AI rozwiązuje problemy matematyczne, które opierały się pokoleniom
Przez dziesięciolecia najwybitniejsi matematycy próbowali rozwiązywać zagadnienia, które opierały się kolejnym pokoleniom badaczy. Powstawały tysiące publikacji, rozwijano całe dziedziny nauki, a pojedyncze twierdzenia stawały się przedmiotem wieloletnich sporów. Tymczasem sztuczna inteligencja zaczyna przedstawiać rozwiązania problemów matematycznych w ciągu godzin lub dni, podważając przekonanie o wyjątkowości ludzkiego intelektu. Najnowsze osiągnięcia OpenAI pokazują, że AI przestaje ograniczać się do obliczeń i odtwarzania znanej wiedzy. Coraz częściej uczestniczy w tworzeniu nowych argumentów i dowodów. Matematyka, uznawana za jeden z najwyższych przejawów ludzkiej inteligencji, staje się obszarem bezpośredniej konkurencji między człowiekiem a maszyną.
Setki manuskryptów w jednej publikacji OpenAI
6 października 2026 roku OpenAI udostępniło kolekcję obejmującą początkowo 722 manuskrypty matematyczne, podzielone na 372 rodziny wyników. Materiały powstały przy wykorzystaniu zaawansowanego, nieudostępnionego publicznie modelu AI, któremu przedstawiono około 4000 problemów badawczych. Według OpenAI przeciętny opublikowany rezultat wymagał zasobów obliczeniowych odpowiadających około trzem godzinom intensywnego rozumowania w ChatGPT Pro. Udostępniono również wybrane zapisy rozumowania, argumenty matematyczne oraz formalizacje wykonane w Lean. W kolejnych dniach rozpoczęto wprowadzanie poprawek, co pokazało, że nawet najbardziej zaawansowane systemy mogą generować błędne dowody. Skala publikacji jest niezwykła, lecz należy odróżniać zgłoszone rozwiązania od twierdzeń niezależnie zweryfikowanych i zaakceptowanych przez środowisko naukowe. OpenAI nie potwierdziło również, że za całą październikową kolekcją stoi dokładnie model GPT-6 Astra.
Dziewięćdziesiąt lat badań i 88 godzin obliczeń
Jednym z najbardziej spektakularnych przykładów jest problem istnienia i gładkości rozwiązań równań Naviera-Stokesa, opisujących ruch cieczy i gazów. Od badań Jeana Leraya z 1934 roku zagadnienie pozostawało jednym z fundamentalnych wyzwań matematyki, a w 2000 roku zostało zaliczone do Problemów Milenijnych. 8 września 2026 roku OpenAI ogłosiło znalezienie dowodu powstawania osobliwości w określonym układzie równań. Według przedstawionych danych proces poszukiwania rozwiązania trwał 88 godzin i wykorzystywał około 10 000 równolegle pracujących agentów AI. Dodatkowe prace nad formalizacją w Lean przeprowadzono z udziałem GPT-6 Astra. Osiągnięcie pokazuje potencjał ogromnych systemów wieloagentowych, ale jego pełne znaczenie zależy od niezależnej oceny matematycznej i zgodności dowodu z dokładnym zakresem rozpatrywanego problemu. Nie można utożsamiać tego eksperymentu z samodzielną odpowiedzią pojedynczego chatbota.
Hipoteza Riemanna i granice nowych twierdzeń
Wśród wyników opublikowanych przez OpenAI znalazły się także twierdzenia związane z jednymi z najbardziej znanych problemów teorii liczb. Szczególne zainteresowanie wzbudziła quasi-hipoteza Riemanna, dotycząca ograniczeń obszaru występowania zer określonych funkcji matematycznych. Przedstawiony argument miałby wykluczać odpowiednie zera w obszarze, w którym część rzeczywista przekracza 7/8, co stanowiłoby istotne wzmocnienie wcześniejszych rezultatów. Nie jest to jednak dowód pełnej hipotezy Riemanna, sformułowanej w 1859 roku. Równie ambitne twierdzenia dotyczą dziesiątego problemu Hilberta nad liczbami wymiernymi, gdzie rozważana jest możliwość stworzenia uniwersalnego algorytmu rozstrzygającego istnienie rozwiązań równań wielomianowych. Wyniki tej klasy pokazują, że AI podejmuje problemy leżące na granicy współczesnej wiedzy, choć ostateczna ocena przedstawionych dowodów wymaga dalszej kontroli naukowej.
GPT-6 Astra i nowe spojrzenie na teorię grafów
Bezpośrednio z GPT-6 Astra powiązano również prace dotyczące hipotezy Erdősa-Sósa, należącej do teorii grafów. Zagadnienie opisuje warunki gwarantujące występowanie określonych struktur drzewiastych w grafach o odpowiednich własnościach. We wrześniu 2026 roku matematyk Jay Cummings przedstawił opracowanie wyjaśniające dowód przypisany temu modelowi. Szczególnie interesujący jest nowy podział pracy, w którym AI generuje argument matematyczny, a człowiek zajmuje się jego analizą, uporządkowaniem i zrozumiałym przedstawieniem. Jeszcze niedawno znalezienie dowodu stanowiło centralny element działalności badawczej. Obecnie coraz większego znaczenia może nabierać zdolność oceny rezultatów generowanych przez systemy komputerowe. Odkrycie matematyczne przestaje być wyłącznie rezultatem indywidualnego wysiłku badacza, stając się częścią współpracy między ludzką wiedzą a zaawansowanym AI.
Laureaci Medalu Fieldsa ostrzegają przed dominacją laboratoriów
Rozwój matematycznych możliwości AI wywołał zdecydowaną reakcję środowiska akademickiego. W niezależnej Advisory Group on Mathematics and Artificial Intelligence, czyli AGMAI, uczestniczą między innymi Timothy Gowers, Martin Hairer i Edward Witten, laureaci Medalu Fieldsa, a także Ravi Vakil oraz Melanie Matchett Wood. W stanowisku opublikowanym 6 października uznano prezentację wyników OpenAI za wydarzenie o dużym znaczeniu dla matematyki. Jednocześnie podkreślono, że upublicznienie dowodu nie jest zakończeniem procesu naukowego, ponieważ niezbędne pozostają jego weryfikacja, zrozumienie i włączenie do istniejącej wiedzy. Zwrócono również uwagę na ryzyko koncentracji najpotężniejszych narzędzi badawczych w kilku prywatnych przedsiębiorstwach. Najważniejszym postulatem AGMAI pozostaje zachowanie otwartości matematyki oraz zapewnienie naukowcom sprawiedliwego dostępu do zaawansowanych modeli i infrastruktury obliczeniowej.
Terence Tao i spór o przyszłość nauki
Znacznie ostrzejszą krytykę przedstawiła Association for Human Mathematics, której stanowisko 7 października opublikowano gościnnie na blogu Terence’a Tao. Nie było to jednak osobiste oświadczenie słynnego matematyka. Organizacja zakwestionowała sposób masowego udostępnienia setek wyników i wezwała do zaprzestania współpracy z OpenAI. W centrum sporu znalazło się pytanie o odpowiedzialność naukową, przejrzystość badań i rolę człowieka w procesie tworzenia matematycznej wiedzy. Również Bryna Kra z Northwestern University wskazywała na jednoczesną ekscytację możliwościami nowych modeli i obawę o konsekwencje ich rozwoju. Stanowiska te nie oznaczają automatycznego odrzucenia osiągnięć AI, lecz sprzeciw wobec sytuacji, w której tempo technologicznych demonstracji zaczyna wyprzedzać standardy naukowej kontroli.
Formal Verification nie zastępuje rozumienia
Jednym z najważniejszych elementów publikacji OpenAI są formalizacje dowodów w Lean 4, umożliwiające komputerowe sprawdzanie poprawności określonych rozumowań. Taki system pozwala wykrywać błędy logiczne w formalnie zapisanych argumentach, ale nie eliminuje wszystkich zagrożeń. Poprawnie sprawdzona formalizacja nie gwarantuje automatycznie, że wiernie oddaje każde założenie i każdy wniosek przedstawiony w pierwotnym tekście matematycznym. Problem ten podniesiono również w opracowaniu Navier-Stokes lost in translation, analizującym rozbieżności pomiędzy argumentacją naturalnojęzykową a formalnym zapisem. Dodatkowo pierwsze korekty październikowej kolekcji potwierdziły konieczność szczegółowej kontroli wygenerowanych materiałów. Wiarygodność matematyki tworzonej przez AI wymaga połączenia Formal Verification, niezależnego przeglądu eksperckiego oraz sprawdzenia, czy sformułowane twierdzenie rzeczywiście rozstrzyga deklarowany problem.
Ludzki geniusz traci monopol na odkrycia
Najbardziej niewygodna konsekwencja postępu AI wykracza daleko poza same równania. Przez stulecia wybitnych matematyków postrzegano jako niemal niedoścignione umysły, a rozwiązanie jednego trudnego problemu mogło zapewnić badaczowi miejsce w historii nauki. Obecnie systemy AI zaczynają przedstawiać argumenty dotyczące zagadnień, nad którymi całe pokolenia naukowców pracowały przez dziesiątki lat. Kontrast między wieloletnim wysiłkiem akademickim a kilkudniowymi eksperymentami obliczeniowymi jest uderzający. Nie oznacza to jednak uczciwego porównania jednego człowieka z jednym modelem, ponieważ współczesne systemy wykorzystują wiedzę wielu pokoleń oraz olbrzymie zasoby infrastruktury. Podważone zostaje natomiast przekonanie, że kreatywność matematyczna, odkrywanie nowych twierdzeń i konstruowanie dowodów muszą na zawsze pozostawać wyłączną domeną człowieka. W tym sensie AI pokazuje, jak względna może być nawet najbardziej imponująca ludzka przewaga intelektualna.
Nadmiar odkryć staje się nowym wyzwaniem
Dotychczas największym ograniczeniem matematyki była trudność znajdowania nowych rozwiązań. Rozwój zaawansowanych modeli może doprowadzić do sytuacji odwrotnej, w której potencjalnych dowodów będzie powstawało więcej, niż środowisko naukowe zdoła dokładnie ocenić. Najcenniejszą kompetencją może wówczas stać się nie samo poszukiwanie twierdzeń, lecz rozpoznawanie tych, które są poprawne, rzeczywiście nowe i mają fundamentalne znaczenie. Zmieni się także ekonomia badań, ponieważ generowanie argumentów przez AI może być znacznie szybsze od ich ludzkiej interpretacji. Równocześnie powstanie ryzyko pogłębienia nierówności między niezależnymi badaczami a laboratoriami dysponującymi tysiącami agentów i ogromnymi budżetami obliczeniowymi. Przyszłość matematyki będzie więc zależała nie tylko od wydajności modeli, ale również od jakości weryfikacji, dostępności technologii i zdolności człowieka do nadawania odkryciom naukowego znaczenia.
Nowa granica ludzkiej wyjątkowości
Historia technologii wielokrotnie zmuszała człowieka do zmiany wyobrażenia o własnych możliwościach. Maszyny przemysłowe przewyższyły ludzką siłę, komputery osiągnęły nieporównywalną szybkość obliczeń, a programy szachowe pokonały najlepszych arcymistrzów. Matematyczna kreatywność długo pozostawała jednym z ostatnich symbolicznych bastionów ludzkiej wyjątkowości. Wyniki przedstawione przez OpenAI sugerują, że nawet w tej dziedzinie genialny człowiek nie musi już być najskuteczniejszym narzędziem poszukiwania nowych prawd. Nie dowodzą jednak, że AI przewyższa wszystkich matematyków ani że potrafi bezbłędnie rozstrzygać dowolne zagadnienie. Szczególnej ironii nabiera sytuacja, w której systemy wcześniej lekceważone jako niedoskonałe imitacje rozumowania zaczynają przedstawiać rozwiązania problemów przekraczających dotychczasowe możliwości nauki. Największym wyzwaniem może okazać się zaakceptowanie faktu, że intelektualna wyjątkowość człowieka nie jest równoznaczna z jego trwałą przewagą nad sztuczną inteligencją.
