10 000 agentov, 88 hodín, problém za 1 milión dolárov: Čo znamená prielom Navier-Stokes pre multi-agentnú architektúru

8. septembra 2026 OpenAI oznámilo, že roj približne 10 000 autonómnych agentov, bežiacich na internom reasoning modeli, vytvoril kľúčové dôkazové myšlienky na vyvrátenie Navier-Stokes existencie a hladkosti konjektúry — jedného zo siedmich Milléniových problémov Clay Mathematics Institute, ktorý ostal nevyriešený od roku 1934 a nesie odmenu 1 milión dolárov.

Agenti dokončili úlohu za 88 hodín, vymenili si 2,7 milióna správ a spotrebovali približne 130 miliárd výstupných tokenov. Záverečný dôkaz formalizoval v Lean GPT-6 Astra za ďalších 17 hodín. Pre kontext: tento problém stál 92 rokov. Bol považovaný za jeden z najťažších v celej matematike, vedľa Riemannovej hypotézy a P vs NP.

Toto nie je ďalší benchmark. Je to najdramatickejšia validácia koordinovanej multi-agentnej architektúry, aká bola kedy publikovaná. Potvrdzuje to, čo pozorujem v produkcii mesiace: ako orchestrujete agentov je dôležitejšie ako ktorý model používate.

Čo sa vlastne stalo — architektúra agentov za Navier-Stokes

OpenAI zatiaľ nezverejnilo kompletný dizajn systému (pre-print príde čoskoro), ale publikované detaily odhaľujú čistú multi-agentnú architektúru so štyrmi vrstvami:

Vrstva 1: Orchestrátor — Strategická dekompozícia

Koordinujúci agent rozložil Milléniový problém na štyri dôkazové tvrdenia a odhadom 800+ podúloh. Toto nie je jednoduché chain-of-thought — je to hierarchická dekompozícia úloh na úrovni matematického výskumu. Každá podúloha bola priradená tímu špecializovaných agentov so špecifickými matematickými schopnosťami (analýza, topológia, PDE teória, formálna logika).

Vrstva 2: Robotníci — Paralelná špecializácia

Približne 10 000 inštancií agentov bežalo paralelne na výpočtovej infraštruktúre OpenAI. Každý agent mal ohraničený rozsah — mohol skúmať jednu podúlohu, generovať čiastočné dôkazy, testovať hypotézy a reportovať nálezy. Agenti komunikovali cez štruktúrovaný message-passing protokol, nie voľný chat. Protokol vynucoval schémy správ: návrhy hypotéz, fragmenty dôkazov, protipríklady a skóre spoľahlivosti.

Vrstva 3: Pamäť a syntéza — Zdieľaný stav

Perzistentný knowledge graph uchovával každé objavené lemma, zlyhaný prístup a čiastočný dôkaz. Agenti ho mohli dotazovať, aby sa vyhli duplicitnej práci — analógia zdieľanej pracovnej pamäte. Toto je kritický scaling enabler: bez neho by 10 000 paralelných agentov generovalo chaos, nie konvergenciu. Syntetické agenty periodicky konsolidovali nálezy a presmerovávali prieskum preč zo slepých uličiek.

Vrstva 4: Formálna verifikácia — Lean integrácia

GPT-6 Astra formalizoval dôkaz v Lean za 17 hodín. Toto nie je samostatný krok — formalizácia bola vedená parciálnymi lemmami a dôkazovými štruktúrami, ktoré roj objavil. Lean integrácia fungovala ako overovacia vrstva nad výstupom roja, zabezpečujúc, že neformálne uvažovanie sa prenieslo do strojovo-overiteľnej matematiky.

Čísla, ktoré sa počítajú

Čo to znamená pre produkčné agentové systémy

OpenAI minulo miliardy dolárov, aby to dosiahlo. Ale architektonický vzor v jeho jadre — orchestrovaný multi-agent so zdieľaným stavom a ohraničeným rozsahom workerov — je už dostupný každému, kto dnes prevádzkuje autonómne agentové systémy. Tu je ako mapuje na produkčný stack, ktorý beží na jedinom Hetzner VPS.

Rovnaký vzor, o 5 rádov menší

Môj Hermes Agent stack beží 19+ autonómnych cron jobov na VPS za 3,79 €/mesiac. Každý job je inštancia agenta s ohraničenou schopnosťou, perzistentnou pamäťou a orchestrátorom, ktorý dekomponuje úlohy a smeruje podúlohy špecializovaným workerom. Architektúra zrkadlí OpenAI, len v inej mierke:

Princípy sú identické. Rozdiel je v compute budgete, nie v architektúre.

Tri scalingové lekcie z Navier-Stokes

1. Štruktúrovaná komunikácia > voľný chat

2,7 milióna správ v roji nebola konverzácia — nasledovali štruktúrovanú schému. Každá správa niesla typový tag (hypotéza, dôkazový fragment, protipríklad, spoľahlivosť), reťazec pôvodu a cieľovú skupinu príjemcov. Toto je MCP model aplikovaný na medzi-agentovú komunikáciu: typované správy so schema validáciou, nie voľný text.

2. Zabúdať je rovnako dôležité ako pamätať

Knowledge graph uchovával nálezy, ale aj zlyhané prístupy. Toto je kritický dizajnový krok: roj vedel, čo neskúmať znova. Môj Hermes Agent stack robí to isté — MEMORY.md ukladá úspešné procedúry aj známe nástrahy, pričom pri zaplnení priestoru staré záznamy nahrádza.

3. Verifikácia musí byť architektonická vrstva, nie dodatočný krok

Lean formalizácia nebola post-processing — bola zabudovaná do workflow. Agenti generovali dôkazové fragmenty s vedomím, že budú overené. Rovnaký princíp platí pre produkčné agenty: ak je každé volanie nástroja logované, každá akcia auditovateľná a deštruktívne operácie vyžadujú schválenie človekom, váš systém je navrhnutý na kontajnement od prvého dňa.

Čo nasleduje

Výsledok Navier-Stokes nebola náhoda — OpenAI použilo rovnaký multi-agentný prístup aj na ďalšie otvorené problémy. Dve zo štyroch dôkazových tvrdení boli vyriešené. Zvyšné dve môžu padnúť v dňoch alebo týždňoch. Dôležitejšie však je, že to dokazuje: multi-agentné systémy nie sú len na tvorbu obsahu alebo pomoc pri kódovaní — môžu viesť skutočný vedecký objav.

Pre nás, ktorí prevádzkujeme autonómne agenty v produkcii, je smer jasný: investujte do orchestrácie, do štruktúrovanej komunikácie, do zdieľanej pamäte a do vrstvenej verifikácie. Modely sa budú zlepšovať. Architektúra, ktorú okolo nich postavíte, určuje, či vaši agenti riešia problémy — alebo ich vytvárajú.

Publikujem technické hĺbkové analýzy o autonómnej agentovej architektúre, MCP infraštruktúre a súlade s EU AI Act. Ak vás to zaujalo, prihláste sa na newsletter — žiadny spam, len architektúra.