Lewati ke konten utama

Claude Mencoba Hipotesis Riemann. Begini Hasilnya.

Bukan, ia tidak memecahkan hipotesis Riemann. Namun ia tersandung pada sebuah peningkatan nyata yang terverifikasi Lean atas batas berusia 50 tahun.
Diperbarui 28 Sep 2026  · 7 mnt Baca

Jelajahi bersama AI

ChatGPTClaudePerplexity

Hari ini, 10 Agustus, Anthropic menerbitkan sebuah catatan riset yang menjelaskan apa yang terjadi ketika seorang staf meminta Claude untuk mencoba hipotesis Riemann, yang mungkin merupakan masalah matematika terbuka paling terkenal. (Selalu mengingat investornya, Anthropic menegaskan bahwa proyek ini dilakukan pada versi model Claude yang belum dirilis.)

Claude tidak membuktikan hipotesis tersebut. Tidak ada yang mengharapkannya. Namun di suatu titik dalam upaya itu, saat mengerjakan pertanyaan sampingan dalam ranah yang sama, Claude menghasilkan perbaikan nyata pada sebuah batas bawah yang lama: proporsi nol dari fungsi zeta Riemann yang diketahui berada pada "garis kritis" seperti yang diprediksi oleh hipotesis. Sebelumnya, angkanya 41,6%, yang mewakili kerja berpuluh-puluh tahun. Hasil Claude meningkatkannya menjadi 67,2%.

Dua matematikawan Anthropic meninjau pekerjaan ini secara internal, dan dua pakar luar bernama Brian Conrey dan Dan Goldston dilibatkan untuk menelaahnya. Claude juga menghasilkan formalisasi Lean yang dapat diperiksa mesin untuk buktinya, sehingga langkah-langkah logisnya bisa diverifikasi secara mekanis. Hasilnya valid, signifikan, dan menarik. 

Apa Sebenarnya Hipotesis Riemann Itu?

Saya tidak akan menyuruh Anda membuka artikel lain untuk memahami bagian ini: Fungsi zeta Riemann adalah sebuah fungsi matematika yang, secara tidak langsung, memuat informasi tentang sebaran bilangan prima.

Apa istimewanya bilangan prima?

Bilangan prima bukan acak dalam arti tak tertebak satu per satu.

Keprimaan suatu bilangan sepenuhnya ditentukan. Namun bilangan prima juga tidak mengikuti rumus sederhana karena tidak ada persamaan yang langsung menghasilkan bilangan prima ke-100 juta.

Ada beberapa rumus yang memang menemukan bilangan prima, tetapi pada dasarnya itu hanya versi tersamar dari memeriksa setiap bilangan satu per satu. Namun jika dilihat dari jauh, bilangan prima makin jarang dengan laju yang sebenarnya bisa Anda prediksi cukup baik: Di sekitar suatu bilangan besar n, kira-kira 1 dari setiap ln(n) bilangan adalah prima, dan rasio itu bertahan saat n membesar.

Apa itu fungsi zeta, dan bagaimana kaitannya dengan bilangan prima?

Seperti banyak fungsi lainnya, fungsi zeta memiliki "nol", yaitu titik-titik di mana keluarannya tepat nol, dan dalam kasus fungsi zeta, ada tak terhitung banyaknya. Sebagian nol itu bersifat sepele dan dipahami dengan baik; yang menarik adalah sisanya, dan hipotesis Riemann menyatakan bahwa setiap nol non-sepele itu terletak persis pada satu garis vertikal tertentu, yang disebut garis kritis.

Begini cara melihat kaitannya dengan bilangan prima. Fungsi zeta, dalam bentuk paling sederhana, adalah sebuah deret jumlah: 1 + 1/2ˢ + 1/3ˢ + 1/4ˢ + 1/5ˢ + ... menjumlahkan setiap bilangan bulat, dimasukkan ke suatu eksponen s. Belum ada kaitan dengan bilangan prima. Ini hanya penjumlahan pecahan.

Trik Euler, pada 1700-an, menunjukkan bahwa deret tak hingga yang sama itu persis sama dengan hasil kali tak hingga yang hanya menggunakan bilangan prima: rangkaian suku seperti 1/(1 − 1/2ˢ) × 1/(1 − 1/3ˢ) × 1/(1 − 1/5ˢ) × 1/(1 − 1/7ˢ) × ..., satu faktor untuk setiap bilangan prima, tanpa ada bilangan komposit di dalamnya. Alasan ini berhasil kembali pada faktorisasi unik: setiap bilangan bulat terurai menjadi bilangan prima dengan satu cara yang unik, sehingga menjumlahkan semua bilangan bulat dan mengalikan semua bilangan prima pada akhirnya memuat informasi yang identik. Kesetaraan itulah penghubungnya. Artinya fungsi zeta bukan sekadar berkaitan dengan bilangan prima, melainkan benar-benar pengemasan ulang dari bilangan-bilangan tersebut.

Terakhir: Riemann menunjukkan bahwa nol-nol ini mengendalikan suku galat dalam bagaimana bilangan prima makin jarang (estimasi "kira-kira 1 dari setiap ln(n)" tadi). Nol-nol itu berperan seperti catatan kaki yang mengoreksi perkiraan kasar: di sanalah deviasi antara posisi sebenarnya bilangan prima dan rerata halusnya muncul. Hipotesis Riemann menyatakan bahwa setiap nol yang menarik (yang "non-sepele" yang kita bicarakan tadi) terletak persis pada satu garis vertikal tertentu, disebut garis kritis, yang jika benar, berarti deviasi itu tetap sekecil dan sestabil mungkin, dan bilangan prima tersebar seprediktif mungkin.

Lalu Apa Arti 41,6% dan 67,2%?

Hipotesis Riemann menyatakan 100% nol non-sepele berada pada garis kritis. Belum ada yang membuktikannya, dan belum ada juga yang membantahnya. Yang berhasil dibuktikan matematikawan, dengan metode yang sama sekali berbeda, adalah sebuah lantai: fraksi minimum yang terjamin dari nol-nol itu yang pasti berada pada garis, apa pun yang terjadi. 

Ini bukan hal yang sama dengan komputer memeriksa nol satu per satu. Triliunan nol individual telah dihitung, dan sejauh ini semuanya berada pada garis kritis, tetapi itu hanya sampel berhingga. Seberapa pun besar, itu tidak bisa menyingkirkan kemungkinan ada sebuah nol jauh di garis bilangan yang menyimpang dari pola. Kedua, dan ini bagian pentingnya, angka 41,6% dan 67,2% sama sekali bukan hasil sampel. Itu adalah pernyataan yang terbukti tentang seluruh himpunan nol tak hingga: jaminan ketat bahwa setidaknya fraksi tersebut, saat Anda mempertimbangkan semakin banyak nol, akan selalu berada pada garis. Ini lantai matematis yang keras, bukan perkiraan dan bukan probabilitas.

Jadi ketika angka bergerak dari 41,6% ke 67,2%, tidak ada yang "ditemukan". Yang berubah adalah besarnya lantai yang terjamin itu sendiri, melalui teknik pembuktian baru yang memeras lebih banyak kepastian dari himpunan tak hingga yang sama. Membuat lantai itu naik sedikit saja secara historis adalah kerja yang lambat dan teknis. Membuatnya melonjak 25 poin persentase dalam satu langkah adalah alasan hasil ini layak ditulis menjadi sebuah artikel.

Tunggu, Jadi Hipotesis Riemann Masih Belum Terpecahkan?

Bahkan lantai yang pada akhirnya mencapai 99% pun bukan sebuah bukti. Hipotesis itu pernyataan serba-atau-tidak tentang setiap nol, jadi satu saja nol yang menyimpang dari garis di mana pun dalam himpunan tak hingga tetap akan membatalkannya. 

Inilah yang terjadi: perbaikan nyata dan terverifikasi secara formal terhadap sebuah pertanyaan kuantitatif spesifik yang telah digarap matematikawan sejak Montgomery memperkenalkan tekniknya pada 1973. Hasil Claude merujuk langsung pada benang itu: teknik 1973 tersebut, yang kemudian diadaptasi oleh Baluyot, Goldston, Suriajaya, dan Turnage-Butterbaugh sehingga tidak lagi mengasumsikan hipotesis itu benar, dikombinasikan dengan makalah Enrico Bombieri tahun 2000. Claude menemukan cara untuk merajut semuanya, dengan memperlakukan suatu ruang fungsi yang memiliki bagian definit positif dan negatif sekaligus, alih-alih terpisah. Itulah yang mendorong lantainya dari 41,6% menjadi 67,2%.

Bagaimana Claude Sampai ke Sana

Menurut Anthropic, seorang staf Anthropic, Jarred Sumner, cukup memberi prompt kepada Claude, yang berjalan di dalam Claude Code, untuk mencoba hipotesis Riemann dan menyerahkan keputusan matematis yang sebenarnya kepada model.

Upaya pertama gagal: Claude menghasilkan dan mencoba 650 ide berbeda, yang tak satu pun berhasil. Setelah diminta mencoba lagi, Claude menghabiskan sekitar satu setengah hari mengoordinasikan sekitar 60 subagen, yang di antara mereka menjalankan sekitar 2.400 perintah shell dan menulis ratusan skrip Python, menyilang-periksa klaim numerik terhadap nol zeta yang sudah diketahui dan meninjau penalaran satu sama lain. Dari 60 subagen itu, hanya dua yang akhirnya mengembangkan ide-ide matematis inti yang penting; tiga belas menyumbang ide pendukung, tiga puluh mencoba pendekatan yang tidak berhasil, tiga belas bekerja sebagai validator, dan dua terakhir membantu menyusun draf makalah.

Seluruh proses menggunakan sekitar 31 juta token keluaran dalam dua sesi. Menariknya, kontribusi manusia selama proses ini sebagian besar berupa penyemangat ("teruskan!"—semacam itu) yang menurut Anthropic mungkin membantu Claude melampaui skeptisisme awalnya sendiri bahwa masalah tersebut dapat dipecahkan.

Begitu Claude mendapatkan hasilnya, ia tidak berhenti di sana: ia menugaskan subagen untuk mencari contoh tandingan, mengambil 54 makalah dari arXiv untuk memastikan hasilnya belum pernah dipublikasikan, dan menurunkan kembali temuan itu secara independen sebagai uji kewarasan. Kemudian ia mengusulkan untuk menuliskan hasil tersebut sebagai makalah dan merekomendasikan agar seorang ahli teori bilangan manusia memeriksanya, yang persis itulah yang terjadi selanjutnya, dengan matematikawan Anthropic Levent Alpöge dan Ralph Furman menelaahnya secara internal serta Conrey dan Goldston meninjau secara eksternal, lalu sebuah formalisasi Lean terpisah yang diproduksi bersama Eric Easley dari Anthropic.

Apa yang Masih Belum Tuntas

Dua hal utama yang menonjol bagi saya: 

  • Ulasan sejawat tradisional masih menunggu, meskipun tinjauan ahli informal telah dilakukan. 
  • Teknik ini dipahami sebagai jalan buntu untuk hipotesis penuh. Anthropic secara eksplisit menyatakan bahwa pendekatan ini tidak diharapkan dapat digeneralisasi menjadi bukti nyata dari hipotesis Riemann itu sendiri.

Pemikiran Akhir

Ini bukan terobosan hipotesis Riemann, dan tidak ada pihak yang mengklaim sebaliknya. Namun ini adalah perbaikan nyata yang diverifikasi secara formal untuk sebuah pertanyaan teknis spesifik yang telah berusia puluhan tahun, yang muncul dari upaya menuju sasaran sebenarnya. 

Untuk bacaan lanjutan: Kami telah menulis tentang berita AI dan matematika menarik lainnya:


Josef Waples's photo
Author
Josef Waples

Saya penulis dan editor data science dengan kontribusi pada artikel riset di jurnal ilmiah. Saya sangat tertarik pada aljabar linear, statistika, R, dan sejenisnya. Saya juga cukup sering bermain catur! 

Topik
Kecerdasan Buatan

Belajar AI bersama DataCamp

Kursus

Memahami Kecerdasan Buatan

2 jam
429.4K
Pelajari konsep dasar Kecerdasan Buatan seperti machine learning, deep learning, NLP, AI generatif, dan lainnya.
Lihat DetailRight Arrow
Mulai Kursus
Lihat SelengkapnyaRight Arrow
Terkait

blogs

Spaghetti Plot dan Jalur Badai

Temukan alasan mengapa Anda sebaiknya (tidak) menggunakan spaghetti plot untuk menyampaikan ketidakpastian jalur prediksi badai serta dampaknya terhadap interpretasi.
Hugo Bowne-Anderson's photo

Hugo Bowne-Anderson

13 mnt

blogs

Tutorial Korelasi di R

Dapatkan pengenalan dasar-dasar korelasi di R: pelajari lebih lanjut tentang koefisien korelasi, matriks korelasi, plotting korelasi, dan sebagainya.
David Woods's photo

David Woods

13 mnt

blogs

40 Pertanyaan Wawancara DBMS Teratas di 2026

Kuasai pertanyaan wawancara basis data, dari konsep SQL dasar hingga skenario desain sistem tingkat lanjut. Panduan mendalam ini mencakup semua yang Anda perlukan untuk sukses di wawancara DBMS dan meraih peran berikutnya.
Dario Radečić's photo

Dario Radečić

15 mnt

blogs

12 Alternatif ChatGPT Terbaik yang Bisa Anda Coba pada 2026

Artikel ini menyajikan daftar alternatif ChatGPT yang akan meningkatkan produktivitas Anda.
Javier Canales Luna's photo

Javier Canales Luna

14 mnt

Lihat SelengkapnyaLihat Selengkapnya