60 AI podagentů posunulo 150 let starý matematický problém dál za 1,5 dne, než se kdy podařilo člověku samotnému

Ve dnech 10.–11. srpna 2026 oznámila společnost Anthropic, že její nevydaná výzkumná verze modelu Clauda dosáhla významného pokroku v problému souvisejícím s Riemannovou hypotézou . Model zvýšil dlouholetý dolní odhad podílu netriviálních nul Riemannovy zeta funkce, které leží na kritické přímce – z 41,6 % na 67,2 % . Jedná se o největší jednorázové zlepšení tohoto odhadu, jaké kdy bylo zaznamenáno . Model nedokázal samotnou Riemannovu hypotézu (ta stále zůstává jedním ze sedmi Clayových miléniových problémů s odměnou 1 milion dolarů), ale výsledek je skutečným teorémem v analytické teorii čísel .

Autonomní proces za tímto výsledkem

Tohoto úspěchu bylo dosaženo díky pozoruhodnému multiagentnímu pracovnímu postupu, který ohromil i samotné výzkumníky v Anthropicu:

• Zaměstnanec Anthropicu bez vážného matematického vzdělání požádal model, aby se "opravdu pokusil" dokázat hypotézu .
• Během přibližně 1,5 dne model otestoval zhruba 650 kandidátních přístupů napříč 60 koordinovanými podagenty .
• Běh spotřeboval 31 milionů výstupních tokenů ve dvou relacích, provedl 2 400 shellových příkazů a prostudoval 54 arXiv článků .
• Dva z 60 podagentů byli zodpovědní za vývoj klíčového matematického průlomu .
• Vítězný přístup syntetizoval článek Enrica Bombieriho z roku 2000 s novějšími výsledky – kombinaci, kterou žádný předchozí lidský výzkumník nesestavil .

Verifikace: Dvě vrstvy důkazu

Dva interní matematici – Levent Alpöge a Ralph Furmaniak – přezkoumali a potvrdili důkaz . Argument byl poté formalizován v Lean, interaktivním dokazovači vět, čímž vznikl strojově ověřitelný certifikát správnosti . Tato dvojí validace (odborný lidský přezkum + formální verifikace) je široce považována za příklad nejlepší praxe pro AI generované matematické výsledky.

Zlomový bod: Rok 2026 jako rok, kdy AI vstoupila do výzkumu otevřených problémů

Zlepšení Riemannova odhadu od Clauda není ojedinělou událostí. Rok 2026 zaznamenal zrychlující se sérii AI vedených matematických průlomů:

• Květen 2026 – OpenAI oznámila, že nevydaný model obecného uvažování autonomně vyvrátil Erdősovu domněnku o jednotkových vzdálenostech, 80 let starý otevřený problém .
• Květen 2026 – Google DeepMindův AlphaProof Nexus vyřešil devět otevřených Erdősových problémů (některé nevyřešené 56 let) a dokázal 44 domněnek z Online encyklopedie celočíselných posloupností, vše formalizováno v Lean .
• Červenec 2026 – Matematik Anthropicu Levent Alpöge použil nevydaný model "Fable 5" k nalezení protipříkladu k Jacobianově domněnce, problému formulovanému v roce 1939 .
• Srpen 2026 – OpenAI model Astra údajně vyřešil deset desetiletí starých matematických problémů za zhruba 2 000 dolarů na výpočetní náklady, se strojově ověřitelnými důkazy publikovanými v Lean na GitHubu .

Mnozí komentátoři poznamenali, že obor překročil práh v polovině roku 2026: AI systémy se posunuly od řešení soutěžní matematiky ke generování publikovatelného výzkumu na úrovni otevřených problémů .

Debata: Autorství, standardy a Leiden deklarace

Rychlé tempo AI generované matematiky vyvolalo intenzivní debatu:

• V červnu 2026 zveřejnila skupina 16 matematiků Leiden deklaraci o umělé inteligenci a matematice, která doporučuje nové standardy pro strukturu důkazů, přidělování autorství a lidský dohled nad AI generovanými výsledky . Deklarace byla od té doby projednávána Mezinárodní matematickou unií .
• Klíčová napětí zahrnují: Kdo získá zásluhy za autorství, když AI vygeneruje důkaz? Může si obor udržet epistemickou důvěru, pokud jsou důkazy příliš dlouhé nebo nové na to, aby je lidé plně prozkoumali bez formálních nástrojů? A jak by měly časopisy recenzovat výsledky, které by žádný jednotlivý člověk nedokázal vytvořit ?
• Někteří matematici tvrdí, že AI asistované důkazy riskují narušení porozumění a vysvětlujícího vhledu – důkaz může být správný, přesto však neprůhledný . Jiní považují formální verifikaci v Lean za přísnější standard než tradiční peer review .

Co to znamená pro schopnost AI objevovat novou vědu

Výsledek Anthropicu ohledně Riemannova odhadu posouvá diskusi několika konkrétními způsoby:

1. Měřítko autonomního průzkumu má význam.

Testování 650 nápadů napříč 60 podagenty demonstruje, že multiagentní architektury mohou provádět systematické vyhledávání v měřítku, které žádná lidská výzkumná skupina nemůže v daném časovém rámci dosáhnout . To posouvá otázku od "Může AI dělat matematiku?" k "Jak bychom měli integrovat AI široký průzkum do pipeline vědeckého objevování?"

2. Náhodná syntéza je možná.

Skutečnost, že model bez matematického tréninku zkombinoval Bombieriho článek (2000) s novějšími výsledky – kombinaci, kterou žádný člověk neviděl – ukazuje, že AI může dělat netriviální konceptuální spojení napříč různorodou literaturou . Tato schopnost přímo řeší základní obavu, zda LLM pouze interpolují, nebo mohou skutečně objevovat.

3. Formální verifikace řeší problém důvěry.

Formalizace v Lean znamená, že výsledek není tvrzením z "černé skříňky". Je to prokazatelně správná věta, kterou může jakýkoli matematik mechanicky ověřit . To nabízí šablonu pro to, jak mohou být AI generované vědecké výsledky učiněny ověřitelnými, což řeší jednu z nejsilnějších námitek proti AI vedenému objevování.

4. Debata o autorství a standardech je konstruktivní, nikoli paralyzující.

Současné objevení se ohromujících výsledků (DeepMind, OpenAI, Anthropic) a komunitou vedených institucionálních reakcí (Leiden deklarace) naznačuje, že matematická komunita se přizpůsobuje, nikoli ustupuje . Současná konverzace se točí kolem norem a zásluh, nikoli kolem plošného odmítání AI výstupů.

5. Náklady a rychlost objevování se hroutí.

Výpočetní náklady 2 000 dolarů za výsledky OpenAI Astra a 36hodinová doba obratu pro Riemannův odhad od Clauda naznačují, že mezní náklady na publikovatelný matematický objev se blíží nule . To má hluboké důsledky pro to, jaké otázky se výzkumníci rozhodnou zkoumat a kdo se může účastnit matematického výzkumu.

Závěr

Zlepšení Riemannova odhadu od Anthropicu je přelomovou demonstrací toho, že AI systémy nyní mohou autonomně objevovat publikovatelné, formálně ověřitelné matematické výsledky, které posouvají 150 let starý otevřený problém. V kombinaci s řetězcem podobných průlomů v roce 2026 posouvá diskusi od "zda AI může přispět k vědeckému objevování" k "jak by měla vědecká komunita strukturovat pobídky, přidělování zásluh a verifikaci pro novou třídu AI spoluobjevitelů."