当数学家把未公开证明交给 AI，平台还是工具吗？
内容提要
数学家借助AI证明流体方程有限时间爆破，但争议焦点转向数据边界：研究过程存入AI平台后，平台是否可能利用未公开数据？OpenAI被指接触相关进展，双方各执一词。文章强调，当AI参与高价值工作，用户需区分工具与平台竞争风险，数据训练、访问、审计边界须事先明确并可验证。
延伸解读
数据边界：三道独立权限需分清
文章指出，推理时是否检索、数据是否用于训练或评估、内部人员能否访问，是三道不同的权限。回答其中一道，不能替代另外两道。这提醒用户，在询问平台数据使用情况时，应分别确认每个环节，避免因笼统回答而忽略潜在风险。
公开政策与实际操作的差距
OpenAI 的公开政策虽明确个人版内容可能用于训练且可退出，但无法回答具体案例中的问题。用户需了解自己使用的产品类型、账户设置及数据流程，不能仅依赖默认政策。采购时应要求合同明确数据控制、访问权限和审计能力，而非口头承诺。
工具与平台的竞争风险
当平台既提供工具又参与同类研究时，用户与平台间存在潜在竞争。即使未交换细节，平台知晓研究路线也可能带来优势。文章强调，高价值工作应区分数据敏感等级，核心内容需进入有合同保障和审计的环境，避免将完整研究过程交给可能竞争的云端平台。
Q&A
数学家借助AI证明了什么数学结果？
数学家Tristan Buckmaster和Levent Alpöge借助Claude、Codex等模型，公开了三个流体方程相关的结果，其中最受关注的是三维不可压Euler方程在光滑外力下的有限时间爆破，并用Lean进行了形式化验证。
关于OpenAI是否接触了未公开数据，双方的说法是什么？
Buckmaster声称OpenAI的内部模型可能接触了他们的Codex会话，并获得了约100页的证明，但OpenAI的Sébastien Bubeck否认了这些说法，称其虚假且具有煽动性，并表示会给出更完整回应。目前尚无定论。
为什么说研究过程进入AI平台后，数据边界问题变得复杂？
因为研究过程包含未公开的猜想、草稿和推导，可能涉及研究优先权和未来方向。即使平台不直接泄露数据，仅知道“哪条路线值得集中资源”也可能有价值。平台与用户同时做研究时，仅靠口头解释难以消除疑问。
OpenAI的公开数据政策是什么？
OpenAI的公开政策规定：个人版ChatGPT和Codex的内容可能被用于训练，用户可在数据控制中退出；Codex完整环境有单独设置。ChatGPT Business、Enterprise和API的输入输出默认不用于训练，除非组织明确选择加入数据共享。
企业在采购AI时，除了能力和价格，还应关注哪些数据相关指标？
企业应关注训练边界、内部访问权限、数据隔离、留存删除和可审计性等指标，这些与准确率同等重要。
对于不同敏感级别的数据，文章建议如何使用AI工具？
公开资料可用通用工具；一般内部资料需明确数据控制；核心代码、未公开研究、客户机密和战略判断等应使用有合同承诺、访问控制、留存策略和审计能力的环境；高风险内容可考虑受控部署或隔离环境，甚至不交给模型。
文章认为数学结果是否成立与数据争议是什么关系？
文章认为两者是独立问题：即使OpenAI的证明正确，也不自动回答数据来源和署名问题；反之，沟通争议也不能证明数学证明不成立。
