Ketika AI Menyelesaikan Masalah Matematika Terbuka, Apa yang Tersisa untuk Kejeniusan?

Matematika telah lama dianggap sebagai ukuran kecerdasan yang paling murni. Tidak seperti ilmu pengetahuan lain, matematika tidak bergantung pada peralatan laboratorium, kebisingan eksperimental, atau alat pengukur. Bukti adalah benar atau salah. Keterjelasan itu adalah alasan mengapa masalah yang belum terpecahkan – konjektur yang resisten terhadap setiap teknik yang diketahui – telah menjadi semacam Gunung Everest intelektual.

Sejarah cenderung menceritakan kisah yang sama: pertanyaan menggantung di udara selama dekade atau abad sampai pikiran langka muncul – seseorang dengan campuran kesabaran, kreativitas, dan kekuatan teknis yang tidak biasa untuk melihat jalan yang tidak terlihat oleh orang lain. Kami merayakan “jenius tunggal” karena dalam matematika, narasi itu sering sesuai.

Tapi pola baru mulai muncul. Pada akhir 2025 dan awal 2026, diskusi online tentang beberapa masalah Erdős (sebuah kumpulan masalah terbuka yang dikumpulkan oleh Paul Erdős) menunjukkan bahwa bukti yang dibantu AI mungkin telah menyelesaikan beberapa item dalam waktu yang tidak biasa. Beberapa sketsa bukti tersebut dilaporkan telah ditinjau oleh ahli matematika terkemuka, termasuk Terence Tao, yang telah berbicara secara terbuka tentang peran AI yang semakin besar sebagai kolaborator matematika. Namun, catatan penting tetap ada: matematika tidak berjalan pada headline. Penerimaan yang luas biasanya membutuhkan waktu – verifikasi independen, penulisan yang hati-hati, dan kadang-kadang formalisasi dalam sistem pemeriksa bukti.

Meskipun dengan itu, poin yang lebih luas tetap berlaku: dunia mendapatkan pandangan pertama yang nyata tentang apa yang terjadi ketika AI tidak hanya menghitung, meringkas, atau mencocokkan pola, tetapi berpartisipasi dalam tindakan penalaran. Jika AI dapat membantu menyelesaikan masalah yang telah diperebutkan oleh manusia selama generasi, itu memaksa pertanyaan yang lebih dalam:
Apa yang akan dilakukan oleh kejeniusan manusia selanjutnya – ketika mesin dapat mencapai puncak pertama?

Mekanika “Penalaran Silikon”

Untuk memahami mengapa momen ini terasa berbeda, membantu untuk memisahkan dua versi AI yang orang sering campurkan.

Generasi awal model bahasa sering digambarkan (secara adil) sebagai sistem yang memprediksi kata berikutnya yang mungkin. Mereka bisa terlihat mengesankan, tetapi mereka juga rentan terhadap “kebodohan yang percaya diri” karena mereka memiliki kemampuan yang terbatas untuk melambatkan, menguji ide, atau memperbaiki diri.

Sistem yang lebih baru semakin bergantung pada pendekatan yang berbeda: penalaran waktu uji (kadang-kadang dibahas sebagai “komputasi waktu uji”). Sebagai gantinya untuk menghasilkan jawaban segera, model dapat menghabiskan lebih banyak waktu pada satu masalah – menghasilkan pendekatan kandidat, memeriksa apakah langkah-langkah mengikuti secara logis, mundur ketika mereka mengenai kontradiksi, dan menjelajahi rute alternatif. Dalam istilah manusia, itu menyerupai apa yang dilakukan oleh seorang matematikawan di papan tulis: mencoba, memecahkan, memperbaiki, dan mengulangi.

Hal ini penting dalam matematika karena kemajuan jarang merupakan garis lurus. Sebagian besar ide yang menjanjikan gagal. Kemampuan untuk mundur – tanpa ego, kelelahan, atau kekecewaan – dapat mengubah pencarian yang mustahil menjadi satu yang dapat diatasi.

Sistem AI modern telah melampaui perhitungan murni, menawarkan empat kemampuan praktis yang membuat mereka terasa kurang seperti kalkulator dan lebih seperti kolaborator. Mereka unggul dalam sintesis skala besar, menghubungkan ide di seluruh tubuh literatur dan subbidang khusus di mana lemma kunci jarang dikutip. Mereka juga memungkinkan iterasi cepat, menguji banyak “rute” bukti dengan cepat dan membuang jalan buntu sambil mempertahankan sub-struktur yang menjanjikan. Selain itu, mesin ini terkadang mengusulkan heuristik yang tidak biasa – konstruksi intermediate yang terdengar asing bagi intuisi manusia tetapi tetap logis. Akhirnya, mereka menghasilkan output yang ramah verifikasi yang dapat diterjemahkan ke dalam asisten bukti formal seperti Lean atau Coq, memberikan komunitas dengan jalur menuju kepercayaan yang lebih tinggi.

Penting untuk dicatat bahwa ini tidak berarti AI “memahami” matematika dengan cara yang sama seperti manusia. Ini berarti sesuatu yang lebih spesifik: di bawah kendala yang tepat, AI dapat menghasilkan rantai penalaran yang tahan uji. Dalam matematika, itu adalah mata uang yang penting.

Mengapa Masalah Gaya Erdős Masuk Akal sebagai Target Awal

Tidak semua frontir matematika sama-sama “rentan” terhadap percepatan AI. Beberapa masalah memerlukan teori baru, definisi baru, atau lompatan konseptual yang dalam yang tidak memiliki banyak pijakan dalam literatur yang ada. Tapi masalah lain – terutama dalam kombinatorik, teori bilangan, dan matematika diskrit – sering memiliki bentuk yang berbeda:

• Pernyataan sederhana enough untuk dijelaskan kepada non-spesialis.
• Alat yang diketahui banyak, tersebar di seluruh kertas, dan mudah terlewatkan.
• Kemajuan sering datang dari menggabungkan hasil yang ada dengan cara yang cerdas.

Masalah Erdős sering sesuai dengan profil ini. Mereka terkenal karena mudah dinyatakan dan sulit diselesaikan, dan mereka hidup di domain di mana bukti dapat melibatkan patchwork teknik: metode probabilistik, kombinatorik ekstrem, teori ergodik, analisis harmonik, dan lain-lain.

Itu membuat mereka berguna sebagai “tes tekanan” untuk AI. Jika sistem dapat mengusulkan strategi bukti yang kredibel untuk masalah yang telah menolak upaya manusia yang luas, itu bermakna – bahkan jika ternyata (seperti yang terkadang terjadi) bahwa ide kunci sudah implisit dalam pekerjaan yang lebih tua, atau bahwa bukti perlu dipoles sebelum menjadi kanonik.

Dalam kata lain: cerita ini bukan “AI menggantikan matematikawan.” Cerita ini adalah bahwa AI mungkin mengurangi jarak antara “hasil ada di suatu tempat” dan “komunitas dapat benar-benar melihatnya.”

Ketika AI Menemukan Kembali Apa yang Dilupakan Manusia

Salah satu pola paling menarik dalam sains modern bukanlah bahwa manusia kekurangan pengetahuan, tetapi bahwa kita bergelut untuk mengambil pengetahuan.

Matematika sangat besar. Hasilnya tersebar di seluruh dekade jurnal, catatan workshop, dan subbidang khusus dengan bahasa dan konvensi mereka sendiri. Bahkan matematikawan yang sangat baik dapat melewatkan teorema yang “jelas” di dalam domain khusus. Seiring waktu, seluruh rantai penalaran dapat menjadi terkubur – bukan karena mereka salah, tetapi karena perhatian bergeser ke tempat lain.

AI mengubah dinamika itu dengan bersedia mencari sudut yang membosankan di mana manusia jarang melihat karena mereka cenderung menuju area yang modis. AI juga berfungsi sebagai jembatan, menerjemahkan antara bahasa subbidang yang berbeda dan menyelaraskan ide yang manusia tradisional simpan terpisah.

Ini adalah tempat di mana banyak orang melihat janji yang paling dalam. Bahkan ketika AI tidak menciptakan matematika baru dari awal, AI dapat berfungsi seperti “penggali pengetahuan” yang ultra-kuat, membawa struktur yang terlupakan kembali ke dalam pandangan dan menggabungkannya dengan cara yang terasa baru.

Perubahan “Matematika Besar”: Dari Penulis Bukti ke Konduktor

Jika AI terus membaik, perubahan terbesar mungkin tidak bahwa mesin menyelesaikan lebih banyak teorema. Mungkin peran matematikawan manusia yang berubah.

Matematika selama berabad-abad berarti menghabiskan upaya besar pada bukti itu sendiri – menemukan rute, memverifikasi setiap langkah, dan menulisnya dengan cara yang ahli lain dapat periksa. Upaya itu adalah bagian dari kerajinan. Tapi itu juga merupakan bottleneck. Banyak ide yang menjanjikan mati hanya karena waktu manusia yang dibutuhkan untuk sepenuhnya mengeksekusi dan memformalkan mereka terlalu tinggi.

Dalam dunia yang dipercepat AI, bukti menjadi kurang langka. Itu tidak membuat matematika menjadi sepele. Itu mengubah di mana pekerjaan yang sulit berada.

Matematikawan sebagai Kartografer, Bukan Penghitung

Jika bukti tidak lagi menjadi bottleneck utama, “kejeniusan” bergeser ke tugas yang lebih tinggi. Memilih pertanyaan yang paling berharga untuk diselesaikan menjadi tanggung jawab manusia yang sentral, begitu juga dengan merancang abstraksi baru seperti invarian dan definisi yang menghubungkan bidang. Selain itu, pikiran hebat akan fokus pada membangun program penelitian dengan memetakan lanskap konjektur dan mengatur penemuan, serta menerjemahkan hasil abstrak ke dalam alat fungsional untuk bidang lain.
Bayangkan seperti perubahan dalam catur setelah komputer. Catur manusia tidak berakhir ketika mesin melampaui kita. Sebaliknya, permainan elit berevolusi. Manusia belajar untuk mengajukan pertanyaan yang lebih baik kepada mesin, menafsirkan rekomendasi mereka, dan mengembangkan strategi yang menggabungkan intuisi dengan perhitungan.

Matematika mungkin menjalani transformasi serupa – kecuali bahwa taruhannya lebih luas. Alat matematika baru dapat mengubah kriptografi, optimisasi, pembelajaran mesin, fisika, dan ekonomi. Jika AI mengurangi biaya penemuan, efeknya bisa sangat besar.

Apakah Ini “Pemikiran Bebas,” atau Cuma Pencarian yang Sangat Cepat?

Seorang skeptis yang masuk akal mungkin mengatakan: ini bukanlah kecerdasan, itu hanya kekuatan bruta. Berikan mesin cukup komputasi dan itu akan menemukan sesuatu yang berhasil.

Ada poin yang nyata di sini. AI membawa skala. AI dapat mencoba banyak rute. Tapi kasus yang paling menarik bukanlah penemuan acak – mereka melibatkan sintesis terstruktur: menghubungkan konsep, menggunakannya kembali lemma dalam konteks yang tidak biasa, dan merakit rantai penalaran yang cukup koheren untuk ahli validasi.

Dalam prakteknya, garis antara “pencarian” dan “pemikiran” menjadi kabur. Matematikawan manusia juga mencari – melalui ide, melalui analogi, melalui hasil parsial. Yang penting adalah apakah prosesnya secara konsisten menghasilkan kebenaran baru yang dapat diperiksa.

Jika AI menjadi konsisten mampu melakukan itu, maka labelnya kurang penting daripada hasilnya. Garis depan bergeser baik cara.

Mana yang Mungkin Jatuh Berikutnya?

Jika AI terus membaik, kita harus mengharapkan pola: masalah yang jatuh pertama akan sering menjadi mereka di mana pengetahuan sudah ada tetapi terfragmentasi, di mana teknik yang ada dapat digabungkan, dan di mana verifikasi formal dapat dengan cepat meningkatkan kepercayaan.

Target jangka pendek yang mungkin termasuk:

• Kombinatorik ekstrem dan teori grafik: toolkit yang kaya, banyak lemma yang diketahui, dan banyak masalah yang didefinisikan dalam istilah diskrit yang bersih.
• Teori bilangan aditif: tanah yang subur untuk bukti silang-teknik dan argumen “jembatan” yang menghubungkan bidang.
• Pertanyaan optimisasi dan kompleksitas-adjacent: tidak tier “P vs NP” terdalam pertama, tetapi banyak hasil struktural kecil di sekitar algoritma dan batasan.
• Subdomain yang dapat diformalkan: area yang sudah sebagian dikodekan ke dalam asisten bukti, di mana AI dapat mempercepat terjemahan dari ide ke teorema yang diverifikasi.

Masalah besar yang terkenal – seperti Masalah Hadiah Milenium – mungkin masih memerlukan penemuan konseptual yang dalam. Tapi bahkan di sana, AI bisa mengikis medan sekitar: membuktikan lemma, menjelajahi kasus khusus, dan membangun scaffolding yang membuat lompatan akhir manusia (atau hibrida) lebih mungkin.

Perubahan Filsafat: Kembalinya Penanya Pertanyaan

Ketika kita mengotomatisasi mekanika bukti, kita terpaksa menghadapi kenyataan yang telah ada sejak awal disiplin: matematika adalah, dan selalu menjadi, subset dari filsafat. Secara historis, intelek yang paling dihargai dari spesies kita adalah mereka yang dapat bergulat dengan pertanyaan paling bermakna dalam kehidupan. Orang Yunani tidak memisahkan studi angka dari studi keberadaan; bagi mereka, “irrasionalitas” dari sebuah angka adalah krisis jiwa sebanyak krisis logika.

Dalam era modern, kita menggeser valuasi kita dari kejeniusan manusia ke arah master penghitung – pikiran yang dapat menggiling melalui pekerjaan manual yang padat dari bukti tiga ratus halaman. Kami mengidentifikasi kecerdasan dengan kemampuan untuk berfungsi sebagai prosesor biologis. Tapi ketika AI mulai mencapai puncak bukti pertama, bottleneck teknis itu menguap. Ini tidak mengurangi intelek manusia; itu memaksa intelek untuk bermigrasi “naik ke atas.”

Intelek yang paling dihargai di masa depan tidak akan menjadi mereka yang dapat mengeksekusi proses yang diketahui dengan efisiensi ekstrem, tetapi filsuf yang dapat mendefinisikan apa yang layak ditemukan pertama-tama. Ketika “bagaimana” menjadi komoditas yang disediakan oleh silikon, “mengapa” menjadi satu-satunya kelangkaan yang tersisa. Kami kembali ke era Polymath, di mana kemampuan untuk mengajukan pertanyaan yang mengubah kehidupan – untuk memahami cakrawala baru makna – adalah keterampilan tertinggi. Seperti perubahan dari sekop ke backhoe, kami tidak lagi dihargai karena kemampuan kami untuk menggali dengan tangan kami, tetapi karena visi kami dalam memutuskan di mana untuk memulai.

Kesimpulan: Masa Depan di Mana Kejeniusan Pindah ke Atas

Jika AI dapat membantu menyelesaikan masalah yang pernah membutuhkan intelek seabad, itu tidak berarti kita kehabisan matematika. Itu berarti kita mengubah cara kita melakukannya.

Dalam dunia di mana bukti menjadi lebih murah, sumber daya yang langka menjadi sesuatu yang lain: pertanyaan yang baik, abstraksi yang berguna, dan kemampuan untuk menafsirkan apa yang dimaksudkan dengan matematika.

Intelek “unik” di masa depan mungkin terlihat kurang seperti sosok yang bersendirian menggiling melalui bukti selama dekade dan lebih seperti kartografer ide – seseorang yang dapat melihat mana gunung yang layak didaki, dan bagaimana mengkoordinasikan ekspedisi baru di mana manusia dan mesin mendaki bersama.