OpenAI publicerar 372 matematiska resultat – AI-modell löste de flesta med en enda uppmaning, utan peer review

372 bevis och en GitHub-länk

Det är sällan ett kodförråd på GitHub väcker debatt i matematikkretsar. Men det är precis vad som hänt efter att OpenAI – utan ceremoni eller tidskriftsinlämning – publicerade 372 matematiska resultat framtagna av en intern AI-modell, rapporterar The Decoder.

Resultaten är inte triviala. Samlingen inkluderar förbättringar av centrala datoralgoritmer och framsteg kopplade till Riemannhypotesen – ett av de mest mytomspunna olösta problemen i hela matematikhistorien. Ytterligare ett resultat, en påstådd lösning på ett problem inom Navier-Stokes-ekvationerna, genomgår just nu formell granskning. Att dessa problem ens är i närheten av lösning är anmärkningsvärt. Att lösningarna i så fall kommit från en AI-modell är närmast svindlande.

En uppmaning räckte

Det som gör publiceringen ännu mer slående är hur enkelt det tydligen gick till. Enligt OpenAI krävde de flesta av de 372 resultaten bara en enda uppmaning till en enda AI-agent. Det är en skarp kontrast mot Navier-Stokes-resultatet, som krävde ett nätverk av tiotusen agenter och beräkningskostnader i miljontals dollar. I genomsnitt förbrukade varje resultat runt tre timmars beräkningstid – ungefär motsvarande en session i ChatGPT Pro Thinking.

Det reser en nästan filosofisk fråga: om ett öppet matematikproblem kan lösas med en enda textuppmaning, vad säger det om hur vi hittills förstått problemets svårighet?

Lean som ersättare för mänsklig granskning

En av de mer tekniskt intressanta aspekterna i publiceringen är att många bevis åtföljs av formaliseringar i Lean – ett programspråk utformat för maskinverifierbar matematik. Tanken är elegant och pragmatisk: när AI kan producera hundratals matematiska resultat snabbare än det akademiska systemet hinner ta emot dem, behöver verifieringen automatiseras.

Lean tillåter att ett bevis kontrolleras av en dator på ett logiskt bindande sätt, utan att en människa behöver läsa varje rad. Det är inte ett nytt verktyg – matematiker som Terence Tao har länge förespråkat formalisering – men kombinationen med AI-genererade bevis i denna skala är något nytt.

Ett medvetet ställningstagande

Att OpenAI valde GitHub framför en vetenskaplig tidskrift är knappast en tillfällighet. Det är ett tydligt ställningstagande: det akademiska publiceringssystemet – med sina månder av granskningstid och tidskrifternas portväktarroll – hänger inte med i det tempo som AI-driven forskning nu håller.

Men matematiksamfundet är splittrat. En del ser det som befriande: öppen tillgång, versionshistorik, snabb spridning. Andra är oroade. Peer review-systemet är inte perfekt, men det fyller en funktion – att filtrera bort fel, dölja partiskhet i metod och säkerställa att resultat faktiskt håller vad de lovar. Att publicera 372 bevis direkt, utan den processen, sätter systemets förtroende på spel.

Frågan är inte om resultaten är korrekta – Lean-formaliseringarna ger viss teknisk garanti. Frågan är om korrekthet är tillräckligt, eller om vi också behöver den mänskliga processen av att förstå, ifrågasätta och sätta in resultaten i ett sammanhang.

Vetenskapens tempo möter AI:s

Jag har arbetat med system som ska stödja kunskapshantering och informationsflöden, och ett mönster jag sett upprepas är att organisationer underskattar hur stor störning hastighet i sig kan vara – inte innehållets kvalitet, utan takten i vilken det kommer. Det är precis vad som händer här.

OpenAI skickar ett implicit meddelande till matematikvärlden: häng med eller halka efter. Det är ett budskap som kan vara sant och ändå vara obehagligt att ta emot. För vetenskapens styrka har aldrig bara handlat om att producera rätt svar – den har handlat om att bygga ett kollektivt, granskat, förtroendegivande kunskapssystem.

Den spänningen – mellan AI:s beräkningshastighet och vetenskapens sociala processer – är inte löst av ett GitHub-förråd. Den har bara blivit synligare.