OpenAI’nin Yapay Zekâ ile Matematik Atılımları: En Son Sonuçlar Ne Anlama Geliyor

6 Ekim 2026'da OpenAI, GitHub'a 722 matematik elyazması bıraktı. Henüz yayımlanmamış bir dahili sınır modeli tarafından üretilen bu çalışmalar; cebir, sayı teorisi, topoloji, kuramsal bilgisayar bilimi ve matematiksel mantığı kapsıyor ve hepsi birkaç hafta içinde üretildi. Ölçek, araştırma topluluğunun bir yapay zekâ sisteminden daha önce gördüğü hiçbir şeye benzemiyordu.

Bunun neden bir kıyaslama puanından farklı bir yere oturduğunu anlamak için, biraz uzaklaşıp bakmak faydalı. Bu, sadece birkaç hafta önce Navier-Stokes Milenyum Ödülü Problemi'ni çözdüğünü iddia eden; bu sonucun da Astra'nın ağustosta on yıllardır açık duran on problemi bir günde süpürmesinin ardından geldiği aynı model. O anların her biri kendi sorularını doğurdu. Ancak 6 Ekim'deki yayımlama ölçekten öte, tür olarak da farklı. OpenAI, 722 elyazmasını matematik araştırma literatürüne gerçek katkılar olarak sunuyor; kıyaslama yanıtları ya da yarışma çözümleri değil.

Ağustos'taki Astra yayımlamasından beri OpenAI'nin matematik hamlesini takip ediyorum ve bu sonuncusunu açımlamak, önceki iki sonuca kıyasla daha fazla özen gerektiriyor. Aşağıda, yapay zekânın gerçekte ne ürettiğine, öne çıkan sonuçlara, doğrulamanın pratikte nasıl işlediğine ve matematikçilerin ne konusunda endişeli olduğuna bakacağız.

OpenAI'nin Yapay Zekâsı Gerçekte Ne Başardı?

OpenAI, yayımlanmamış bir dahili sınır modelini açık matematik araştırma problemlerine yönlendirdi. Model sadece bir yarışma testinde yüksek puan almakla kalmadı. Elyazmaları şeklinde yapılandırılmış matematiksel argümanlar üretti; bunları Lean ispat biçimselleştirmeleri ve modelin muhakemesinin özetleriyle birlikte GitHub'a gönderdi.

AMC veya IMO kıyaslamalarında yüksek puan almak, bir yapay zekânın zekice tasarlanmış yarışma problemlerini çözebildiğini gösterir. Etkin araştırma alanlarındaki köklü açık soruları çözdüğünü iddia eden elyazmaları üretmek ise bambaşka bir önerme. Çıktılar, matematik bilgisine aday katkılar olarak sunuluyor. İncelemeye dayanıp dayanmadıkları ayrı bir soru; bunun yanıtı zaman alacak.

OpenAI Kaç Matematiksel Sonuç Yayımladı?

Haberlerde birkaç farklı sayı göreceksiniz ve bunlar birbiriyle çelişmiyor. Farklı şeyleri sayıyorlar.

Depoda 372 sonuç ailesi halinde düzenlenmiş 722 elyazması var. Bir aile, ilgili makaleleri gruplar: temel bir sonuçla birlikte eşlikçi argümanlar, alternatif ispatlar veya aşağı yönlü sonuçlar. Bu nedenle, 372 aile 722 elyazması üretir; çünkü birçok sonuç destekleyici malzemeyle birlikte gelir. "Yüzlerce sonuç" çerçevesi kabaca doğrudur; 372, ayrı matematiksel bulguların daha kesin sayısıdır.

README, bazı sonuçlarda sorunlar olabileceği uyarısı yapıyor ve OpenAI, Lean biçimselleştirmeleri eklemeye devam ederken bu tür sorunları düzelteceğini söylüyor. Haberler durumu olduğundan daha kesin gösterirken bu ihtiyat payını akılda tutun.

OpenAI'nin Yapay Zekâsı Matematiğin Hangi Alanlarında Çalıştı?

Yayımlama yaklaşık 20 matematik alt alanını kapsıyor. Bazıları matematiksel olmayan teknik bir kitleye daha az tanıdık gelebileceğinden, alanın kabaca bir haritası şöyle:

• Cebir ve grup teorisi, işlemler ve simetrilerinden inşa edilen matematiksel yapıları inceler. En çok tartışılan sonuçların bir kısmı burada yer alıyor.
• Sayı teorisi, tam sayıların ve asal sayıların özelliklerini konu alır. Asalların dağılımını kodlayan Riemann zeta fonksiyonu, birkaç sonuçta karşımıza çıkıyor.
• Topoloji, sürekli deformasyona rağmen korunan özellikleri inceler. Hodge varsayımı (aşağıda daha fazlası) topoloji ile cebirsel geometri kesişiminde yer alır.
• Kuramsal bilgisayar bilimi, hesaplamaya dair temel soruları sorar: neler hesaplanabilir, ne kadar verimli, ve hangi problemler verimli algoritmalara dirençlidir. OpenAI'nin modeli yalnızca bu alanda 80'den fazla makale üretti.
• Matematiksel mantık, matematiksel akıl yürütmenin biçimsel temellerini inceler.

En Büyük Sonuçlar Neler?

Burada dikkatli olmak gerekiyor. Yapay zekânın ürettiği bir sonuç, Lean tarafından kontrol edilmiş bir ispat, bir insan matematikçi tarafından doğrulanmış bir ispat ve matematik topluluğunun bağımsız olarak büyük bir ilerleme olarak tanıdığı bir sonuç arasında gerçek bir fark var. Yayımlama bu dört kategorinin hepsini karıştırıyor.

Bununla birlikte, birkaç sonuç bağımsız matematikçilerin gerçek ilgisini çekti.

Riemann zeta fonksiyonu: yeni bir sıfır içermeyen bölge

Riemann hipotezi hâlâ çözülmedi. OpenAI'nin modeli bunu çözmedi. Bildirildiğine göre kurduğu şey yeni bir sıfır içermeyen bölge: Re(s) > 11/12 için sıfır olmadığını göstermek. Analitik sayı teorisinde bu tür kısmi sonuçlar anlamlıdır; çünkü sıfır içermeyen bölgeler asalların dağılımını sınırlar. Yazım okunabilirlik için insan eliyle düzenlendi ve bu, elyazması üretim sürecinin geri kalanından belirgin bir istisna. İlgili kuazi-Riemann sonucu için bağımsız bir yeniden kontrol, ilk incelemeyi geçti.

İki karakteristikte Kaplansky'nin doğrudan sonluluk varsayımı

Irving Kaplansky, onlarca yıl önce grup halkalarının doğrudan sonluluk denilen belirli bir cebirsel özelliğe sahip olduğunu öne sürmüştü. İki karakteristik durumu özellikle dirençliydi. Modelin bunu çözdüğü bildiriliyor. Lean biçimselleştirmesinin mevcut olduğu belirtilmiş.

Serbest grup faktörlerinin izomorfizmi

Bu, fonksiyonel analizde kuantum sistemlerinin belirli simetrilerini kodlayan yapılar olan von Neumann cebirlerini ilgilendiriyor. Serbest grup faktörlerinin tümünün izomorf olup olmadığı sorusu onlarca yıldır açıktı. Model, de la Harpe ve Voiculescu'nun bir varsayımını çözdüğünü, cins ≥ 2 olan kapalı yönlendirilebilir yüzeylerin temel gruplarının von Neumann cebirlerinin serbest grup faktörleri olduğunu gösterdiğini iddia ediyor. Bağımsız bir yeniden kontrolü geçti.

Matris çarpım üssü

Daha pratik açıdan önemli sonuçlardan biri: model, karmaşık sayılar üzerinde ω ≤ 2.25 kuruyor gibi görünüyor; burada ω, matris çarpım üssüdür. Bu, bilgisayarların matrisleri ne kadar verimli çarpabildiğinin arkasındaki matematiksel nesnedir ve bilgisayar biliminin her yerindeki algoritmalar için gerçek yansımaları vardır. Finans veya mühendislik geçmişinden gelenler için not düşmeye değer: matris çarpım verimliliği, ölçekli hemen her sayısal hesabın temelinde yatar.

Seyreltilmiş spin camları için Mézard-Parisi formülü

İstatistiksel fizik ile olasılık teorisinin buluşması: düzensiz manyetik sistemlerin serbest enerjisini ilgilendirir. Mézard-Parisi formülü öngörülmüştü ancak seyreltilmiş durumda tam olarak kanıtlanmamıştı.

CM abelyen çeşitleri için Hodge varsayımı

Yedi Milenyum Ödüllü Problemi'nden birinin sınırlı bir durumu. Hodge varsayımı, cebirsel çeşitlerin belirli topolojik özelliklerinin her zaman cebirsel olarak temsil edilip edilemeyeceğini sorar. Modelin, belirli ve yapılı bir sınıf olan CM abelyen çeşitleri için bunu kurduğu bildiriliyor. Bu, hâlâ açık olan tam Hodge varsayımı değil; matematikçilerin üzerine çalıştığı özel bir durum. Bu sonuç da standart üretim prosedürüne istisna olarak işaretlendi.

Kuantum Heisenberg ferromanyeti için kendiliğinden mıknatıslanma sonucu ve aritmetik ilerlemeler için kuasipolinom sınırlar, yayımlamayı değerlendiren araştırmacıların ilgisini çekti; ancak kapsamlı bağımsız doğrulama hatırı sayılır zaman alacak.

OpenAI'nin Yapay Zekâsı Sonuçları Nasıl Üretti?

OpenAI, bazı önceki yayımlamalara kıyasla daha fazla yöntemsel ayrıntı paylaştı; ancak tablo hâlâ eksik.

Model, değerlendirme boyunca yaklaşık 4.000 problemle karşı karşıya bırakıldı. Çoğu sonuç, aynı dahili modeli kullanan sabit bir prosedürden geldi. İki sonuç bu standart süreçten saptı: Riemann zeta sıfır içermeyen bölge çalışması ve CM abelyen çeşitleri için Hodge varsayımı. Ortalama bir sonuç, kabaca üç saatlik ChatGPT Pro düşünmesine eşdeğer hesaplama kullandı. Bu yararlı bir referans noktasıdır; ancak her problemin üç saat sürdüğü anlamına gelmez. Bu sayı, sonuç başına ortalama hesaplamayı ifade eder; toplam geçen süreyi veya başarısız denemelerin maliyetini değil.

Bağlam için, bu metodoloji kendinden öncekilere göre hayli daha sistematik. Astra, ağustosta on açık problemi çözdüğünde, her bir çözümün çıkarım maliyeti raporlara göre yaklaşık 2.000 $ idi. Ondan önce, Navier-Stokes atağı tahmini toplam 22,5 milyon $ hesaplama maliyetiyle 88 saat boyunca çalışan 10.000 paralel aracı tüketti; hem bir sonuç hem de ciddi bir kredi anlaşmazlığı üreten kaba kuvvet yaklaşımıydı. 6 Ekim yayımlaması, bir ataktan ziyade sürdürülebilir bir araştırma programına benziyor: sonuç başına daha düşük hesaplama, daha geniş kapsama, ilişkili sonuç aileleri etrafında kasıtlı bir yapı.

OpenAI, 10 sonuç için muhakeme özetleri, hesaplama tahminleri ve denenen problemlerle ilgili istatistikler yayımladı. Matematik ve Yapay Zekâ Danışma Grubu, daha ileri gidilmesini ve tüm istemlerin ve tam düşünce zincirlerinin yayımlanmasını istedi. OpenAI'nin sağladıkları ile matematik topluluğunun görmek istediği arasında bir boşluk var.

OpenAI'nin Matematiksel İspatları Nasıl Doğrulandı?

Doğrulama muhtemelen bu hikâyenin en sonuç doğuran kısmı. Dahil olan farklı katmanlar hakkında net olmak önemli.

Lean biçimselleştirmesi

Lean, matematiksel ispatların bir bilgisayarın mekanik olarak kontrol edebileceği bir biçimde ifade edilmesini sağlayan bir programlama dili ve ispat yardımcısıdır. Bir ispat Lean'de kontrol ediliyorsa, belirtilen varsayımlar altında mantıksal adımlar biçimsel olarak doğrudur. 722 elyazmasının çoğunun yanında Lean biçimselleştirmeleri var; ancak hepsinde değil.

Lean doğrulamasının kurduğu şey biçimsel doğruluktur. Kurmadığı şey ise biçimsel ifadenin amaçlanan matematiksel soruyu doğru temsil edip etmediği, sonucun gerçekten yeni olup olmadığı veya muhakemenin üzerine inşa etmek isteyen matematikçiler için anlamlı olup olmadığıdır.

İnsan tarafından matematiksel doğrulama

İşler burada yavaşlıyor. Matematikçilerin, biçimsel ifadenin iddia ettiği açık problemi gerçekten yakalayıp yakalamadığını, ispat tekniğinin yeni olup olmadığını ve sonucun mevcut literatüre göre özgünlüğünü belirlemesi gerekiyor. Bir karmaşıklık kuramcısı olan Dana Moshkovitz, elyazmalarını "psikedelik etkisi altındaki birinin yazdığı bir şeye benziyor" diye nitelendirerek AI yardımı olmadan okumanın bile zor olduğunu, ancak sonuçlardan öğrenecek çok şey olduğunu belirtti. Teknik doğruluk ile zor anlaşılır anlatım yan yana geldiğinde, insan doğrulayıcılar için gerçek bir iş yükü doğuyor.

Hakemli değerlendirme ve bağımsız doğrulama

GitHub'da yayımlamak hakemli değerlendirme değildir. Danışma kurulu, yayımlamanın "insan anlayışının ve çalışmanın matematik bilgisine dâhil edilmesinin sürecinin başlangıcı, tamamlanışı değil" olduğunu açıkça belirtti. 20 alt alan boyunca 722 elyazması için kapsamlı bağımsız değerlendirme, yıllar sürecek bir projedir.

Biçimsel doğruluk, matematiksel kavrayış, yenilik ve bilimsel önem ayrı sorulardır. Lean tarafından doğrulanmış bir ispat, ilkini karşılayabilir; diğerlerini ise hiç çözmeyebilir.

Matematiğin Ne Kadarı Gerçekten Yapay Zekâ Tarafından Yapıldı?

Bunun net bir yanıtı yok.

Modele yöneltilen problemlerin çoğunu insanlar seçti veya formüle etti. Mevcut matematik literatürü, yapay zekânın çalıştığı entelektüel bağlamı sağladı. Model, matematiksel argümanları üretti. İnsan araştırmacılar elyazmalarının hazırlanmasına yardımcı oldu ve Lean ispatları biçimselleştirdi. Dolayısıyla "matematiği kim yaptı?" sorusu, tek bir tarafa değil, bir katkı zincirine yayılıyor.

Bazı matematikçiler daha keskin bir endişe dile getirdi: model, bazen bağımsız bir yenilikçi yaklaşım keşfetmektense mevcut insan araştırma çizgilerini tamamlıyor olabilir. Bu, Navier-Stokes iddiasından sonra belirgin biçimde gündeme geldi. Kendi yapay zekâ destekli çalışması OpenAI duyurusundan saatler önce yayımlanan matematikçi Tristan Buckmaster, kredi konusunda ciddi sorular yöneltti. Yayımlanmamış bir yıllık çalışmasının, bilerek ya da bilmeyerek, OpenAI'nin atağının yönünü şekillendirmiş olabileceğini iddia etti; OpenAI, herhangi bir özel isteme veya yayımlanmamış araştırmaya eriştiğini reddetti. Bu anlaşmazlık çözülmedi. Adı geçen tek bir araştırmacı olmasa bile, bir yapay zekâ sonucunun kimin entelektüel altyapısı üzerine inşa edildiği sorusu, ekim yayımlaması için de geçerlidir.

Ekonomist Joshua Gans yararlı bir çerçeve önerdi: matematiksel keşif üç aşamadan oluşur. Problemi seç, problemi çöz, sonucu anla ve uygula. Yapay zekâ giderek ortadaki adımı otomatikleştirebilir. Bu, insan ve makine katkısı arasındaki ayrımı ortadan kaldırmaz; ancak çabanın nereye harcandığını yeniden dağıtır.

Matematikçiler Neden Endişeli?

Endişeler yekpare değil. Matematik topluluğunu basitçe yapay zekâya karşı olarak nitelemek doğru olmaz. En ciddi eleştirmenlerin gerçekte nelerden kaygılandığına bakalım.

Anlama, keşfin gerisinde kalabilir

Bir insan matematikçi ispat ürettiğinde, süreç genellikle matematik kültürünün parçası haline gelen araçlar, sezgiler ve içgörüler doğurur. Bir model doğru ama opak bir ispat ürettiğinde, sonuç bu çevresel anlama olmadan var olur. Navier-Stokes duyurusundan önce, tarihsel olarak verimli açık problemlerin viral kıyaslama anlarına dönüştürülmesinin fırsat maliyeti konusunda açıkça uyaran Terence Tao, neden doğru olduklarını bilmeden doğru yanıtların birikmesinin uzun vadede matematik pratiğine zarar verdiği endişesini dile getirdi. Bu sadece estetik bir sorun değil.

Yüzlerce sonucu gözden geçirmek zordur

Matematik topluluğunun hakemlik kapasitesi sınırlıdır. Bir yapay zekâ, topluluğun değerlendirme hızından daha hızlı araştırma üretebildiğinde, matematik bilgisinin nasıl yerleştiğini çarpıtan bir yığılma oluşur. Bir eleştirmen yayımlamayı "şüpheli biçimde Gish Gallop'vari" diye niteleyerek, o kadar çok elyazmasıyla alanı su bastığını ve hataların yıllarca itirazsız kalabileceğini söyledi. Bu endişenin yakın bir örneği var: Astra'nın ağustostaki on-problem yayımlaması aylar sonra hâlâ tam hakemlikten geçmedi. Bunun 72 katı hacim, kategorik olarak farklı bir meydan okumadır.

Mevcut insan araştırması ve kredi

Birçok sonuç, adı verilen araştırmacıların belirli önceki çalışmalarına dayanıyor. Bu entelektüel borcun nasıl temsil edileceği gerçekten tartışmalıdır. Navier-Stokes olayı bunu somutlaştırdı: yayımlanmamış bir yılını çok milyon dolarlık bir yapay zekâ atağını şekillendirmiş olabilecek bir çalışmaya harcayan bir araştırmacı, sonunda kariyeri hakkında sorular yanıtlamak zorunda kaldı. Danışma grubunun tavsiyeleri bu nedenle atıf prosedürlerini özellikle ele aldı.

Mülki modeller eşitsiz erişim yaratır

Bu sonuçları üreten model kamuya açık değil. Bu düzeyde yetkinlikle çalışmak isteyen akademik matematikçiler, OpenAI'nin dahili ekipleriyle aynı araçlara sahip değil. Danışma grubunun 29 Eylül tarihli tavsiyeleri, daha geniş araştırma topluluğunun erişemediği mülki modellerde ileri matematik problemlerinin test edilmesinin durdurulmasını açıkça istedi. OpenAI, tavsiyeyi tamamen benimsemeden not etti.

Matematiksel araştırma yapay zekâ laboratuvarlarında yoğunlaşabilir

Eğer matematiksel keşfin sınırı, sınır hesaplamasına ve mülki modellere erişim gerektirirse, hangi problemlerin önemli olduğuna ve hangi sonuçların duyurulacağına dair kararlar giderek az sayıda özel kuruluş içinde alınabilir. Bu, matematiğin tarihsel olarak sahip olduğundan çok farklı bir yapıdır.

Bunlar matematik topluluğu üyeleri tarafından dile getirilen endişelerdir; kesin hükümler değildir ve tüm matematikçiler bu endişeleri aynı ölçüde paylaşmaz.

OpenAI'nin Yapay Zekâ Matematiği Yayımlamaya Yeni Yaklaşımı

OpenAI, topluluğun endişelerini gidermek için bazı adımlar attı; ancak danışma grubu daha fazlasını talep ediyor.

Yayımlama, düzeltme protokolleriyle Apache-2.0 lisansı altında GitHub'da yapıldı. Düzeltmeler yapıldığında önceki sürümler erişilebilir kalıyor. Her elyazması atıf için bir BibTeX bloğu içeriyor. Birçok sonuca Lean biçimselleştirmeleri eşlik ediyor. OpenAI, 10 sonuç için muhakeme özetleri ve ChatGPT Pro saatleri cinsinden ifade edilen hesaplama tahminleri yayımladı.

OpenAI, bu yayımlama boyunca İleri Araştırmalar Enstitüsü'ndeki Matematik ve Yapay Zekâ Danışma Grubu'na danıştı. Grup, Melanie Matchett Wood (Harvard), Edward Witten (IAS), Ravi Vakil (Stanford), Ulrike Tillmann (Oxford) ve diğerlerinden oluşuyor; OpenAI'den bağımsız ve ücret almadan çalışan dokuz seçkin matematikçi.

Grubun görüşü, yayımlamanın bir başlangıç noktası olduğudur. Melanie Wood bunu "insan anlayışının sürecinin başlangıcı, tamamlanışı değil" diye tanımladı. Grup, OpenAI'nin tüm istemleri ve tam düşünce zincirlerini yayımlamasını, GitHub yerine kalıcı atıf tanımlayıcıları olan akademik depoları kullanmasını ve yapay zekâ laboratuvarlarının kontrolünde olmayan kurumlar aracılığıyla insan anlayışının geliştirilmesini desteklemesini istedi. OpenAI bu standartlara doğru çalışmayı taahhüt etti. Henüz hepsini karşılamış değil.

Yapay Zekâ Matematikçilerin Rolü İçin Ne Anlama Geliyor?

Daha ilginç soru, yapay zekânın matematikçilerin yerini alıp almadığı değil. Almıyor; en azından henüz değil ve muhtemelen en önemli açılardan hiç değil. Daha ilginç soru, ispat üretimi dramatik biçimde ucuzladığında matematiksel çalışmanın nasıl değiştiği.

Seç → çöz → anla çerçevesine geri dönersek: yapay zekâ giderek çözme adımını üstlenirse, insan uzmanlığı başlangıç ve bitiş noktalarında daha değerli hale gelir. Hangi problemlerin peşine düşmeye değer olduğuna karar vermek, iyi varsayımlar formüle etmek, bir sonucun ne anlama geldiğini yorumlamak, yeni bir bulguyu mevcut matematikle ilişkilendirmek, keşifleri yeni bağlamlarda uygulamak. Bunlar, insan yargısının vazgeçilmez olduğu aşamalardır. Astra'nın ağustos sonuçları üzerine yazımda da ele aldığım gibi, iyi bir problem sorma ve hangisinin saldırmaya değer olduğunu bilme becerisi, yapay zekânın henüz kopyalayamadığı şeydir. Bu gözlem o zamandan beri daha da anlamlı hale geldi.

2026'da Columbia'da çalıştıktan sonra OpenAI'ye katılan matematikçi Mehtaab Sawhney, yapay zekâ keşfi hızlandırdıkça, insan matematikçiler için birincil darboğazın ispat üretiminden yapay zekâ kaynaklı matematiği özümsemeye ve bağlamsallaştırmaya kaydığını gözlemledi.

İspat üretimi ucuzladığında değişen şey kıtlığın yeri olur. Kıt kaynak giderek bir şeyleri ispatlayabilme yeteneği değil; neyin ispatlanmaya değer olduğunu seçebilme ve çözümlerinin neden önemli olduğunu anlayabilme yeteneği olabilir.

Sonuç

6 Ekim yayımlaması, yıl boyunca ivmelenen bir seyrin en son adımı olarak anlaşılmalı. Ağustosta, Astra tek bir günde on yıllardır bekleyen on problemi çözdü. Eylülde, 88 saatlik, 10.000 ajanlı bir atak, Navier-Stokes Milenyum Ödülü varyantı üzerine tartışmalı ama Lean tarafından doğrulanmış bir iddia üretti ve bağımsız araştırma ile yapay zekâ arasındaki gerçek gerilimleri açığa çıkaran çözümsüz bir kredi anlaşmazlığını beraberinde getirdi. Şimdi, ekimde, aynı sınır modeli birkaç hafta içinde 20 alt alanda 722 elyazması üretti.

Bu sonuçlardan bazıları — Riemann zeta sıfır içermeyen bölge, matris çarpım sınırı, serbest grup faktörleri izomorfizmi — bu alanları iyi bilen matematikçilerden şimdiden ciddi ilgi gördü. Ancak elyazması sayısı hikâye değil. Önemli olan tekil sonuçların ayakta kalıp kalmadığı, gerçekten yeni olup olmadıkları ve matematik topluluğunun bunları özümseyip özümseyemeyeceğidir. Lean doğrulaması biçimsel doğruluğu kurar; matematiksel kavrayışı değil. GitHub'da yayımlamak hakemli değerlendirme değildir. 722 elyazması için kapsamlı bağımsız değerlendirme yıllar alacaktır.

Alan şimdiye kadar yüzleşmek zorunda kalmadığı bir soruyla karşı karşıya: yapay zekânın zor matematik problemlerini çözüp çözemeyeceği değil, bunu insanlardan daha hızlı matematiksel araştırma üretebilecek kadar yapabildiğinde ne olacağı. Eğer ispat üretimi araştırma literatürünü su basacak kadar ucuzlarsa, kıt kaynak yanıt üretiminden doğru soruları seçmeye ve bu yanıtların neden önemli olduğunu anlamaya kayar. Bu, matematiğin matematikçilerden ne beklediğinde bir değişimdir. İşin sonu değil.