Sam Altman：1万Agent跑4天，如何攻下数学难题？
OpenAI CEO Sam Altman 在 ADIPEC 2026 大会上披露，解决纳维–斯托克斯方程奇点问题的背后，是 1 万个由内部模型驱动的 Agent 协同工作。这些 Agent 无层级、去中心化，在 4 天内交换数百万条消息完成核心探索。Altman 暗示，这种大规模 Agent 协作模式可能是下一代 G
上万智能体，没有老板，也没有层级——这就是 OpenAI 那次数学突破背后的实验方式。
在阿布扎比举行的 ADIPEC 2026 能源大会上，Sam Altman 提到了一个细节，让技术圈议论纷纷。外界还在盯着大模型的参数量和上下文窗口，他却说，OpenAI 此前公布的那项纳维–斯托克斯数学突破，实际动手的是 1 万个 Agent。
这 1 万个 Agent 连续跑了大约 4 天，始终保持协同，并非各干各的。Altman 特别提到，这套系统里找不到传统的层级，也没有一个统管全局的“负责人”。往哪个方向探索，每个 Agent 自己拿主意；有了进展就分享出去，再依照其他 Agent 的成果修正下一步。
按 Altman 的说法：“没有层级，没有老板，完全去中心化。”
这段话既交代了那项数学成果的来路，也让人窥见 OpenAI 内部研究模型的分量。外界的推测是，在幕后撑起万级 Agent 协作的那个系统，很可能就是即将公开发布的下一代 
GPT。至少在复杂、长周期的科研任务上，它看起来已经超过了此前公开的 GPT-6 Astra。
近 90 年的数学难题，AI 是怎么解的
先得弄清楚纳维–斯托克斯方程的分量。流体力学靠它打底，水、空气这些流体怎么运动，都由这组方程描述。飞机机翼设计、天气预报模拟、人体血液流动研究，样样绕不开它。
可围绕它有个基础数学问题，学界被卡了近 90 年：三维空间里，原本平滑的流体运动，有没有可能在有限时间内猛地冒出“奇点”？说得直白些，流体的速度会不会某一刻变成无限大，数学上就此失控。
2000 年，克雷数学研究所把这个问题收进七大“千禧年大奖难题”，一道题悬赏 100 万美元。到了今年 9 月 8 日，OpenAI 宣布他们给出了这一问题的数学证明。
证明的结论是：施加平滑外力之后，一个起初静止、运动状态平滑的流体，确实能在有限时间内形成奇点，同时总能量保持有限。证明的关键，是构造出一个不断向内收缩、又被拉长的涡旋——涡旋核心越缩越小，转速越来越高，速度最终发散。OpenAI 表示，这项成果解决了纳维–斯托克斯问题正式表述中的 C、D 两种情形，论文和基于 Lean 语言的形式化证明文件也已一并公布。
88 小时，270 万条消息
结果之外，过程才真正叫人意外。
OpenAI 披露的细节显示，实验于 9 月 1 日启动。研究人员没有让一个超级模型从头算到尾，而是把不同小组的 Agent 分派去探索不同的数学问题和证明路径。这些 Agent 能读取缓存的互联网信息，也能直接跑代码做验证。
中途冒出过一个有意思的转折：团队发现，欧拉方程相关问题上的突破，给纳维–斯托克斯研究带来了新线索。系统随即动态调配资源，把更多算力挪到后者身上。再往后，OpenAI 用 Codex 汇总各 Agent 小组的阶段性成果，把有价值的发现回传给其他小组，推着研究往前走。
这期间，内部模型又经历了一次训练升级，Agent 也跟着更新。最终，投入纳维–斯托克斯研究的 Agent 规模约 1 万个，核心数学探索在约 88 小时内完成，期间交换了 270 万条消息，生成约 1300 亿 Token。之后，GPT-6 Astra 花了 17 小时，用 Lean 完成形式化和验证。
从拆解问题、并行探索，到汇总成果、数学验证，这套 AI 辅助科研流程已经相当完整。它靠的是大规模并行试错和即时信息共享，不再指望某个天才灵光一现。
下一代 GPT 的核心：协作，而非单点能力
Altman 这次透露的信息里，最该留意的是：衡量下一代 GPT 能力的尺子，可能已经不再只是单个模型在一轮对话里完成复杂推理的表现。
实验展示的是一种新干活方式——让大量 Agent 并行探索，它们由同一个基础模型驱动，彼此交换研究进展，一步步攒出能继续推进的成果。照这个趋势，未来模型之间的竞争，或许不只看谁更“聪明”，还要看谁更会“组织”。
当然，1 万个 Agent 并不等于 1 万个各自独立训练的超级模型。它们由同一套内部模型驱动，靠工具调用、分组通信和成果整合一起把活干完。这套系统也不是没有成本。
10 月 29 日，Altman 在与 Stripe 联合创始人 John Collison 的播客对话中透露，仅纳维–斯托克斯这一项研究，OpenAI 就投入了约 1000 万美元，甚至可能略高于这个数字。但他同时打了个赌：到 2027 年 9 月，OpenAI 有望以目前约百分之一的成本，把同样的工作重做一遍。
成本能降下来，靠的是更聪明的模型和更好的研究方法。这也意味着，下一代 GPT 发布后可能带来两方面变化：底层模型本身的能力继续往上走，大规模 Agent 协作的效率也在改善。
不过，下一代 GPT 的具体型号、正式发布时间，Altman 都还没公布，普通用户能否直接调用这次实验里的万级 Agent 协作系统，也没有说明。对大多数开发者来说，这种“去中心化、无老板”的 Agent 网络仍是个黑盒。但有一点可以肯定：当 AI 开始像科研团队那样干活，我们熟悉的交互方式恐怕也要跟着变了。
