Terobosan Matematika AI OpenAI: Apa Arti Hasil Terbaru

Pada 6 Oktober 2026, OpenAI mengunggah 722 naskah matematika ke GitHub. Merupakan keluaran dari model frontier internal yang belum dirilis, naskah-naskah ini mencakup aljabar, teori bilangan, topologi, ilmu komputer teoretis, dan logika matematika, semuanya dihasilkan hanya dalam hitungan minggu. Skalanya tidak seperti apa pun yang pernah dilihat komunitas riset dari sebuah sistem AI.

Untuk memahami mengapa ini terasa berbeda dari sekadar skor benchmark, ada baiknya melihat gambaran besarnya. Ini adalah model yang sama yang, beberapa minggu sebelumnya, mengklaim menyelesaikan Masalah Hadiah Millennium Navier-Stokes, hasil yang menyusul penyapuan sepuluh masalah terbuka puluhan tahun oleh Astra dalam satu hari pada Agustus. Masing-masing momen itu menimbulkan pertanyaannya sendiri. Namun rilis 6 Oktober ini berbeda secara hakikat, bukan hanya skala. OpenAI menyajikan 722 naskah sebagai kontribusi nyata bagi literatur riset matematika—bukan jawaban benchmark, bukan solusi kompetisi.

Saya telah mengikuti dorongan OpenAI di bidang matematika sejak rilis Astra pada Agustus, dan yang ini perlu dibedah dengan lebih cermat dibanding dua hasil sebelumnya. Di bawah ini, kita akan melihat apa yang sebenarnya dihasilkan AI, hasil mana yang menonjol, bagaimana verifikasi bekerja dalam praktik, dan apa yang dikhawatirkan para matematikawan.

Apa Sebenarnya yang Dicapai AI OpenAI?

OpenAI mengarahkan model frontier internal yang belum dirilis pada masalah riset matematika terbuka. Model ini tidak sekadar meraih skor tinggi pada uji kompetisi. Ia menghasilkan argumen matematika yang disusun sebagai naskah, dikirim ke GitHub bersama formalisasi pembuktian Lean dan ringkasan penalaran model.

Meraih skor tinggi pada benchmark AMC atau IMO menunjukkan AI mampu menangani soal kompetisi yang dirancang cerdas. Menghasilkan naskah yang mengklaim menyelesaikan pertanyaan terbuka lama di bidang riset aktif adalah hal yang berbeda. Keluaran ini disajikan sebagai kandidat kontribusi bagi pengetahuan matematika. Apakah mampu bertahan dari telaah adalah pertanyaan terpisah, dan jawabannya akan memerlukan waktu.

Berapa Banyak Hasil Matematika yang Dirilis OpenAI?

Anda akan melihat beberapa angka dalam pemberitaan, dan itu bukan kontradiksi. Mereka menghitung hal yang berbeda.

Repositori tersebut berisi 722 naskah yang diorganisasi ke dalam 372 keluarga hasil. Satu keluarga mengelompokkan makalah terkait: hasil utama beserta argumen pendamping, pembuktian alternatif, atau konsekuensi turunannya. Jadi 372 keluarga menghasilkan 722 naskah karena banyak hasil datang dengan materi pendukung. Bingkai "ratusan hasil" kira-kira akurat; 372 adalah hitungan yang lebih presisi untuk temuan matematika yang berbeda.

README mengingatkan bahwa sebagian hasil bisa bermasalah, dan OpenAI menyatakan akan memperbaiki masalah semacam itu sembari terus menambahkan formalisasi Lean. Ingatlah catatan ini saat pemberitaan membuat angka-angka itu terdengar lebih pasti daripada kondisi sebenarnya.

Bidang Matematika Apa yang Dikerjakan AI OpenAI?

Rilis ini mencakup sekitar 20 subbidang matematika. Berikut peta kasar wilayahnya, karena sebagian bidang ini kurang familier bagi audiens teknis namun non-matematis:

• Aljabar dan teori grup mempelajari struktur matematika yang dibangun dari operasi dan simetrinya. Di sinilah beberapa hasil yang paling banyak dibahas bermuara.
• Teori bilangan membahas sifat-sifat bilangan bulat dan bilangan prima. Fungsi zeta Riemann, yang memuat distribusi bilangan prima, muncul dalam beberapa hasil.
• Topologi mempelajari sifat-sifat yang bertahan di bawah deformasi kontinu. Dugaan Hodge (lebih lanjut di bawah) berada pada irisan topologi dan geometri aljabar.
• Ilmu komputer teoretis menanyakan pertanyaan mendasar tentang komputasi: apa yang dapat dihitung, seefisien apa, dan masalah apa yang menolak algoritme efisien. Model OpenAI menghasilkan lebih dari 80 makalah hanya di area ini.
• Logika matematika menelaah landasan formal dari penalaran matematika itu sendiri.

Apa Saja Hasil Terbesarnya?

Perlu kehati-hatian di sini. Ada perbedaan nyata antara hasil yang dihasilkan AI, pembuktian yang diperiksa oleh Lean, pembuktian yang diverifikasi oleh matematikawan manusia, dan hasil yang diakui komunitas matematika secara independen sebagai kemajuan besar. Rilis ini mencampurkan keempat kategori tersebut.

Meski begitu, sejumlah hasil telah menarik minat tulus dari matematikawan independen.

Fungsi zeta Riemann: wilayah bebas nol baru

Hipotesis Riemann masih belum terselesaikan. Model OpenAI tidak menyelesaikannya. Yang kabarnya ditetapkan adalah wilayah bebas nol baru: menunjukkan bahwa tidak ada nol untuk Re(s) > 11/12. Hasil parsial semacam ini bermakna dalam teori bilangan analitik karena wilayah bebas nol membatasi distribusi bilangan prima. Penulisannya diedit manusia demi keterbacaan, menjadikannya pengecualian penting dari proses produksi naskah lainnya. Pemeriksaan ulang independen atas hasil kuasi-Riemann terkait lulus inspeksi awal.

Dugaan direct-finiteness Kaplansky pada karakteristik dua

Irving Kaplansky menduga puluhan tahun lalu bahwa cincin grup memiliki sifat aljabar khusus yang disebut keterhinggaan langsung (direct finiteness). Kasus untuk karakteristik dua sangat sulit ditembus. Model ini kabarnya menyelesaikannya. Formalisasi Lean tercantum tersedia.

Isomorfisme faktor grup bebas

Ini menyangkut aljabar von Neumann, struktur dalam analisis fungsional yang memuat simetri tertentu dari sistem kuantum. Pertanyaan apakah semua faktor grup bebas itu isomorfis telah lama terbuka. Model ini mengklaim menuntaskan dugaan de la Harpe dan Voiculescu, menunjukkan bahwa aljabar von Neumann dari grup fundamental permukaan tertutup terorientasi dengan genus ≥ 2 adalah faktor grup bebas. Pemeriksaan ulang independen lulus.

Eksponen perkalian matriks

Salah satu hasil yang lebih signifikan secara praktis: model ini kabarnya menetapkan ω ≤ 2,25 pada bilangan kompleks, dengan ω adalah eksponen perkalian matriks. Ini adalah objek matematika di balik seberapa efisien komputer dapat mengalikan matriks, masalah dengan implikasi nyata bagi algoritme di seluruh ilmu komputer. Perlu dicatat bagi siapa pun berlatar keuangan atau teknik: efisiensi perkalian matriks menopang hampir setiap komputasi numerik skala besar.

Rumus Mézard-Parisi untuk kaca spin terencerkan

Fisika statistik bertemu teori peluang: ini menyangkut energi bebas dari sistem magnetik tak teratur. Rumus Mézard-Parisi telah diduga tetapi belum sepenuhnya terbukti pada kasus terencerkan.

Dugaan Hodge untuk variasi abelian CM

Kasus terbatas dari salah satu dari tujuh Masalah Hadiah Millennium. Dugaan Hodge menanyakan apakah fitur topologis tertentu dari varietas aljabar selalu dapat direpresentasikan secara aljabar. Model ini kabarnya menetapkannya untuk variasi abelian CM, kelas khusus yang terstruktur. Ini bukan Dugaan Hodge penuh, yang masih terbuka, tetapi kasus khusus yang telah lama dituju para matematikawan. Hasil ini juga ditandai sebagai pengecualian dari prosedur produksi standar.

Hasil magnetisasi spontan untuk feromagnet Heisenberg kuantum dan batas kuasipolinomial untuk deret aritmetika sama-sama menarik minat peneliti yang mengevaluasi rilis ini, meski verifikasi independen yang komprehensif akan memakan waktu cukup lama.

Bagaimana AI OpenAI Menghasilkan Hasil-Hasil Ini?

OpenAI memublikasikan lebih banyak detail metodologis dibanding beberapa rilis sebelumnya, meski gambaran besarnya masih belum lengkap.

Model ini diajukan sekitar 4.000 masalah selama evaluasi. Sebagian besar hasil berasal dari prosedur tetap menggunakan model internal yang sama. Dua hasil menyimpang dari proses standar itu: kerja wilayah bebas nol zeta Riemann dan Dugaan Hodge untuk variasi abelian CM. Rata-rata, satu hasil menggunakan komputasi yang kurang lebih setara dengan tiga jam pemikiran ChatGPT Pro. Itu titik acuan yang berguna, namun jangan dibaca seolah setiap masalah memerlukan tiga jam. Angka itu menggambarkan rata-rata komputasi per hasil, bukan total waktu berlalu atau biaya upaya yang gagal.

Untuk konteks, metodologi ini jauh lebih sistematis daripada sebelumnya. Ketika Astra menyelesaikan sepuluh masalah terbuka pada Agustus, tiap solusi kabarnya menelan biaya sekitar $2.000 untuk inferensi. Sebelumnya, sprint Navier-Stokes menghabiskan 10.000 agen paralel selama 88 jam dengan estimasi $22,5 juta total komputasi, pendekatan brute-force yang menghasilkan baik sebuah hasil maupun sengketa kredit yang signifikan. Rilis 6 Oktober ini tampak kurang seperti sprint dan lebih seperti program riset berkelanjutan: komputasi per hasil lebih rendah, cakupan lebih luas, struktur yang disengaja di sekitar keluarga hasil terkait.

OpenAI merilis ringkasan penalaran untuk 10 hasil, bersama estimasi komputasi dan statistik tentang masalah yang dicoba. Kelompok Penasihat Matematika dan Kecerdasan Buatan menyerukan langkah lebih jauh dengan merilis semua prompt dan rantai penalaran lengkap. Ada celah antara apa yang disediakan OpenAI dan apa yang ingin dilihat sebagian komunitas matematika.

Bagaimana Pembuktian Matematika OpenAI Diverifikasi?

Verifikasi barangkali bagian paling berdampak dari kisah ini. Ada baiknya presisi tentang lapisan-lapisan yang terlibat.

Formalisasi Lean

Lean adalah bahasa pemrograman dan asisten pembuktian yang memungkinkan pembuktian matematika diekspresikan dalam bentuk yang dapat diperiksa komputer secara mekanis. Jika sebuah bukti lolos pemeriksaan di Lean, langkah-langkah logisnya secara formal benar dengan asumsi yang dinyatakan. Banyak dari 722 naskah memiliki formalisasi Lean yang menyertainya, meski tidak semuanya.

Yang ditegakkan verifikasi Lean adalah ketepatan formal. Yang tidak ditegakkan adalah apakah pernyataan formal itu secara akurat merepresentasikan pertanyaan matematika yang dimaksud, apakah hasilnya benar-benar baru, atau apakah penalarannya bermakna bagi matematikawan yang ingin membangunnya lebih lanjut.

Verifikasi matematika oleh manusia

Di sinilah proses melambat. Matematikawan masih perlu menentukan apakah pernyataan formal benar-benar menangkap masalah terbuka yang diklaim ditangani, apakah teknik buktinya baru, dan apakah hasilnya baru relatif terhadap literatur yang ada. Dana Moshkovitz, seorang teoritis kompleksitas, menggambarkan naskah-naskah itu terasa "seperti sesuatu yang ditulis oleh seseorang yang sedang mengonsumsi psikedelik" dan cukup sulit dibaca tanpa bantuan AI, seraya mengakui ada banyak hal yang bisa dipelajari dari hasil-hasilnya. Ketepatan teknis bersamaan dengan paparan yang sulit diurai menciptakan pekerjaan nyata bagi para pemeriksa manusia.

Telaah sejawat dan verifikasi independen

Publikasi di GitHub bukan telaah sejawat. Dewan penasihat menyatakan secara lugas bahwa rilis ini merepresentasikan "awal, bukan akhir, dari proses pemahaman manusia dan pengintegrasian karya ini ke dalam pengetahuan matematika." Pada 722 naskah di 20 subbidang, evaluasi independen yang komprehensif adalah proyek bertahun-tahun.

Ketepatan formal, pemahaman matematis, kebaruan, dan arti ilmiah adalah pertanyaan terpisah. Bukti yang diverifikasi Lean dapat memenuhi yang pertama tanpa menyelesaikan yang lainnya.

Seberapa Banyak Matematika yang Benar-Benar Dikerjakan AI?

Tidak ada jawaban yang bersih untuk ini.

Manusia memilih atau merumuskan banyak masalah yang diajukan ke model. Literatur matematika yang ada menyediakan konteks intelektual tempat AI bekerja. Model menghasilkan argumen matematika. Peneliti manusia membantu menyiapkan naskah, dan Lean memformalkan pembuktian. Jadi "siapa yang mengerjakan matematika?" mencakup rantai kontribusi, bukan bertumpu pada satu pihak.

Sebagian matematikawan mengangkat kekhawatiran yang lebih tajam: bahwa model terkadang mungkin menyelesaikan garis riset manusia yang sudah ada alih-alih secara independen menemukan pendekatan baru. Ini mencuat tajam setelah klaim Navier-Stokes. Matematikawan Tristan Buckmaster, yang karya berbantuan AI-nya sendiri pada persamaan terkait muncul beberapa jam sebelum pengumuman OpenAI, mengajukan pertanyaan serius tentang kredit. Ia menuduh bahwa setahun kerja tak dipublikasikannya telah, sadar atau tidak, membentuk arah sprint OpenAI; OpenAI membantah mengakses prompt privat atau riset yang belum dipublikasikan. Sengketa itu masih belum terselesaikan. Kekhawatiran yang sama—tentang landasan intelektual siapa yang sebenarnya dibangun hasil AI—berlaku pada rilis Oktober, bahkan ketika tidak ada satu peneliti pun yang disebut.

Ekonom Joshua Gans mengusulkan kerangka yang berguna: penemuan matematika memiliki tiga tahap. Memilih masalah, menyelesaikan masalah, memahami dan menerapkan hasil. AI mungkin semakin mengotomatiskan langkah tengah. Itu tidak menghapus perbedaan kontribusi manusia dan mesin, tetapi menggeser distribusi usaha.

Mengapa Matematikawan Khawatir?

Kekhawatirannya tidak seragam. Tidak akurat menggambarkan komunitas matematika sekadar menolak AI. Berikut yang sebenarnya dikhawatirkan oleh para pengkritik paling serius.

Pemahaman bisa tertinggal dari penemuan

Ketika seorang matematikawan menghasilkan bukti, prosesnya biasanya melahirkan alat, intuisi, dan wawasan yang menjadi bagian dari budaya matematika. Ketika model menghasilkan bukti yang benar tetapi buram, hasilnya ada tanpa pemahaman yang mengelilinginya. Terence Tao, yang sebelum pengumuman Navier-Stokes secara eksplisit memperingatkan tentang biaya peluang mengubah masalah terbuka yang historis produktif menjadi momen benchmark viral, mengemukakan kekhawatiran bahwa menumpuk jawaban benar tanpa memahami bagaimana atau mengapa jawaban itu benar merugikan matematika sebagai praktik dalam jangka panjang. Itu bukan sekadar masalah estetika.

Ratusan hasil sulit ditelaah

Kapasitas komunitas matematika untuk telaah sejawat terbatas. Ketika AI dapat menghasilkan riset lebih cepat daripada kemampuan komunitas mengevaluasinya, akan terbentuk tunggakan yang mendistorsi cara pengetahuan matematika ditegakkan. Seorang kritikus menggambarkan rilis ini sebagai "mencurigakan seperti Gish Gallop," membanjiri ranah dengan begitu banyak naskah sehingga kesalahan bisa bertahan tak tertantang selama bertahun-tahun. Kekhawatiran ini punya preseden baru-baru ini: rilis sepuluh masalah Astra pada Agustus belum sepenuhnya ditelaah sejawat berbulan-bulan kemudian. Tujuh puluh dua kali lipat volume itu adalah tantangan yang berbeda secara kategoris.

Riset manusia yang ada dan kredit

Sejumlah hasil dibangun di atas karya sebelumnya yang spesifik dari peneliti tertentu. Bagaimana utang intelektual itu direpresentasikan benar-benar diperdebatkan. Episode Navier-Stokes membuat ini konkret: seorang peneliti menghabiskan setahun pada karya yang belum dipublikasikan yang mungkin membentuk sprint AI bernilai jutaan dolar, dan akhirnya malah menghadapi pertanyaan tentang kariernya. Rekomendasi kelompok penasihat secara khusus membahas prosedur sitasi karena alasan ini.

Model proprieter menciptakan ketimpangan akses

Model yang menghasilkan hasil-hasil ini tidak tersedia untuk publik. Matematikawan akademik yang ingin bekerja pada tingkat kapabilitas ini tidak memiliki alat yang sama seperti tim internal OpenAI. Rekomendasi 29 September dari kelompok penasihat secara eksplisit meminta laboratorium AI berhenti menguji masalah matematika tingkat lanjut pada model proprieter yang tidak dapat diakses komunitas riset yang lebih luas. OpenAI mengakui rekomendasi itu tanpa sepenuhnya mengadopsinya.

Riset matematika bisa terkonsentrasi di lab AI

Jika garis depan penemuan matematika memerlukan akses ke komputasi frontier dan model proprieter, maka keputusan tentang masalah mana yang penting dan hasil mana yang dipublikasikan bisa makin banyak dibuat di dalam sejumlah kecil organisasi privat. Itu struktur yang sangat berbeda dari sejarah matematika.

Ini adalah kekhawatiran yang diangkat oleh anggota komunitas matematika, bukan kesimpulan final, dan tidak semua matematikawan membaginya secara setara.

Pendekatan Baru OpenAI dalam Mempublikasikan Matematika AI

OpenAI telah mengambil beberapa langkah untuk menanggapi kekhawatiran komunitas, meski kelompok penasihat meminta lebih banyak.

Rilis ini dipublikasikan di GitHub dengan lisensi Apache-2.0 dan protokol revisi. Versi sebelumnya tetap dapat diakses saat koreksi dilakukan. Setiap naskah menyertakan blok BibTeX untuk sitasi. Formalisasi Lean menyertai banyak hasil. OpenAI memublikasikan ringkasan penalaran untuk 10 hasil dan estimasi komputasi yang dinyatakan dalam jam ChatGPT Pro.

OpenAI berkonsultasi dengan Kelompok Penasihat Matematika dan Kecerdasan Buatan di Institute for Advanced Study sepanjang rilis ini. Kelompok ini mencakup Melanie Matchett Wood (Harvard), Edward Witten (IAS), Ravi Vakil (Stanford), Ulrike Tillmann (Oxford), dan lainnya—sembilan matematikawan terkemuka yang beroperasi secara independen dan tanpa bayaran dari OpenAI.

Sikap mereka adalah bahwa rilis ini merupakan titik awal. Melanie Wood menggambarkannya sebagai "awal, bukan akhir, dari proses pemahaman manusia." Kelompok ini meminta OpenAI merilis semua prompt dan rantai penalaran lengkap, menggunakan repositori ilmiah dengan pengenal sitasi persisten alih-alih GitHub, dan mendukung pengembangan pemahaman manusia melalui institusi yang tidak dikendalikan lab AI. OpenAI berkomitmen untuk menuju standar tersebut. Belum semuanya dipenuhi.

Apa Arti AI bagi Peran Matematikawan?

Pertanyaan yang lebih menarik bukan apakah AI menggantikan matematikawan. Tidak, setidaknya belum, dan mungkin tidak dalam hal-hal yang paling penting. Pertanyaan yang lebih menarik adalah bagaimana pekerjaan matematika berubah ketika pembuatan bukti menjadi jauh lebih murah.

Kembali ke kerangka pilih → selesaikan → pahami: jika AI makin banyak menangani langkah penyelesaian, keahlian manusia menjadi lebih berharga pada kedua ujungnya. Menentukan masalah mana yang layak dikejar, merumuskan dugaan yang baik, menafsirkan arti suatu hasil, menghubungkan temuan baru dengan matematika yang ada, menerapkan penemuan dalam konteks baru. Inilah tahap-tahap di mana penilaian manusia tetap tak tergantikan. Seperti yang saya bahas dalam tulisan tentang hasil Astra bulan Agustus, keterampilan mengajukan masalah yang baik dan mengetahui mana yang layak diserang adalah hal yang belum bisa ditiru AI. Pengamatan itu kini semakin relevan.

Matematikawan Mehtaab Sawhney, yang bergabung dengan OpenAI pada 2026 setelah berkarya di Columbia, mengamati bahwa ketika AI mempercepat penemuan, hambatan utama bagi matematikawan manusia bergeser dari menghasilkan bukti menjadi menyerap dan mengontekstualisasikan matematika yang dihasilkan AI.

Yang berubah ketika pembuatan bukti menjadi lebih murah adalah ke mana kelangkaan berpindah. Sumber daya yang langka mungkin semakin bukan kemampuan membuktikan sesuatu, melainkan kemampuan memilih hal yang tepat untuk dibuktikan dan memahami mengapa solusinya penting.

Kesimpulan

Rilis 6 Oktober paling tepat dipahami sebagai langkah terbaru dalam lintasan yang sepanjang tahun ini kian cepat. Pada Agustus, Astra menyelesaikan sepuluh masalah berusia puluhan tahun dalam satu hari. Pada September, sprint 88 jam dengan 10.000 agen menghasilkan klaim yang diperdebatkan namun terverifikasi Lean pada varian Masalah Hadiah Millennium Navier-Stokes, bersama sengketa kredit yang belum terselesaikan yang memperlihatkan ketegangan nyata antara AI dan riset independen. Kini, pada Oktober, model frontier yang sama menghasilkan 722 naskah di 20 subbidang hanya dalam hitungan minggu.

Sebagian hasil tersebut—wilayah bebas nol zeta Riemann, batas perkalian matriks, isomorfisme faktor grup bebas—sudah menarik perhatian serius dari matematikawan yang memahami area ini dengan baik. Namun jumlah naskah bukanlah ceritanya. Yang penting adalah apakah hasil-hasil individual bertahan, apakah benar-benar baru, dan apakah komunitas matematika dapat menyerapnya. Verifikasi Lean menegakkan ketepatan formal, bukan pemahaman matematis. Publikasi di GitHub bukan telaah sejawat. Pada 722 naskah, evaluasi independen yang komprehensif akan memakan waktu bertahun-tahun.

Bidang ini kini menghadapi pertanyaan yang belum pernah perlu dijawab sebelumnya: bukan apakah AI bisa menyelesaikan masalah matematika sulit, melainkan apa yang terjadi ketika AI dapat menghasilkan riset matematika lebih cepat daripada kemampuan manusia mengevaluasinya. Jika pembuatan bukti menjadi cukup murah hingga membanjiri literatur riset, sumber daya yang langka bergeser dari menghasilkan jawaban menjadi memilih pertanyaan yang tepat dan memahami mengapa jawaban itu penting. Itu perubahan dalam apa yang dituntut matematika dari para matematikawan. Bukan akhir dari pekerjaan.