6 października 2026 r. OpenAI wrzuciło na GitHuba 722 rękopisy z matematyki. To wynik pracy nieopublikowanego wewnętrznego modelu frontowego, obejmujący algebrę, teorię liczb, topologię, teoretyczną informatykę i logikę matematyczną — wszystko powstało w ciągu kilku tygodni. Skala była bez precedensu wśród dokonań społeczności badawczej przez system AI.
Aby zrozumieć, dlaczego to wybrzmiewa inaczej niż wynik w benchmarku, warto zrobić krok wstecz. To ten sam model, który zaledwie kilka tygodni wcześniej ogłosił rozwiązanie Milionowego Problemutysiąclecia Naviera–Stokesa, po jednodniowym rajdzie Astry przez dziesięć wieloletnich otwartych problemów w sierpniu. Każdy ztych momentów rodził własne pytania. Ale publikacja z 6 października różni się nie tylko skalą, lecz także charakterem. OpenAI prezentuje 722 rękopisy jako realne wkłady do literatury badań matematycznych — to nie są odpowiedzi benchmarkowe ani rozwiązania konkursowe.
Relacjonuję ofensywę OpenAI w matematyce od wydania Astry w sierpniu i tym razem potrzeba więcej ostrożności, by to rozpakować, niż przy wcześniejszych wynikach. Poniżej przyjrzymy się, co AI faktycznie wytworzyła, które rezultaty się wyróżniają, jak wygląda weryfikacja w praktyce i czego obawiają się matematycy.
Co tak naprawdę osiągnęła AI OpenAI?
OpenAI skierowało wewnętrzny, nieopublikowany model frontowy na otwarte problemy badawcze w matematyce. Model nie tylko dobrze wypadł w teście konkursowym. Wytworzył argumenty matematyczne ustrukturyzowane jako rękopisy, złożone na GitHubie wraz z formalizacjami dowodów w Lean i podsumowaniami rozumowania modelu.
Wysokie wyniki na benchmarkach AMC czy IMO pokazują, że AI radzi sobie ze sprytnie zaprojektowanymi zadaniami konkursowymi. Produkowanie rękopisów roszczących sobie prawo do rozwiązywania wieloletnich otwartych pytań w aktywnych obszarach badań to coś innego. Te wyniki są przedstawiane jako potencjalne wkłady do wiedzy matematycznej. Czy przetrwają krytyczną ocenę, to osobna kwestia i odpowiedź zajmie czas.
Ile wyników matematycznych opublikowało OpenAI?
W relacjach pojawiają się różne liczby i nie przeczą sobie — liczą różne rzeczy.
Repozytorium zawiera 722 rękopisy zorganizowane w 372 rodziny wyników. Rodzina grupuje powiązane prace: wynik główny wraz z argumentami towarzyszącymi, alternatywnymi dowodami lub konsekwencjami. Stąd 372 rodziny dają 722 rękopisy, bo wiele wyników ma materiały wspierające. Ujęcie „setki wyników” jest w przybliżeniu trafne; 372 to dokładniejsza liczba odrębnych ustaleń matematycznych.
README zastrzega, że niektóre wyniki mogą mieć problemy, a OpenAI zapowiada ich poprawianie oraz dalsze dodawanie formalizacji w Lean. Warto o tym pamiętać, gdy relacje prasowe brzmią bardziej stanowczo niż rzeczywistość.
Nad jakimi obszarami matematyki pracowała AI OpenAI?
Publikacja obejmuje około 20 subdyscyplin matematyki. Oto zgrubna mapa terenu, bo część z nich może być mniej znana odbiorcy technicznemu, ale nie-matematycznemu:
- Algebra i teoria grup badają struktury matematyczne zbudowane z działań i ich symetrii. To tutaj ląduje część najczęściej omawianych wyników.
- Teoria liczb dotyczy własności liczb całkowitych i pierwszych. Funkcja dzeta Riemanna, kodująca rozkład liczb pierwszych, pojawia się w kilku wynikach.
- Topologia bada własności zachowywane przy ciągłych deformacjach. Hipoteza Hodge’a (więcej poniżej) leży na styku topologii i geometrii algebraicznej.
- Teoretyczna informatyka stawia fundamentalne pytania o obliczenia: co da się policzyć, jak efektywnie i które problemy opierają się wydajnym algorytmom. Model OpenAI wyprodukował w tym obszarze ponad 80 prac.
- Logika matematyczna bada formalne podstawy samego rozumowania matematycznego.
Jakie są największe wyniki?
Tu potrzebna jest ostrożność. Istnieje realna różnica między wynikiem wygenerowanym przez AI, dowodem sprawdzonym w Lean, dowodem zweryfikowanym przez człowieka i wynikiem, który społeczność matematyczna niezależnie uznaje za duży przełom. W publikacji mieszają się wszystkie cztery kategorie.
Mimo to kilka rezultatów wzbudziło autentyczne zainteresowanie niezależnych matematyków.
Funkcja dzeta Riemanna: nowy obszar bez zer
Hipoteza Riemanna pozostaje nierozwiązana. Model OpenAI jej nie rozstrzygnął. To, co rzekomo ustalono, to nowy obszar bez zer: pokazanie, że nie ma zer dla Re(s) > 11/12. Taki częściowy wynik ma znaczenie w analitycznej teorii liczb, ponieważ obszary bez zer ograniczają rozkład liczb pierwszych. Opracowanie zostało zredagowane przez ludzi dla czytelności, co czyni je znaczącym odstępstwem od reszty procesu produkcji rękopisów. Niezależny ponowny przegląd powiązanego wyniku quasi-Riemann przeszedł wstępną kontrolę.
Hipoteza Kaplansky’ego o skończoności bezpośredniej w charakterystyce drugiej
Irving Kaplansky przypuszczał dekady temu, że pierścienie grupowe mają szczególną własność algebraiczną zwaną skończonością bezpośrednią. Przypadek charakterystyki równej dwóm był szczególnie oporny. Model miał ją rozstrzygnąć. Wykazano dostępność formalizacji w Lean.
Izomorfizm czynników grupy wolnej
Chodzi o algebry von Neumanna — struktury w analizie funkcjonalnej kodujące pewne symetrie układów kwantowych. Pytanie, czy czynniki grupy wolnej są wszystkie izomorficzne, było otwarte przez dekady. Model twierdzi, że rozstrzyga hipotezę de la Harpe’a i Voiculescu, pokazując, że algebry von Neumanna grup fundamentalnych domkniętych zorientowanych powierzchni o rodzaju ≥ 2 są czynnikami grupy wolnej. Niezależny ponowny przegląd przeszedł pomyślnie.
Wykładnik mnożenia macierzy
Jeden z bardziej praktycznych wyników: model rzekomo ustala ω ≤ 2,25 nad liczbami zespolonymi, gdzie ω to wykładnik mnożenia macierzy. To wielkość stojąca za wydajnością mnożenia macierzy przez komputery, z realnymi implikacjami dla algorytmów w całej informatyce. Warto dla osób z finansów lub inżynierii: efektywność mnożenia macierzy leży u podstaw niemal każdego obliczenia numerycznego na dużą skalę.
Wzór Mézarda–Parisiego dla rozcieńczonych szkiel spinowych
Fizyka statystyczna spotyka teorię prawdopodobieństwa: chodzi o energię swobodną nieuporządkowanych układów magnetycznych. Wzór Mézarda–Parisiego był przypuszczeniem, ale w przypadku rozcieńczonym nie został w pełni dowiedziony.
Hipoteza Hodge’a dla abelowych CM
Ograniczony przypadek jednego z siedmiu Problemów Milenijnych. Hipoteza Hodge’a pyta, czy pewne cechy topologiczne rozmaitości algebraicznych można zawsze reprezentować algebraicznie. Model rzekomo ustala ją dla abelowych CM — konkretnej, dobrze ustrukturyzowanej klasy. To nie pełna hipoteza Hodge’a, która pozostaje otwarta, ale szczególny przypadek, do którego dążyli matematycy. Ten wynik również oznaczono jako wyjątek od standardowej procedury produkcyjnej.
Wynik dotyczący spontanicznego namagnesowania w kwantowym ferromagnecie Heisenberga oraz kwazipolimialne ograniczenia dla ciągów arytmetycznych także wzbudziły zainteresowanie badaczy oceniających publikację, choć pełna niezależna weryfikacja zajmie sporo czasu.
Jak AI OpenAI wygenerowała te wyniki?
OpenAI ujawniło więcej szczegółów metodologicznych niż przy niektórych wcześniejszych publikacjach, choć obraz wciąż nie jest kompletny.
W trakcie ewaluacji modelowi przedstawiono około 4000 problemów. Większość wyników pochodzi z ustalonej procedury z użyciem tego samego wewnętrznego modelu. Dwa wyniki odbiegały od standardowego procesu: praca nad obszarem bez zer funkcji dzeta Riemanna oraz hipoteza Hodge’a dla abelowych CM. Przeciętnie pojedynczy wynik zużywał obliczenia mniej więcej równoważne trzem godzinom „myślenia” ChatGPT Pro. To użyteczny punkt odniesienia, ale nie oznacza, że każdy problem trwał trzy godziny. Ta liczba opisuje średni koszt obliczeń na wynik, nie łączny czas ani koszt nieudanych prób.
Dla kontekstu: ta metodologia jest znacznie bardziej systematyczna niż wcześniejsze. Gdy Astra rozwiązała w sierpniu dziesięć otwartych problemów, każde rozwiązanie kosztowało podobno ok. 2000 USD w inferencji. Wcześniej sprint Navier–Stokes pochłonął 10 000 równoległych agentów pracujących przez 88 godzin przy szacowanym koszcie 22,5 mln USD — siłowe podejście, które przyniosło zarówno wynik, jak i poważny spór o zasługi. Publikacja z 6 października przypomina mniej sprint, a bardziej długofalowy program badawczy: niższy koszt obliczeń na wynik, szersze pokrycie, przemyślana struktura wokół rodzin spokrewnionych rezultatów.
OpenAI opublikowało podsumowania rozumowania dla 10 wyników, wraz ze szacunkami obliczeń i statystykami dotyczących prób rozwiązania. Advisory Group on Mathematics and Artificial Intelligence wezwała do pójścia dalej i udostępnienia wszystkich promptów i pełnych łańcuchów myślowych. Istnieje luka między tym, co dostarczyło OpenAI, a tym, czego część społeczności matematycznej oczekuje.
Jak weryfikowano dowody matematyczne OpenAI?
Weryfikacja to prawdopodobnie najistotniejsza część tej historii. Warto precyzyjnie rozróżnić poszczególne warstwy.
Lean to język programowania i asystent dowodowy, który pozwala wyrażać dowody matematyczne w formie mechanicznie sprawdzalnej przez komputer. Jeśli dowód przechodzi w Lean, kroki logiczne są formalnie poprawne przy danych założeniach. Wiele z 722 rękopisów ma towarzyszące formalizacje w Lean, choć nie wszystkie.
Weryfikacja w Lean ustanawia poprawność formalną. Nie przesądza jednak, czy formalne sformułowanie trafnie oddaje zamierzone pytanie, czy wynik jest rzeczywiście nowy ani czy rozumowanie ma sens dla matematyków, którzy chcą na nim budować.
Ludzka weryfikacja matematyczna
Tu tempo zwalnia. Matematycy nadal muszą ustalić, czy formalne twierdzenie naprawdę chwyta otwarty problem, do którego się odnosi, czy technika dowodowa jest nowa i czy wynik jest oryginalny względem istniejącej literatury. Dana Moshkovitz, badaczka złożoności, opisała rękopisy jako „jakby napisane przez kogoś na psychodelikach” i na tyle trudne do czytania bez pomocy AI, jednocześnie przyznając, że można się z nich wiele nauczyć. Techniczna poprawność połączona z trudną w odbiorze ekspozycją generuje realną pracę dla ludzkich weryfikatorów.
Recenzje i niezależna weryfikacja
Publikacja na GitHubie to nie recenzja naukowa. Rada doradcza stwierdziła wprost, że publikacja oznacza „początek, a nie zakończenie procesu ludzkiego zrozumienia i włączenia pracy do zasobu wiedzy matematycznej”. Przy 722 rękopisach w 20 subdyscyplinach kompleksowa niezależna ocena to projekt na lata.
Poprawność formalna, rozumienie matematyczne, nowość i znaczenie naukowe to odrębne pytania. Dowód zweryfikowany w Lean może spełnić pierwszy warunek bez rozstrzygania pozostałych.
Ile matematyki naprawdę zrobiła AI?
Tu nie ma prostej odpowiedzi.
Ludzie wybierali lub formułowali wiele problemów zadanych modelowi. Istniejąca literatura matematyczna dostarczyła kontekstu intelektualnego, w którym pracowała AI. Model generował argumenty matematyczne. Badacze-ludzie pomagali przygotowywać rękopisy, a Lean formalizował dowody. Zatem „kto zrobił matematykę?” obejmuje łańcuch wkładów, a nie jedną stronę.
Niektórzy matematycy podnieśli ostrzejszy niepokój: że model czasem może domykać istniejące ludzkie linie badań, a nie niezależnie odkrywać nowe podejście. Wyszło to mocno po ogłoszeniu Navier–Stokesa. Matematyk Tristan Buckmaster, którego własna, wspomagana AI praca nad pokrewnymi równaniami ukazała się na kilka godzin przed ogłoszeniem OpenAI, podniósł poważne kwestie dotyczące zasług. Twierdził, że rok jego nieopublikowanej pracy — świadomie lub nie — ukształtował kierunek sprintu OpenAI; OpenAI zaprzeczyło dostępowi do prywatnych promptów czy nieopublikowanych badań. Spór pozostaje nierozstrzygnięty. Ten sam problem — czyj intelektualny grunt faktycznie stanowi fundament wyniku AI — dotyczy październikowej publikacji, nawet gdy nie wskazuje się jednego badacza.
Ekonomista Joshua Gans zaproponował użyteczne ramy: odkrycie matematyczne ma trzy etapy. Wybrać problem, rozwiązać problem, zrozumieć i zastosować wynik. AI może w coraz większym stopniu automatyzować środkowy krok. To nie zaciera różnicy między wkładem człowieka i maszyny, ale przestawia akcenty wysiłku.
Dlaczego matematycy są zaniepokojeni?
Obawy nie są jednolite. Byłoby nieścisłe opisywać społeczność matematyczną jako po prostu niechętną AI. Oto, czym w istocie martwią się najpoważniejsi krytycy.
Zrozumienie może nie nadążać za odkryciami
Gdy człowiek tworzy dowód, proces zwykle rodzi narzędzia, intuicje i wglądy, które stają się częścią kultury matematycznej. Gdy model produkuje poprawny, ale nieprzejrzysty dowód, wynik istnieje bez otaczającego go zrozumienia. Terence Tao, który przed ogłoszeniem Navier–Stokesa ostrzegał wprost przed kosztem utraconych szans, gdy historycznie płodne otwarte problemy zmieniają się w wirusowe benchmarki, wyraża obawę, że gromadzenie poprawnych odpowiedzi bez zrozumienia, jak i dlaczego są prawdziwe, jest na dłuższą metę szkodliwe dla praktyki matematycznej. To nie tylko kwestia estetyki.
Setki wyników trudno zrecenzować
Zdolność społeczności do recenzji jest skończona. Gdy AI potrafi generować badania szybciej, niż społeczność może je oceniać, powstaje zaległość zniekształcająca sposób ustanawiania wiedzy matematycznej. Jeden z krytyków określił publikację jako „podejrzanie w stylu Gish Gallop”, zalewając pole taką liczbą rękopisów, że błędy mogą pozostać niekwestionowane przez lata. Niedawny precedens istnieje: dziesięć problemów Astry z sierpnia nie zostało w pełni zrecenzowanych miesiące później. Siedemdziesiąt dwa razy większa skala to jakościowo inne wyzwanie.
Istniejące badania ludzkie i zasługi
Wiele wyników opiera się na konkretnych wcześniejszych pracach nazwanych badaczy. To, jak reprezentować ten dług intelektualny, jest realnie sporne. Epizod Navier–Stokes uczynił to namacalnym: badacz spędził rok nad nieopublikowaną pracą, która mogła ukształtować wielomilionowy sprint AI, a skończyło się na pytaniach o jego karierę. Rekomendacje rady doradczej dotyczyły wprost procedur cytowania z tego powodu.
Modele zastrzeżone tworzą nierówny dostęp
Model, który wygenerował te wyniki, nie jest publicznie dostępny. Akademiccy matematycy chcący pracować na takim poziomie możliwości nie mają tych samych narzędzi, co zespoły wewnętrzne OpenAI. Rekomendacje z 29 września wprost poprosiły laboratoria AI, by przestały testować zaawansowane problemy matematyczne na zastrzeżonych modelach niedostępnych dla szerszej społeczności badawczej. OpenAI uznało rekomendację, ale nie przyjęło jej w pełni.
Badania matematyczne mogą skoncentrować się wewnątrz laboratoriów AI
Jeśli czołówka odkryć matematycznych wymaga dostępu do frontowego compute i zastrzeżonych modeli, decyzje o tym, które problemy są ważne i które wyniki nagłaśniać, mogą coraz częściej zapadać w niewielkiej liczbie prywatnych organizacji. To zupełnie inna struktura niż ta, którą matematyka miała historycznie.
To obawy członków społeczności matematycznej — nie rozstrzygnięte wnioski — i nie wszyscy matematycy podzielają je w równym stopniu.
Nowe podejście OpenAI do publikowania matematyki AI
OpenAI podjęło pewne kroki, by odpowiedzieć na obawy społeczności, choć rada doradcza domaga się więcej.
Publikacja ukazała się na GitHubie na licencji Apache-2.0 z protokołami rewizji. Poprzednie wersje pozostają dostępne po wprowadzeniu poprawek. Każdy rękopis zawiera blok BibTeX do cytowania. Wiele wyników ma formalizacje w Lean. OpenAI opublikowało podsumowania rozumowania dla 10 wyników i szacunki obliczeń wyrażone w godzinach ChatGPT Pro.
OpenAI konsultowało się z Advisory Group on Mathematics and Artificial Intelligence przy Institute for Advanced Study przez cały okres tej publikacji. W skład grupy wchodzą m.in. Melanie Matchett Wood (Harvard), Edward Witten (IAS), Ravi Vakil (Stanford), Ulrike Tillmann (Oxford) i inni — dziewięcioro wybitnych matematyków działających niezależnie i bez wynagrodzenia od OpenAI.
Ich stanowisko jest takie, że publikacja to punkt wyjścia. Melanie Wood opisała ją jako „początek, a nie zakończenie procesu ludzkiego zrozumienia”. Grupa wezwała OpenAI do udostępnienia wszystkich promptów i pełnych łańcuchów myślowych, korzystania z repozytoriów naukowych z trwałymi identyfikatorami do cytowania zamiast GitHuba oraz wspierania rozwoju ludzkiego rozumienia poprzez instytucje niezależne od laboratoriów AI. OpenAI zobowiązało się dążyć do tych standardów. Jeszcze ich w pełni nie spełniło.
Co AI oznacza dla roli matematyków?
Ciekawsze pytanie nie brzmi, czy AI zastąpi matematyków. Nie zastępuje, przynajmniej jeszcze nie teraz — i być może nie w tych wymiarach, które liczą się najbardziej. Ciekawsze jest to, jak zmienia się praca matematyczna, gdy generowanie dowodów staje się dramatycznie tańsze.
Wracając do ram: wybrać → rozwiązać → zrozumieć. Jeśli AI coraz częściej przejmuje etap rozwiązywania, ludzka ekspertyza zyskuje na wartości na początku i na końcu. Decydowanie, które problemy warto podejmować, formułowanie dobrych hipotez, interpretowanie znaczenia wyników, łączenie nowego ustalenia z istniejącą matematyką, zastosowania w nowych kontekstach. To etapy, gdzie ludzki osąd pozostaje niezbędny. Jak pisałem w tekście o sierpniowych wynikach Astry, umiejętność zadania dobrego problemu i wiedza, który warto zaatakować, to dokładnie to, czego AI jeszcze nie potrafi. Ta obserwacja stała się od tamtej pory jeszcze trafniejsza.
Matematyk Mehtaab Sawhney, który dołączył do OpenAI w 2026 r. po pracy na Columbii, zauważył, że w miarę jak AI przyspiesza odkrycia, główny wąskie gardło dla matematyków przenosi się z generowania dowodów na przyswajanie i kontekstualizowanie matematyki generowanej przez AI.
Gdy generowanie dowodów tanieje, zmienia się to, gdzie pojawia się niedobór. Coraz częściej deficytowa może być nie zdolność do dowodzenia, lecz zdolność do wyboru właściwych twierdzeń do dowiedzenia i zrozumienia, dlaczego ich rozwiązania mają znaczenie.
Zakończenie
Najlepiej rozumieć publikację z 6 października jako najnowszy krok na trajektorii, która przez cały rok przyspieszała. W sierpniu Astra rozwiązała dziesięć wieloletnich problemów w jeden dzień. We wrześniu 88-godzinny sprint z udziałem 10 000 agentów przyniósł sporną, ale zweryfikowaną w Lean tezę o wariancie Problemutysiąclecia Naviera–Stokesa, wraz z nierozstrzygniętym sporem o zasługi, który ujawnił realne napięcia wokół AI i niezależnych badań. Teraz, w październiku, ten sam model frontowy wytworzył 722 rękopisy w 20 subdyscyplinach w kilka tygodni.
Część z tych wyników — obszar bez zer funkcji dzeta Riemanna, ograniczenie dla mnożenia macierzy, izomorfizm czynników grupy wolnej — już przyciągnęła poważną uwagę matematyków znających te dziedziny. Ale liczba rękopisów nie jest sednem. Liczy się to, czy poszczególne wyniki się obronią, czy są naprawdę nowe i czy społeczność zdoła je przyswoić. Weryfikacja w Lean ustanawia poprawność formalną, nie rozumienie matematyczne. Publikacja na GitHubie to nie recenzja naukowa. Przy 722 rękopisach pełna niezależna ocena zajmie lata.
Dziedzina staje dziś przed pytaniem, którego dotąd nie musiała sobie zadawać: nie czy AI potrafi rozwiązywać trudne problemy z matematyki, ale co się dzieje, gdy potrafi produkować badania matematyczne szybciej, niż ludzie są w stanie je ocenić. Jeśli generowanie dowodów stanie się na tyle tanie, by zalać literaturę, deficytem stanie się nie produkcja odpowiedzi, lecz wybór właściwych pytań i rozumienie, dlaczego odpowiedzi mają znaczenie. To zmiana w tym, czego matematyka wymaga od matematyków. Nie koniec pracy.
6 października 2026 r. OpenAI wrzuciło na GitHuba 722 rękopisy z matematyki. To wynik pracy nieopublikowanego wewnętrznego modelu frontowego, obejmujący algebrę, teorię liczb, topologię, teoretyczną informatykę i logikę matematyczną — wszystko powstało w ciągu kilku tygodni. Skala była bez precedensu wśród dokonań społeczności badawczej przez system AI.
Aby zrozumieć, dlaczego to wybrzmiewa inaczej niż wynik w benchmarku, warto zrobić krok wstecz. To ten sam model, który zaledwie kilka tygodni wcześniej ogłosił rozwiązanie Milionowego Problemutysiąclecia Naviera–Stokesa, po jednodniowym rajdzie Astry przez dziesięć wieloletnich otwartych problemów w sierpniu. Każdy ztych momentów rodził własne pytania. Ale publikacja z 6 października różni się nie tylko skalą, lecz także charakterem. OpenAI prezentuje 722 rękopisy jako realne wkłady do literatury badań matematycznych — to nie są odpowiedzi benchmarkowe ani rozwiązania konkursowe.
Relacjonuję ofensywę OpenAI w matematyce od wydania Astry w sierpniu i tym razem potrzeba więcej ostrożności, by to rozpakować, niż przy wcześniejszych wynikach. Poniżej przyjrzymy się, co AI faktycznie wytworzyła, które rezultaty się wyróżniają, jak wygląda weryfikacja w praktyce i czego obawiają się matematycy.
Co tak naprawdę osiągnęła AI OpenAI?
OpenAI skierowało wewnętrzny, nieopublikowany model frontowy na otwarte problemy badawcze w matematyce. Model nie tylko dobrze wypadł w teście konkursowym. Wytworzył argumenty matematyczne ustrukturyzowane jako rękopisy, złożone na GitHubie wraz z formalizacjami dowodów w Lean i podsumowaniami rozumowania modelu.
Wysokie wyniki na benchmarkach AMC czy IMO pokazują, że AI radzi sobie ze sprytnie zaprojektowanymi zadaniami konkursowymi. Produkowanie rękopisów roszczących sobie prawo do rozwiązywania wieloletnich otwartych pytań w aktywnych obszarach badań to coś innego. Te wyniki są przedstawiane jako potencjalne wkłady do wiedzy matematycznej. Czy przetrwają krytyczną ocenę, to osobna kwestia i odpowiedź zajmie czas.
Ile wyników matematycznych opublikowało OpenAI?
W relacjach pojawiają się różne liczby i nie przeczą sobie — liczą różne rzeczy.
Repozytorium zawiera 722 rękopisy zorganizowane w 372 rodziny wyników. Rodzina grupuje powiązane prace: wynik główny wraz z argumentami towarzyszącymi, alternatywnymi dowodami lub konsekwencjami. Stąd 372 rodziny dają 722 rękopisy, bo wiele wyników ma materiały wspierające. Ujęcie „setki wyników” jest w przybliżeniu trafne; 372 to dokładniejsza liczba odrębnych ustaleń matematycznych.
README zastrzega, że niektóre wyniki mogą mieć problemy, a OpenAI zapowiada ich poprawianie oraz dalsze dodawanie formalizacji w Lean. Warto o tym pamiętać, gdy relacje prasowe brzmią bardziej stanowczo niż rzeczywistość.
Nad jakimi obszarami matematyki pracowała AI OpenAI?
Publikacja obejmuje około 20 subdyscyplin matematyki. Oto zgrubna mapa terenu, bo część z nich może być mniej znana odbiorcy technicznemu, ale nie-matematycznemu:
Jakie są największe wyniki?
Tu potrzebna jest ostrożność. Istnieje realna różnica między wynikiem wygenerowanym przez AI, dowodem sprawdzonym w Lean, dowodem zweryfikowanym przez człowieka i wynikiem, który społeczność matematyczna niezależnie uznaje za duży przełom. W publikacji mieszają się wszystkie cztery kategorie.
Mimo to kilka rezultatów wzbudziło autentyczne zainteresowanie niezależnych matematyków.
Funkcja dzeta Riemanna: nowy obszar bez zer
Hipoteza Riemanna pozostaje nierozwiązana. Model OpenAI jej nie rozstrzygnął. To, co rzekomo ustalono, to nowy obszar bez zer: pokazanie, że nie ma zer dla Re(s) > 11/12. Taki częściowy wynik ma znaczenie w analitycznej teorii liczb, ponieważ obszary bez zer ograniczają rozkład liczb pierwszych. Opracowanie zostało zredagowane przez ludzi dla czytelności, co czyni je znaczącym odstępstwem od reszty procesu produkcji rękopisów. Niezależny ponowny przegląd powiązanego wyniku quasi-Riemann przeszedł wstępną kontrolę.
Hipoteza Kaplansky’ego o skończoności bezpośredniej w charakterystyce drugiej
Irving Kaplansky przypuszczał dekady temu, że pierścienie grupowe mają szczególną własność algebraiczną zwaną skończonością bezpośrednią. Przypadek charakterystyki równej dwóm był szczególnie oporny. Model miał ją rozstrzygnąć. Wykazano dostępność formalizacji w Lean.
Izomorfizm czynników grupy wolnej
Chodzi o algebry von Neumanna — struktury w analizie funkcjonalnej kodujące pewne symetrie układów kwantowych. Pytanie, czy czynniki grupy wolnej są wszystkie izomorficzne, było otwarte przez dekady. Model twierdzi, że rozstrzyga hipotezę de la Harpe’a i Voiculescu, pokazując, że algebry von Neumanna grup fundamentalnych domkniętych zorientowanych powierzchni o rodzaju ≥ 2 są czynnikami grupy wolnej. Niezależny ponowny przegląd przeszedł pomyślnie.
Wykładnik mnożenia macierzy
Jeden z bardziej praktycznych wyników: model rzekomo ustala ω ≤ 2,25 nad liczbami zespolonymi, gdzie ω to wykładnik mnożenia macierzy. To wielkość stojąca za wydajnością mnożenia macierzy przez komputery, z realnymi implikacjami dla algorytmów w całej informatyce. Warto dla osób z finansów lub inżynierii: efektywność mnożenia macierzy leży u podstaw niemal każdego obliczenia numerycznego na dużą skalę.
Wzór Mézarda–Parisiego dla rozcieńczonych szkiel spinowych
Fizyka statystyczna spotyka teorię prawdopodobieństwa: chodzi o energię swobodną nieuporządkowanych układów magnetycznych. Wzór Mézarda–Parisiego był przypuszczeniem, ale w przypadku rozcieńczonym nie został w pełni dowiedziony.
Hipoteza Hodge’a dla abelowych CM
Ograniczony przypadek jednego z siedmiu Problemów Milenijnych. Hipoteza Hodge’a pyta, czy pewne cechy topologiczne rozmaitości algebraicznych można zawsze reprezentować algebraicznie. Model rzekomo ustala ją dla abelowych CM — konkretnej, dobrze ustrukturyzowanej klasy. To nie pełna hipoteza Hodge’a, która pozostaje otwarta, ale szczególny przypadek, do którego dążyli matematycy. Ten wynik również oznaczono jako wyjątek od standardowej procedury produkcyjnej.
Wynik dotyczący spontanicznego namagnesowania w kwantowym ferromagnecie Heisenberga oraz kwazipolimialne ograniczenia dla ciągów arytmetycznych także wzbudziły zainteresowanie badaczy oceniających publikację, choć pełna niezależna weryfikacja zajmie sporo czasu.
Jak AI OpenAI wygenerowała te wyniki?
OpenAI ujawniło więcej szczegółów metodologicznych niż przy niektórych wcześniejszych publikacjach, choć obraz wciąż nie jest kompletny.
W trakcie ewaluacji modelowi przedstawiono około 4000 problemów. Większość wyników pochodzi z ustalonej procedury z użyciem tego samego wewnętrznego modelu. Dwa wyniki odbiegały od standardowego procesu: praca nad obszarem bez zer funkcji dzeta Riemanna oraz hipoteza Hodge’a dla abelowych CM. Przeciętnie pojedynczy wynik zużywał obliczenia mniej więcej równoważne trzem godzinom „myślenia” ChatGPT Pro. To użyteczny punkt odniesienia, ale nie oznacza, że każdy problem trwał trzy godziny. Ta liczba opisuje średni koszt obliczeń na wynik, nie łączny czas ani koszt nieudanych prób.
Dla kontekstu: ta metodologia jest znacznie bardziej systematyczna niż wcześniejsze. Gdy Astra rozwiązała w sierpniu dziesięć otwartych problemów, każde rozwiązanie kosztowało podobno ok. 2000 USD w inferencji. Wcześniej sprint Navier–Stokes pochłonął 10 000 równoległych agentów pracujących przez 88 godzin przy szacowanym koszcie 22,5 mln USD — siłowe podejście, które przyniosło zarówno wynik, jak i poważny spór o zasługi. Publikacja z 6 października przypomina mniej sprint, a bardziej długofalowy program badawczy: niższy koszt obliczeń na wynik, szersze pokrycie, przemyślana struktura wokół rodzin spokrewnionych rezultatów.
OpenAI opublikowało podsumowania rozumowania dla 10 wyników, wraz ze szacunkami obliczeń i statystykami dotyczących prób rozwiązania. Advisory Group on Mathematics and Artificial Intelligence wezwała do pójścia dalej i udostępnienia wszystkich promptów i pełnych łańcuchów myślowych. Istnieje luka między tym, co dostarczyło OpenAI, a tym, czego część społeczności matematycznej oczekuje.
Jak weryfikowano dowody matematyczne OpenAI?
Weryfikacja to prawdopodobnie najistotniejsza część tej historii. Warto precyzyjnie rozróżnić poszczególne warstwy.
Formalizacja w Lean
Lean to język programowania i asystent dowodowy, który pozwala wyrażać dowody matematyczne w formie mechanicznie sprawdzalnej przez komputer. Jeśli dowód przechodzi w Lean, kroki logiczne są formalnie poprawne przy danych założeniach. Wiele z 722 rękopisów ma towarzyszące formalizacje w Lean, choć nie wszystkie.
Weryfikacja w Lean ustanawia poprawność formalną. Nie przesądza jednak, czy formalne sformułowanie trafnie oddaje zamierzone pytanie, czy wynik jest rzeczywiście nowy ani czy rozumowanie ma sens dla matematyków, którzy chcą na nim budować.
Ludzka weryfikacja matematyczna
Tu tempo zwalnia. Matematycy nadal muszą ustalić, czy formalne twierdzenie naprawdę chwyta otwarty problem, do którego się odnosi, czy technika dowodowa jest nowa i czy wynik jest oryginalny względem istniejącej literatury. Dana Moshkovitz, badaczka złożoności, opisała rękopisy jako „jakby napisane przez kogoś na psychodelikach” i na tyle trudne do czytania bez pomocy AI, jednocześnie przyznając, że można się z nich wiele nauczyć. Techniczna poprawność połączona z trudną w odbiorze ekspozycją generuje realną pracę dla ludzkich weryfikatorów.
Recenzje i niezależna weryfikacja
Publikacja na GitHubie to nie recenzja naukowa. Rada doradcza stwierdziła wprost, że publikacja oznacza „początek, a nie zakończenie procesu ludzkiego zrozumienia i włączenia pracy do zasobu wiedzy matematycznej”. Przy 722 rękopisach w 20 subdyscyplinach kompleksowa niezależna ocena to projekt na lata.
Poprawność formalna, rozumienie matematyczne, nowość i znaczenie naukowe to odrębne pytania. Dowód zweryfikowany w Lean może spełnić pierwszy warunek bez rozstrzygania pozostałych.
Ile matematyki naprawdę zrobiła AI?
Tu nie ma prostej odpowiedzi.
Ludzie wybierali lub formułowali wiele problemów zadanych modelowi. Istniejąca literatura matematyczna dostarczyła kontekstu intelektualnego, w którym pracowała AI. Model generował argumenty matematyczne. Badacze-ludzie pomagali przygotowywać rękopisy, a Lean formalizował dowody. Zatem „kto zrobił matematykę?” obejmuje łańcuch wkładów, a nie jedną stronę.
Niektórzy matematycy podnieśli ostrzejszy niepokój: że model czasem może domykać istniejące ludzkie linie badań, a nie niezależnie odkrywać nowe podejście. Wyszło to mocno po ogłoszeniu Navier–Stokesa. Matematyk Tristan Buckmaster, którego własna, wspomagana AI praca nad pokrewnymi równaniami ukazała się na kilka godzin przed ogłoszeniem OpenAI, podniósł poważne kwestie dotyczące zasług. Twierdził, że rok jego nieopublikowanej pracy — świadomie lub nie — ukształtował kierunek sprintu OpenAI; OpenAI zaprzeczyło dostępowi do prywatnych promptów czy nieopublikowanych badań. Spór pozostaje nierozstrzygnięty. Ten sam problem — czyj intelektualny grunt faktycznie stanowi fundament wyniku AI — dotyczy październikowej publikacji, nawet gdy nie wskazuje się jednego badacza.
Ekonomista Joshua Gans zaproponował użyteczne ramy: odkrycie matematyczne ma trzy etapy. Wybrać problem, rozwiązać problem, zrozumieć i zastosować wynik. AI może w coraz większym stopniu automatyzować środkowy krok. To nie zaciera różnicy między wkładem człowieka i maszyny, ale przestawia akcenty wysiłku.
Dlaczego matematycy są zaniepokojeni?
Obawy nie są jednolite. Byłoby nieścisłe opisywać społeczność matematyczną jako po prostu niechętną AI. Oto, czym w istocie martwią się najpoważniejsi krytycy.
Zrozumienie może nie nadążać za odkryciami
Gdy człowiek tworzy dowód, proces zwykle rodzi narzędzia, intuicje i wglądy, które stają się częścią kultury matematycznej. Gdy model produkuje poprawny, ale nieprzejrzysty dowód, wynik istnieje bez otaczającego go zrozumienia. Terence Tao, który przed ogłoszeniem Navier–Stokesa ostrzegał wprost przed kosztem utraconych szans, gdy historycznie płodne otwarte problemy zmieniają się w wirusowe benchmarki, wyraża obawę, że gromadzenie poprawnych odpowiedzi bez zrozumienia, jak i dlaczego są prawdziwe, jest na dłuższą metę szkodliwe dla praktyki matematycznej. To nie tylko kwestia estetyki.
Setki wyników trudno zrecenzować
Zdolność społeczności do recenzji jest skończona. Gdy AI potrafi generować badania szybciej, niż społeczność może je oceniać, powstaje zaległość zniekształcająca sposób ustanawiania wiedzy matematycznej. Jeden z krytyków określił publikację jako „podejrzanie w stylu Gish Gallop”, zalewając pole taką liczbą rękopisów, że błędy mogą pozostać niekwestionowane przez lata. Niedawny precedens istnieje: dziesięć problemów Astry z sierpnia nie zostało w pełni zrecenzowanych miesiące później. Siedemdziesiąt dwa razy większa skala to jakościowo inne wyzwanie.
Istniejące badania ludzkie i zasługi
Wiele wyników opiera się na konkretnych wcześniejszych pracach nazwanych badaczy. To, jak reprezentować ten dług intelektualny, jest realnie sporne. Epizod Navier–Stokes uczynił to namacalnym: badacz spędził rok nad nieopublikowaną pracą, która mogła ukształtować wielomilionowy sprint AI, a skończyło się na pytaniach o jego karierę. Rekomendacje rady doradczej dotyczyły wprost procedur cytowania z tego powodu.
Modele zastrzeżone tworzą nierówny dostęp
Model, który wygenerował te wyniki, nie jest publicznie dostępny. Akademiccy matematycy chcący pracować na takim poziomie możliwości nie mają tych samych narzędzi, co zespoły wewnętrzne OpenAI. Rekomendacje z 29 września wprost poprosiły laboratoria AI, by przestały testować zaawansowane problemy matematyczne na zastrzeżonych modelach niedostępnych dla szerszej społeczności badawczej. OpenAI uznało rekomendację, ale nie przyjęło jej w pełni.
Badania matematyczne mogą skoncentrować się wewnątrz laboratoriów AI
Jeśli czołówka odkryć matematycznych wymaga dostępu do frontowego compute i zastrzeżonych modeli, decyzje o tym, które problemy są ważne i które wyniki nagłaśniać, mogą coraz częściej zapadać w niewielkiej liczbie prywatnych organizacji. To zupełnie inna struktura niż ta, którą matematyka miała historycznie.
To obawy członków społeczności matematycznej — nie rozstrzygnięte wnioski — i nie wszyscy matematycy podzielają je w równym stopniu.
Nowe podejście OpenAI do publikowania matematyki AI
OpenAI podjęło pewne kroki, by odpowiedzieć na obawy społeczności, choć rada doradcza domaga się więcej.
Publikacja ukazała się na GitHubie na licencji Apache-2.0 z protokołami rewizji. Poprzednie wersje pozostają dostępne po wprowadzeniu poprawek. Każdy rękopis zawiera blok BibTeX do cytowania. Wiele wyników ma formalizacje w Lean. OpenAI opublikowało podsumowania rozumowania dla 10 wyników i szacunki obliczeń wyrażone w godzinach ChatGPT Pro.
OpenAI konsultowało się z Advisory Group on Mathematics and Artificial Intelligence przy Institute for Advanced Study przez cały okres tej publikacji. W skład grupy wchodzą m.in. Melanie Matchett Wood (Harvard), Edward Witten (IAS), Ravi Vakil (Stanford), Ulrike Tillmann (Oxford) i inni — dziewięcioro wybitnych matematyków działających niezależnie i bez wynagrodzenia od OpenAI.
Ich stanowisko jest takie, że publikacja to punkt wyjścia. Melanie Wood opisała ją jako „początek, a nie zakończenie procesu ludzkiego zrozumienia”. Grupa wezwała OpenAI do udostępnienia wszystkich promptów i pełnych łańcuchów myślowych, korzystania z repozytoriów naukowych z trwałymi identyfikatorami do cytowania zamiast GitHuba oraz wspierania rozwoju ludzkiego rozumienia poprzez instytucje niezależne od laboratoriów AI. OpenAI zobowiązało się dążyć do tych standardów. Jeszcze ich w pełni nie spełniło.
Co AI oznacza dla roli matematyków?
Ciekawsze pytanie nie brzmi, czy AI zastąpi matematyków. Nie zastępuje, przynajmniej jeszcze nie teraz — i być może nie w tych wymiarach, które liczą się najbardziej. Ciekawsze jest to, jak zmienia się praca matematyczna, gdy generowanie dowodów staje się dramatycznie tańsze.
Wracając do ram: wybrać → rozwiązać → zrozumieć. Jeśli AI coraz częściej przejmuje etap rozwiązywania, ludzka ekspertyza zyskuje na wartości na początku i na końcu. Decydowanie, które problemy warto podejmować, formułowanie dobrych hipotez, interpretowanie znaczenia wyników, łączenie nowego ustalenia z istniejącą matematyką, zastosowania w nowych kontekstach. To etapy, gdzie ludzki osąd pozostaje niezbędny. Jak pisałem w tekście o sierpniowych wynikach Astry, umiejętność zadania dobrego problemu i wiedza, który warto zaatakować, to dokładnie to, czego AI jeszcze nie potrafi. Ta obserwacja stała się od tamtej pory jeszcze trafniejsza.
Matematyk Mehtaab Sawhney, który dołączył do OpenAI w 2026 r. po pracy na Columbii, zauważył, że w miarę jak AI przyspiesza odkrycia, główny wąskie gardło dla matematyków przenosi się z generowania dowodów na przyswajanie i kontekstualizowanie matematyki generowanej przez AI.
Gdy generowanie dowodów tanieje, zmienia się to, gdzie pojawia się niedobór. Coraz częściej deficytowa może być nie zdolność do dowodzenia, lecz zdolność do wyboru właściwych twierdzeń do dowiedzenia i zrozumienia, dlaczego ich rozwiązania mają znaczenie.
Zakończenie
Najlepiej rozumieć publikację z 6 października jako najnowszy krok na trajektorii, która przez cały rok przyspieszała. W sierpniu Astra rozwiązała dziesięć wieloletnich problemów w jeden dzień. We wrześniu 88-godzinny sprint z udziałem 10 000 agentów przyniósł sporną, ale zweryfikowaną w Lean tezę o wariancie Problemutysiąclecia Naviera–Stokesa, wraz z nierozstrzygniętym sporem o zasługi, który ujawnił realne napięcia wokół AI i niezależnych badań. Teraz, w październiku, ten sam model frontowy wytworzył 722 rękopisy w 20 subdyscyplinach w kilka tygodni.
Część z tych wyników — obszar bez zer funkcji dzeta Riemanna, ograniczenie dla mnożenia macierzy, izomorfizm czynników grupy wolnej — już przyciągnęła poważną uwagę matematyków znających te dziedziny. Ale liczba rękopisów nie jest sednem. Liczy się to, czy poszczególne wyniki się obronią, czy są naprawdę nowe i czy społeczność zdoła je przyswoić. Weryfikacja w Lean ustanawia poprawność formalną, nie rozumienie matematyczne. Publikacja na GitHubie to nie recenzja naukowa. Przy 722 rękopisach pełna niezależna ocena zajmie lata.
Dziedzina staje dziś przed pytaniem, którego dotąd nie musiała sobie zadawać: nie czy AI potrafi rozwiązywać trudne problemy z matematyki, ale co się dzieje, gdy potrafi produkować badania matematyczne szybciej, niż ludzie są w stanie je ocenić. Jeśli generowanie dowodów stanie się na tyle tanie, by zalać literaturę, deficytem stanie się nie produkcja odpowiedzi, lecz wybór właściwych pytań i rozumienie, dlaczego odpowiedzi mają znaczenie. To zmiana w tym, czego matematyka wymaga od matematyków. Nie koniec pracy.