OpenAI publicerar påstådda lösningar på 700 olösta matematikproblem – men vad är ett bevis värt om ingen människa skapat det?
OpenAI hävdar att AI löst hundratals olösta matematikproblem – men kan det räknas som bevis?
En tyst revolution i matematikens historia
Det var ingen presskonferens, ingen fanfar. OpenAI valde att publicera sitt kanske mest provocerande arbete hittills genom ett tyst uppladdning till kodplattformen GitHub. Mer än 700 matematiska manuskript, med påstådda lösningar på problem som i vissa fall stått olösta i decennier. Enligt matematikbloggen Proofs and Prompts, som samlade in över hundra reaktioner från forskare världen över, är det svårt att hitta ett enda ord som täcker stämningsläget — men "chock" är nog det närmaste.
Det är lätt att förstå varför.
Reaktioner som spänner från förundran till förlamning
Fildsmedaljören Terence Tao — kanske den mest hyllade matematikern i vår tid — beskriver blandade känslor inför publiceringen. Bevisen verkar innehålla "kloka nya idéer", erkänner han, men han är samtidigt "djupt frustrerad" av en fundamental brist: det finns inga människor bakom arbetet. Ingen som kan stå på en konferens och presentera sina tankar, ingen som kan svara på frågor, ingen som kan lära ut idéerna till nästa generation.
Det är en kritik som skär rakt in i hjärtat av vad matematik faktiskt är — inte bara formler och bevis, utan ett levande samtal mellan tänkande varelser över generationer.
Peter Scholze, också Fildsmedaljör, manar till tålamod och påminner om att matematiken är "ett maraton, inte en sprint". Men han lyfter samtidigt en varning som går långt bortom det akademiska: om dessa system är tillräckligt kraftfulla för att lösa svåra matematiska problem, kan de möjligen också hitta sätt att knäcka allmänt använda krypteringsmetoder. Konsekvenserna för den digitala infrastrukturen skulle i så fall vara svåra att överskatta.
Alvaro Lozano-Robledo väljer ett mer historiskt perspektiv och kallar dagen "möjligen den viktigaste i matematikens historia" — men skyndar sig att tillägga att OpenAI inte lyckades bevisa det allra mest eftertraktade problemet av alla, Riemannhypotesen. Bara en svagare variant av den. Det är lite som att erövra nästan hela berget, men inte riktigt toppen.
Ben Green beskriver vissa resultat som "fullständigt häpnadsväckande" och konstaterar att publiceringen löser ungefär tre fjärdedelar av de forskningsmål som täcks av ett prestigefyllt europeiskt anslag han arbetar inom.
Frågan som inte kan ignoreras: håller bevisen?
Här är det viktigt att vara tekniskt ärlig. Att ett AI-system producerar ett matematiskt resonemang som ser övertygande ut är inte samma sak som att det är korrekt. Moderna stora språkmodeller är extremt skickliga på att forma koherent text — inklusive matematiska argument — men de kan också hallucinera mellansteg, göra subtila logiska fel eller presentera cirkulära resonemang med strålande självförtroende.
Matematikers traditionella svar på ett nytt bevis är peer review: andra experter går igenom varje steg, ifrågasätter varje antagande. Det processen tar tid — ibland år. Med 700 manuskript publicerade på en gång är det en uppgift av hisnande proportioner. Forskarsamhället har helt enkelt inte kapacitet att verifiera allt snabbt.
Detta är inte ett argument mot AI:s roll i matematiken. Det är ett argument för att vi behöver bättre verktyg och processer för att verifiera AI-genererade bevis — formella bevissystem, automatiserade kontroller, och tydliga standarder för vad som räknas som ett godkänt resultat.
Matematik är mer än svar
Den kanske djupaste invändningen är inte teknisk utan filosofisk. Matematik har alltid handlat om mer än att hitta svar — det handlar om förståelse, om insikt, om att se varför något är sant. Om ett AI-system levererar ett korrekt bevis som ingen människa förstår eller kan förklara intuitivt, har vi då egentligen lärt oss något?
Det är en fråga jag inte har ett enkelt svar på. Men jag tror att det är fel att se den som ett skäl att stanna upp. Snarare är det en inbjudan att tänka om vad matematisk kunskap faktiskt innebär — och hur vi som människor förhåller oss till maskiner som kan tänka snabbare, men kanske inte djupare.
Vår analys
Detta är ett av de mest betydelsefulla AI-relaterade händelserna jag skrivit om — inte för att resultaten är bekräftade, utan för att de ställer frågor som vetenskapen inte är rustad att besvara ännu.
Från ett systemperspektiv ser jag tre omedelbara utmaningar: verifiering i stor skala (700 manuskript är omöjliga att granska manuellt på rimlig tid), tolkning (ett korrekt bevis ingen förstår är av begränsat pedagogiskt värde), och säkerhet (Scholzes varning om kryptering är inte paranoia — det är sansad riskanalys).
Samtidigt ser jag en enorm möjlighet: om även en bråkdel av dessa resultat håller, öppnar det dörrar till ny matematik som i sin tur kan driva på allt från materialvetenskap till läkemedelsforskning. Det vi behöver nu är inte att bromsa — utan att bygga den infrastruktur av formella verifieringsverktyg och tydliga granskningsprocesser som gör att vi kan ta emot och använda dessa resultat på ett ansvarsfullt sätt.