Futurist-serien
AI løser Erdős-problemer. Hva kommer neste?

Viktige punkterAI går nå inn i forskningsløkken som en deltaker snarere enn bare en assistent.
Vis mer
- AI går nå inn i forskningsløkken som en deltaker snarere enn bare en assistent.
- Formelle bevissystemer gjør det mulig å stole på maskingenerert matematikk gjennom kompilatorsjekket logikk.
- Menneskelig geni forskyves oppover mot smak og mot å velge hvilke problemer som virkelig betyr noe.
For bare noen måneder siden føltes spørsmålet mest filosofisk: hvis kunstig intelligens kan hjelpe med å løse åpne matematikkproblemer, hva skjer med ideen om menneskelig genialitet?
Det spørsmålet er ikke lenger teoretisk. To nylige utviklinger som involverer OpenAI og Google DeepMind, antyder at AI flytter seg fra å være en matematisk assistent til å bli en matematisk deltaker. Ikke i betydningen at det erstatter matematikere helt, men i den mer presise og viktige betydningen at det genererer, søker, sjekker og noen ganger oppdager argumenter som kan overleve ekspertgransking.
Den første utviklingen kom fra OpenAI, som annonserte at en intern resonneringsmodell for generelle formål hadde gjort et gjennombrudd på enhetsavstandsproblemet i planet, et berømt spørsmål stilt av Paul Erdős i 1946. Problemet spør hvor mange par punkter i et plan kan være nøyaktig en enhet fra hverandre. I flere tiår var den rådende troen at kvadratisk rutenett-lignende konstruksjoner var essensielt optimale. OpenAI’s modell fant en ny familie av konstruksjoner som motbeviste denne troen.
Den andre kom fra Google DeepMind-forskere, som publiserte en artikkel med tittelen Advancing Mathematics Research with AI-Driven Formal Proof Search. Deres system, AlphaProof Nexus, evaluerte AI-drevet bevisgenerering på åpne forskningsnivåproblemer og rapporterte at dens sterkeste agent autonomt løste 9 av 353 åpne Erdős-problemer. Det beviste også 44 av 492 åpne konjekturer fra Online Encyclopedia of Integer Sequences.
Sammen markerer disse resultatene et skifte. Den viktige historien er ikke at AI har plutselig løst matematikk. Det har det ikke. Den viktige historien er at AI-systemer begynner å operere innen forskningsløkken selv.
Hvorfor Erdős-problemer er en alvorlig test for AI
Paul Erdős var en av de mest produktive matematikerne i historien, og problemene som er knyttet til hans arbeid, okkuperer en spesiell plass i matematikk. Mange er lette å formulere, vanskelige å løse og koblet til dype områder som kombinatorikk, tallteori, grafteori og diskret geometri.
Det gjør dem usedvanlig nyttige som en benchmark for AI-resonnering. De er ikke skoleøvelser. De er heller ikke alltid gigantiske, teori-rykkende konjekturer som Riemann-hypotesen. I stedet ligger mange Erdős-problemer i midten hvor fremgang avhenger av å finne riktig sammenheng, riktig konstruksjon eller riktig oversett lemma.
Dette er nettopp der AI kan være mest nyttig tidlig. Moderne resonneringssystemer er ikke bare regnemaskiner. De kan utforske mange mulige bevisruter, sammenligne delvise strategier, hente fjerne ideer fra nærliggende felt og teste om et argument kan gjøres rigorøst.
OpenAI-resultatet er slående fordi modellen ikke bare polerte en kjent rute. Den fant en uventet bro mellom diskret geometri og algebraisk tallteori. Det er den typen konseptuelle sprang som matematikere vanligvis assosierer med ekte kreativitet.
OpenAI og enhetsavstand-gjennombruddet
Enhetsavstandsproblemet i planet er enkelt å beskrive. Plasser n punkter i planet. Tell hvor mange par punkter som er nøyaktig en enhet fra hverandre. Målet er å forstå hvor stor denne tellingen kan være når n vokser.
I nesten 80 år, mistenkte matematikere at de beste konstruksjonene ikke ville overgå kvadratisk rutenett-lignende arrangementer dramatisk. OpenAI’s modell utfordret denne antagelsen ved å produsere en uendelig familie av eksempler som slo den forventede grensen med en polynomisk forbedring.
Det betyr to ting. Først, det endrer det matematiske bildet. Det antyder at tallteoretiske konstruksjoner kan ha mer å bidra til diskret geometri enn mange forskere antok. For det andre endrer det AI-bildet. Modellen som var involvert, ble beskrevet som en resonneringsmodell for generelle formål, ikke et system bygget bare for dette spesifikke problemet.
Med andre ord, systemet ser ut til å ha overført resonneringskraft til et ukjent forskningsmiljø. Det hadde ikke bare lært et kjent bevis utenat. Det produserte et resultat som eksterne matematikere behandlet som et stort bidrag.
Google DeepMind og formelt bevissøk
Artikkelen fra Google DeepMind tar opp et annet, like viktig spørsmål: hvordan kan AI-generert matematikk gjøres pålitelig?
Språkmodeller kan produsere elegante argumenter som inneholder subtile feil. I normal prosa, kan disse feilene være vanskelige å oppdage. I matematikk, kan ett feil skritt invalidere hele beviset. Dette er hvorfor formelle bevissystemer som Lean er viktige. Lean bryr seg ikke om hvorvidt et argument lyder overbevisende. Hvert logiske skritt må sjekkes.
AlphaProof Nexus bruker denne begrensningen som en del av arbeidsflyten. AI-agenter genererer bevisforsøk i Lean, mottar tilbakemelding fra kompilatoren, reviderer sin tilnærming og fortsetter å søke. Den sterkere versjonen koordinerer underagenter og bruker mer avanserte bevisverktøy for å fokusere søket.
| Utvikling | AI-metode | Hvorfor det betyr noe |
|---|---|---|
| OpenAI enhetsavstand-resultat | Resonneringsmodell for generelle formål | Viste at AI kan produsere en original konstruksjon for et fremtredende åpent problem |
| Google DeepMind AlphaProof Nexus | LLM-styrt Lean-bevis-søk | Viste at AI kan formelt løse flere åpne Erdős-problemer |
| Formell bevis-verifisering | Kompilator-sjekket logikk | Reduserer risikoen for overbevisende, men ugyldige matematiske utdata |
DeepMind-resultatet er spesielt viktig fordi det kobler AI-resonnering til verifisering. Man trenger ikke å stole på systemet på samme måte som på en chatbot i naturlig språk. Beviset kan enten kompileres eller ikke.
Hva dette betyr for matematisk forskning
Den nåværende lære er ikke at matematikere er foreldet. Det er at flaskehalsen i matematikk kan være i ferd med å endre seg.
Historisk sett, trengte en forsker å gjøre nesten alt: formulere problemet, gjennomgå litteraturen, teste ideer, bygge beviset, sjekke hvert skritt og kommunisere resultatet. AI truer nå med å redistribuere dette arbeidet. Noen deler av arbeidsflyten kan bli raskere, billigere og mer automatisert.
- AI kan utforske mange bevisruter før et menneske begynner å bruke tid på en.
- Formelle systemer kan verifisere skritt som ellers ville kreve langsom ekspertkontroll.
- Forskere kan bruke AI til å søke over fjerne matematiske underfelt.
Dette kunne produsere en ny forskningsstil. I stedet for å spørre AI om et svar, kan matematikere stadig oftere overvåke flåter av bevis-agenter. Den menneskelige rollen blir mindre som en regnemaskin og mer som en forskningsdirektør: velge riktige problemer, tolke resultater, detektere konseptuell betydning og bestemme hvilke veier som fortjener dypere oppmerksomhet.
Grensene er fortsatt reelle
Det er viktig ikke å overdrive øyeblikket. Google DeepMind’s system løste 9 av 353 forsøkte Erdős-problemer. Det er imponerende, men det betyr også at de fleste forble uløste. OpenAI’s enhetsavstand-resultat er en milepæl, men det antyder ikke at hver berømt konjektur nå er innenfor lett rekkevidde.
AI-systemer kjemper fortsatt når et problem krever en ny konseptuell ramme, når den relevante matematikken er dårlig formalisert, eller når et bevis avhenger av lange kjeder av innsikt som ikke kan dekomponeres i søkbare skritt. Formelle bevis-biblioteker er også ujevne. Områder med moden Lean-dekning er mer tilgjengelige for AI-agenter enn områder hvor grunnleggende materialet fortsatt må kodifiseres.
- Systemene er fortsatt avhengige av menneskelig problemvalg og tolkning.
- Formalisering kan være vanskelig når definisjoner er uklare eller underutviklede.
- AI-genererte bevisforsøk kan fortsatt skjule hardt arbeid inni ubeviste hjelpepåstander.
Disse grensene er ikke feil. De tydeliggjør hvor de neste fremskrittene må komme. Bedre bevis-agenter, rikere formelle biblioteker, sterkere verifiseringsarbeidsflyt og mer effektive menneske-AI-grensesnitt vil alle ha betydning.
Hva kommer neste etter at AI løser Erdős-problemer?
Den mest sannsynlige nære fremtid er ikke et dramatisk øyeblikk hvor AI løser all matematikk. Det er en jevn utvidelse av AI-assistert forskning inn i domener med klare problemformuleringer, sterke formelle biblioteker og store mengder fragmentert tidligere arbeid.
Kombinatorikk, grafteori, tallteori, optimalisering og diskret geometri er naturlige tidlige mål. Disse feltene inneholder ofte problemer hvor spørsmålet er kortfattet, men løsningen avhenger av å sy sammen ideer fra fjerne steder. AI er godt egnet til denne typen søk.
Over tid, kan samme mønster utvides utover matematikk. Hvis en modell kan holde et vanskelig argument sammen, teste mellomliggende påstander og koble ideer på tvers av felt, betyr disse evnene noe i fysikk, biologi, materialvitenskap, kryptografi og AI-forskning selv.
Den dypere konsekvensen er kulturell. Matematikk har alltid verdsett bevis, men det har også verdsett smak: evnen til å vite hvilket spørsmål betyr noe, hvilken abstraksjon er verdt å oppfinne og hvilket resultat endrer formen på et felt. Mens bevis-søk blir mer automatisert, kan smak bli viktigere, ikke mindre.
Konklusjon: Genialitet flyttes til oppgaver på et høyere nivå
Svaret på det tidligere spørsmålet er nå klarere. Hvis AI kan løse åpne matematikkproblemer, forsvinner ikke menneskelig genialitet. Den flyttes til oppgaver på et høyere nivå.
Den sjeldne ferdigheten vil ikke være evnen til å arbeide seg gjennom hvert tekniske skritt alene. Den vil være evnen til å stille riktige spørsmål, formulere riktige abstraksjoner, vurdere meningen av maskin-oppdagete resultater og guide AI-systemer mot problemer som betyr noe.
OpenAI’s enhetsavstand-gjennombrudd og Google DeepMind’s formelle bevis-søk-resultater lukker ikke boken på menneskelig matematisk kreativitet. De åpner et nytt kapittel hvor matematikere kan arbeide med systemer som kan utforske terrenget raskere enn et enkelt menneskes sinn.
Matematikkens fremtid tilhører kanskje ikke mennesker eller maskiner alene. Den kan tilhøre forskerne som lærer å få begge til å tenke sammen.












