人或難度分級。因此，「100+」目前是公司自述的待驗證總數，不是外界可以逐項複核的成果表。

為什麼「100 題」不是一個完整的能力刻度？

數學的「未解問題」不是規格一致的測驗題。有些問題卡住幾十年，是因為需要全新的理論；有些只是散落在論文或講義裡、研究者沒有持續追蹤；也有些題目的解法可能不長，但需要找到非常特殊的觀察。把它們全部算成一題，就像把修正錯字、修復安全漏洞與重寫作業系統都算成一個「軟體任務」。數量有訊號，卻不能單獨代表難度、重要性或新穎性。

這也解釋了為什麼 OpenAI 100+ 數學難題真正需要的不是更大的標題，而是一份可以比較的公開帳本。至少要知道每一題的來源與公開日期、此前嘗試、證明長度、關鍵新觀念、形式化程度、外部審查狀態，以及是否只是補完既有方法。沒有這些欄位，100 題可能代表研究生產力的斷層式提升，也可能混合了極少數重大突破與大量難度較低的遺漏題；目前公開資訊無法判定比例。

不能忽略的另一面：OpenAI 已經公開過部分硬證據

懷疑 100+ 的可稽核性，不等於所有成果都只存在於簡報。OpenAI 在 9 月 8 日為 Navier–Stokes 問題發布了技術說明、完整論文與Lean 程式庫。公司揭露，該次搜尋約動用一萬個並行 agent；Navier–Stokes 部分交換約 270 萬則訊息、產生約 1,300 億個輸出 token。這不是同行共識的替代品，但遠比只有一則能力宣稱更容易檢查。

截至 9 月 24 日，Clay Mathematics Institute 的官方頁面仍把 Navier–Stokes 標為「Active」。這個狀態不等於 Clay 已判定論文錯誤；依其千禧年問題規則，候選解答要先在合格出版物發表、至少經過兩年，並獲得全球數學界普遍接受，才會進入獎項考慮程序。換句話說，形式化證明、論文審閱與共同體接受，是三個不同時鐘。

OpenAI 也在 8 月公開過十項數學進展，附上論文、人類整理的手稿、Lean 憑證或推理紀錄。這建立了一個重要先例：公司知道公開成果需要逐題證據。正因如此，外界有理由期待 100+ 的後續披露至少達到同樣標準。

顧問團很強，但它不是裁判席

新成立的 Advisory Group on Mathematics and Artificial Intelligence 共有九名成員，包括 Timothy Gowers、Martin Hairer、Edward Witten、Ravi Vakil、Camillo De Lellis 等重量級學者。顧問團在自己的獨立網站說明，它可以向任何 AI 公司提供建議、公開自己的建議，而且成員不收 AI 公司報酬。

“operates independently of any AI company”

中文：獨立於任何 AI 公司運作。

AGMAI

但邊界同樣清楚：顧問團沒有決策權，也不負責決定 OpenAI 內部數學研究的速度。它目前的任務，是針對 OpenAI 所報告的大量成果，提供協調公開、審查與溝通的建議。因此最準確的定位是可信的外部程序設計者，不是已經替每一個結果背書的獨立驗證機構，更不是能阻止公司發布的監管者。

數學界真正擔心的，不只是假證明

在公告前十天，數學界已出現一封談 AI 與數學嚴重錯位的公開信。它擔心企業用排行榜與「解了幾題」來定義進步，會把數學從建立理解、培養研究者與共享方法，壓縮成搶先提交答案的競賽。這個批評不是反對計算工具，而是追問：如果答案來得比人類理解更快，誰負責解釋、查錯、辨認真正的新觀念，並給予先前工作正確的歸屬？

值得注意的是，Gowers 沒有簽署那封信。他在9 月 17 日的文章裡同意許多憂慮，卻主張分析不應變成兩個陣營的對撞。這個分歧很有啟發性：眼前不必在「AI 毀掉數學」和「AI 已取代數學家」之間二選一。更實際的問題，是如何把機器的大規模探索能力，接到人類可理解、可複核、可歸因的知識制度上。

AlphaLab 判斷：瓶頸正從找答案，移到驗證與吸收

1. 能力訊號是真的，但精確強度未知

OpenAI 願意為 Navier–Stokes 公開論文、Lean 程式庫與大量計算資訊，又找來能公開發聲且不領公司報酬的數學家，讓「內部確實出現異常強的數學產出」成為合理推論。不過，從一個公開案例外推到超過 100 題都成立，仍跨越了證據缺口。

2. 「100+」現在是待審計庫存，不是成績單

讀者可以把它理解成 OpenAI 報告自己手上有一批候選研究成果。等到題目清單、證明、依賴來源與外部審查逐項公開後，數量才會從行銷訊號變成可比較的研究指標。若最後只有部分通過，也不代表系統沒有價值；它會告訴我們候選生成的命中率與驗證成本。

3. 顧問團改善程序，卻不能取代同行審查

九位學者的加入，最可能改善發布排序、證據格式、重要性判斷與對社群的溝通。它能降低「一次把幾百份證明丟給學界」的外部成本；但成員沒有決策權，顧問身分也不等於共同作者或審稿人，因此不能把名單本身當成 100+ 結果的品質印章。

4. 下一個稀缺資源可能是人類注意力

若模型真的能比研究社群更快產生候選證明，限制就不再只是推理算力，而是哪些結果值得先看、誰來驗證、如何把形式化物件轉成可教學的觀念，以及審查者如何獲得信用。這也是這則新聞最重要的長期意義：AI 可能不是先讓數學家失去問題，而是先讓數學界出現「答案排隊等待理解」的新型積壓。

看到下一批成果時，先檢查這六欄

欄位	要問的問題
題目身分	何時、由誰提出？真的仍未解嗎？
重要性	是核心難題、技術缺口，還是被忽略的小題？
證明資產	有完整論文、程式、Lean／其他形式化檔案嗎？
新穎性	關鍵步驟是新觀念，還是重組既有方法？
外部狀態	誰已逐步檢查？期刊、社群與形式驗證各到哪裡？
生成成本	用了多少 agent、token、時間與人類整理工作？

這六欄比「又解了幾題」更能幫助我們判斷 OpenAI 100+ 數學難題的含金量，也能讓未來不同實驗室的結果有共同尺度。真正值得期待的，不只是模型把答案交出來，而是答案能被人類重建、質疑、修正，最後成為共同知識。