Googles AI löste Erdős-gåtor – två hade stått olösta i 56 år och klarade vetenskaplig granskning
Googles AI knäckte matematiska gåtor som legat olösta i över ett halvt sekel.
När AI slutar imponera på papper och börjar göra riktig matematik
Det finns en avgörande skillnad mellan att klara ett vältränat prestandamått och att faktiskt lösa ett problem som riktiga forskare gett upp. Den skillnaden börjar nu suddas ut.
Enligt The Decoder har Google DeepMinds AI-system AlphaProof Nexus löst dussintals öppna matematikproblem på egen hand – och fått resultaten godkända efter kollegial granskning i Science, en av världens mest ansedda vetenskapliga tidskrifter. Det är en milstolpe som är svår att vifta bort.
Erdős-problemen: notoriskt svåra gissningar från en matematiklegend
Den ungerske matematikern Paul Erdős ägnade sitt liv åt att formulera utmanande gissningar inom kombinatorik och talteori – problem som var enkla att beskriva men fruktansvärt svåra att bevisa. Hans samling av 353 så kallade Erdős-problem har länge fungerat som en inofficiell mätstock för matematisk skärpa.
AlphaProof Nexus löste nio av dessa 353 problem. Två av dem hade stått olösta i 56 år. Forskarteamet valde dessutom att publicera lösningarna öppet på nätet redan innan den vetenskapliga artikeln offentliggjordes – ett ovanligt drag som signalerar tillförsikt.
Därut över bevisade systemet 44 förmodade samband från databasen OEIS, ett välkänt register över heltalsföljder inom matematiken, löste en öppen fråga inom algebraisk geometri och förbättrade ett känt gränsvärde inom min-max-optimering – en teknik som bland annat används vid träning av AI-modeller. Det är alltså ett system som delvis förbättrar de förutsättningar under vilka framtida AI-system kommer att tränas.
Så fungerar systemet – en elegant återkopplingsloop
Det som gör arkitekturen bakom AlphaProof Nexus tekniskt intressant är hur komponenterna samverkar. Kärnan är Gemini 3.1 Pro, som formulerar och reviderar matematiska bevis i det formella språket Lean – ett maskinläsbart bevissystem där varje påstående måste vara logiskt korrekt för att godkännas.
Lean kontrollerar varje utkast efter varje ändring och skickar felmeddelanden tillbaka till Gemini, som justerar sitt nästa försök. Det är i grunden en snabb, automatiserad granskningscykel – systemet kan inte lura sig självt genom att formulera ett bevis som låter övertygande men innehåller logiska brister. Antingen håller beviset, eller gör det inte.
Vid mer krävande delproblem kan systemet även anlita AlphaProof, ett specialiserat bevisverktyg. Men det intressanta, enligt Google, är att AlphaProof Nexus klarade de nio Erdős-problemen även utan hjälp av AlphaProof. Det tyder på att den generella språkmodellen, kombinerad med formell verifiering, är starkare än vad många hade förväntat sig.
Vad skiljer detta från tidigare AI-prestationer inom matematik?
Det har funnits AI-system som klarat matematiktävlingar på olympiadnivå, och det är imponerande. Men tävlingsproblem är konstruerade för att ha lösningar – de är väldefinierade, avbegränsade och lösta av arrangörerna i förväg.
Öppna forskningsproblem är annorlunda. Ingen vet om de ens är lösbara, ingen har en facit att jämföra med, och lösningarna måste hålla under granskning av experter som aktivt letar efter fel. Att klara kollegial vetenskaplig granskning i Science är en helt annan ribba.
Det är den ribban AlphaProof Nexus nu har klarat.
Ett genombrott med bred räckvidd
Matematik är grundläggande för i princip all naturvetenskap, ingenjörskonst och – inte minst – AI-forskning. När AI-system börjar göra originella bidrag till matematiken öppnar det dörrar i flera riktningar simultaneously: snabbare teoretisk utveckling, automatiserad verifiering av komplexa bevis och potentiellt nya angreppssätt på problem som blockerat framsteg inom fysik, kryptografi och optimeringsteori.
Det är inte längre en fråga om om AI kommer att spela en roll i avancerad forskning. Den frågan är besvarad.
Vår analys
Det som gör det här genombrottet särskilt betydelsefullt är inte bara att problemen löstes – det är att lösningarna höll under extern granskning. Kollegial vetenskaplig granskning är designad för att vara svår att lura, och att publicera i Science kräver att resultaten tål kritisk genomlysning av ämnesexperter.
Arkitekturellt är kombinationen av en stor språkmodell och ett formellt verifieringssystem elegant: språkmodellen bidrar med kreativitet och bred matematisk intuition, medan Lean fungerar som en obesticklig domare. Det eliminerar ett av de klassiska problemen med AI-genererade resonemang – att systemet kan producera övertygande men logiskt felaktiga slutledningar.
Framåt pekar detta mot en modell där AI fungerar som en aktiv forskningspartner snarare än ett sökordsverktyg. Det mest spännande är kanske inte vad AlphaProof Nexus löste idag, utan vilka problem som nu plötsligt känns möjliga att ta sig an imorgon.