Anthropic-model gør historisk fremskridt på Riemann-hypotesen – testede 650 idéer med 60 underagenter
En endnu ikke udgivet forskningsversion af Claude hævede den nedre grænse for andelen af ikke trivielle nuller i Riemanns zetafunktion, der ligger på den kritiske linje, fra 41,6 % til 67,2 % [5][6]. Dette er det største enkeltspring til denne grænse nogensinde registreret [6].
En endnu ikke udgivet forskningsversion af Claude hævede den nedre grænse for andelen af ikke trivielle nuller i Riemanns zetafunktion, der ligger på den kritiske linje, fra 41,6 % til 67,2 % [5][6].
Dette er det største enkeltspring til denne grænse nogensinde registreret [6].
Modellen testede cirka 650 forskellige tilgange fordelt på 60 koordinerede underagenter og brugte 31 millioner output tokens på tværs af to sessioner [1][2][3].
To interne matematikere, Levent Alpöge og Ralph Furmaniak, gennemgik og bekræftede beviset [5][7].
What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomoAI-generated editorial hero image for What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomo.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomo. Article summary: Let me search for information on this topicLet me search for the broader context of AI mathematical breakthroughs in 2026 and the debates around authorship and standards What the Anthropic model achieved On August 10–11,. Topic tags: general web, openai, chatgpt, llm, agents. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wi
openai.com
Hvad opnåede Anthropic-modellen?
Den 10.–11. august 2026 annoncerede Anthropic, at en endnu ikke udgivet forskningsversion af Claude havde gjort markante fremskridt på et problem relateret til Riemann-hypotesen . Helt konkret hævede modellen en længe kendt nedre grænse for andelen af ikke-trivielle nuller i Riemanns zetafunktion, der ligger på den kritiske linje – fra 41,6 % til 67,2 %. Dette er det største enkeltspring til denne grænse nogensinde registreret . Modellen beviste selve Riemann-hypotesen (den er stadig et af syv Clay Millennium-problemer med en præmie på 1 million dollar), men resultatet er en ægte sætning i analytisk talteori .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Anthropic-model gør historisk fremskridt på Riemann-hypotesen – testede 650 idéer med 60 underagenter"?
En endnu ikke udgivet forskningsversion af Claude hævede den nedre grænse for andelen af ikke trivielle nuller i Riemanns zetafunktion, der ligger på den kritiske linje, fra 41,6 % til 67,2 % [5][6].
What are the key points to validate first?
En endnu ikke udgivet forskningsversion af Claude hævede den nedre grænse for andelen af ikke trivielle nuller i Riemanns zetafunktion, der ligger på den kritiske linje, fra 41,6 % til 67,2 % [5][6]. Dette er det største enkeltspring til denne grænse nogensinde registreret [6].
What should I do next in practice?
Modellen testede cirka 650 forskellige tilgange fordelt på 60 koordinerede underagenter og brugte 31 millioner output tokens på tværs af to sessioner [1][2][3].
Anthropic-model gør historisk fremskridt på Riemann-hypotesen – testede 650 idéer med 60 underagenter
En endnu ikke udgivet forskningsversion af Claude hævede den nedre grænse for andelen af ikke trivielle nuller i Riemanns zetafunktion, der ligger på den kritiske linje, fra 41,6 % til 67,2 % [5][6]. Dette er det største enkeltspring til denne grænse nogensinde registreret [6].
En endnu ikke udgivet forskningsversion af Claude hævede den nedre grænse for andelen af ikke trivielle nuller i Riemanns zetafunktion, der ligger på den kritiske linje, fra 41,6 % til 67,2 % [5][6].
Dette er det største enkeltspring til denne grænse nogensinde registreret [6].
Modellen testede cirka 650 forskellige tilgange fordelt på 60 koordinerede underagenter og brugte 31 millioner output tokens på tværs af to sessioner [1][2][3].
To interne matematikere, Levent Alpöge og Ralph Furmaniak, gennemgik og bekræftede beviset [5][7].
What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomoAI-generated editorial hero image for What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomo.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomo. Article summary: Let me search for information on this topicLet me search for the broader context of AI mathematical breakthroughs in 2026 and the debates around authorship and standards What the Anthropic model achieved On August 10–11,. Topic tags: general web, openai, chatgpt, llm, agents. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wi
openai.com
Hvad opnåede Anthropic-modellen?
Den 10.–11. august 2026 annoncerede Anthropic, at en endnu ikke udgivet forskningsversion af Claude havde gjort markante fremskridt på et problem relateret til Riemann-hypotesen . Helt konkret hævede modellen en længe kendt nedre grænse for andelen af ikke-trivielle nuller i Riemanns zetafunktion, der ligger på den kritiske linje – fra 41,6 % til 67,2 %. Dette er det største enkeltspring til denne grænse nogensinde registreret . Modellen beviste selve Riemann-hypotesen (den er stadig et af syv Clay Millennium-problemer med en præmie på 1 million dollar), men resultatet er en ægte sætning i analytisk talteori .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Anthropic-model gør historisk fremskridt på Riemann-hypotesen – testede 650 idéer med 60 underagenter"?
En endnu ikke udgivet forskningsversion af Claude hævede den nedre grænse for andelen af ikke trivielle nuller i Riemanns zetafunktion, der ligger på den kritiske linje, fra 41,6 % til 67,2 % [5][6].
What are the key points to validate first?
En endnu ikke udgivet forskningsversion af Claude hævede den nedre grænse for andelen af ikke trivielle nuller i Riemanns zetafunktion, der ligger på den kritiske linje, fra 41,6 % til 67,2 % [5][6]. Dette er det største enkeltspring til denne grænse nogensinde registreret [6].
What should I do next in practice?
Modellen testede cirka 650 forskellige tilgange fordelt på 60 koordinerede underagenter og brugte 31 millioner output tokens på tværs af to sessioner [1][2][3].
Resultatet fulgte en bemærkelsesværdig multi-agent-arbejdsgang:
En Anthropic-medarbejder uden dybere matematisk baggrund bad modellen om at 'tage et reelt tilløb' til at bevise hypotesen .
Over cirka halvanden dag testede modellen groft sagt 650 forskellige tilgange fordelt på 60 koordinerede underagenter.
Processen forbrugte 31 millioner output-tokens på tværs af to sessioner, udførte 2.400 shell-kommandoer og gennemgik 54 arXiv-artikler.
To af de 60 underagenter stod for den afgørende matematiske nyskabelse .
Den vindende tilgang syntetiserede en artikel fra 2000 af Enrico Bombieri med nyere resultater – en kombination som ingen tidligere menneskelig forsker havde samlet .
Verifikationsproces
To interne matematikere – Levent Alpöge og Ralph Furmaniak – gennemgik og bekræftede beviset . Argumentet blev derefter formaliseret i Lean, en interaktiv bevisassistent, hvilket skaber en maskinverificerbar korrekthedscertificering . Denne dobbelte validering (ekspertmenneskelig gennemgang + formel verifikation) anses bredt for at være den bedste praksis for AI-genererede matematiske resultater.
Bredere kontekst i 2026: et vendepunkt for AI i matematik
Claudes forbedring af Riemann-grænsen er ikke en isoleret begivenhed. 2026 har set en accelererende række af AI-ledede matematiske gennembrud:
Maj 2026 – OpenAI annoncerede, at en upubliceret generel ræsonneringsmodel havde modbevist Erdős enhedsafstands-formodningen, et 80 år gammelt åbent problem .
Maj 2026 – Google DeepMinds AlphaProof Nexus løste ni åbne Erdős-problemer (nogle uløste i 56 år) og beviste 44 formodninger fra Online Encyclopedia of Integer Sequences, alle formaliseret i Lean .
Juli 2026 – Anthropic-matematiker Levent Alpöge brugte den upublicerede 'Fable 5'-model til at finde et modeksempel til Jacobianske formodning, et problem stillet i 1939 .
August 2026 – OpenAIs Astra-model rapporteredes at have løst ti årtier gamle matematiske problemer for cirka 2.000 dollars i beregningsomkostninger, med maskinverificerbare beviser offentliggjort i Lean på GitHub .
Flere kommentatorer har bemærket, at feltet krydsede en tærskel i midten af 2026: AI-systemer bevægede sig fra at løse konkurrence-niveau matematik til at generere publicerbar, åben-problem-niveau forskning .
Debatten: forfatterskab, standarder og Leiden-erklæringen
Den hurtige fremdrift af AI-genereret matematik har udløst intens debat:
Juni 2026 offentliggjorde en gruppe på 16 matematikere Leiden-erklæringen om Kunstig Intelligens og Matematik, som anbefaler nye standarder for bevisstruktur, forfatterskabsattribution og menneskelig tilsyn med AI-genererede resultater . Erklæringen er siden blevet drøftet af Den Internationale Matematiske Union .
Centrale spændingspunkter inkluderer: Hvem får forfatterskab, når en AI genererer et bevis? Kan feltet opretholde epistemisk tillid, hvis beviser er for lange eller nyskabende til, at mennesker kan inspicere dem fuldt ud uden formelle værktøjer? Og hvordan bør tidsskrifter fagfællebedømme resultater, som intet enkelt menneske kunne have produceret ?
Nogle matematikere argumenterer for, at AI-assisterede beviser risikerer at erodere forståelse og forklarende indsigt – et bevis kan være korrekt, men uigennemsigtigt . Andre ser formel verifikation i Lean som en strengere standard end traditionel fagfællebedømmelse .
Hvad dette betyder for AIs evne til at opdage ny videnskab
Anthropic Riemann-resultatet fremmer diskussionen på flere konkrete måder:
Omfanget af autonom udforskning betyder noget. At teste 650 idéer på tværs af 60 underagenter viser, at multi-agent-arkitekturer kan udføre systematisk søgning i en skala, som ingen menneskelig forskningsgruppe kunne matche i samme tidsramme . Dette flytter spørgsmålet fra 'Kan AI lave matematik?' til 'Hvordan skal vi integrere AI-dækkende udforskning i den videnskabelige opdagelsespipeline?'
Serendipitøs syntese er mulig. At en model uden matematisk træning kombinerede en Bombieri-artikel (2000) med nyere resultater – en kombination intet menneske havde set – viser, at AI kan skabe ikke-åbenlyse konceptuelle forbindelser på tværs af forskellige litteraturer . Denne evne adresserer direkte en central bekymring om, hvorvidt LLM'er blot interpolerer eller virkelig kan opdage.
Formel verifikation løser tillidsproblemet. Lean-formaliseringen betyder, at resultatet ikke er et 'sort boks'-udsagn. Det er en beviseligt korrekt sætning, som enhver matematiker kan inspicere mekanisk . Dette tilbyder en skabelon for, hvordan AI-genererede videnskabelige resultater kan gøres verificerbare, hvilket adresserer en af de stærkeste indvendinger mod AI-ledet opdagelse.
Debatten om forfatterskab og standarder er konstruktiv, ikke lammende. Den samtidige fremkomst af både forbløffende resultater (DeepMind, OpenAI, Anthropic) og samfundsledede institutionelle svar (Leiden-erklæringen) antyder, at det matematiske samfund tilpasser sig snarere end trækker sig. Den nuværende samtale centrerer sig om normer og kredit, ikke om at afvise AI-output helt.
Omkostningerne og hastigheden af opdagelse kollapser. Beregningsomkostningerne på 2.000 dollars for OpenAIs Astra-resultater og Claudes 36-timers turnaround for Riemann-grænsen antyder, at marginalomkostningen for en publicerbar matematisk opdagelse nærmer sig nul. Dette har dybtgående implikationer for, hvilke spørgsmål forskere vælger at forfølge, og hvem der kan deltage i matematisk forskning.
Kort sagt: Anthropic Riemann-grænseforbedringen er en milepælsdemonstration af, at AI-systemer nu autonomt kan opdage publicerbare, formelt verificerbare matematiske resultater, der fremmer et 150 år gammelt åbent problem. Kombineret med 2026's række af lignende gennembrud flytter det diskussionen fra 'om AI kan bidrage til videnskabelig opdagelse' til 'hvordan det videnskabelige samfund bør strukturere incitamenter, attribution og verifikation for en ny klasse af AI-medopdagere.'
en.wikipedia.org
Leiden Declaration on Artificial Intelligence and Mathematics - Wikipedia
Resultatet fulgte en bemærkelsesværdig multi-agent-arbejdsgang:
En Anthropic-medarbejder uden dybere matematisk baggrund bad modellen om at 'tage et reelt tilløb' til at bevise hypotesen .
Over cirka halvanden dag testede modellen groft sagt 650 forskellige tilgange fordelt på 60 koordinerede underagenter.
Processen forbrugte 31 millioner output-tokens på tværs af to sessioner, udførte 2.400 shell-kommandoer og gennemgik 54 arXiv-artikler.
To af de 60 underagenter stod for den afgørende matematiske nyskabelse .
Den vindende tilgang syntetiserede en artikel fra 2000 af Enrico Bombieri med nyere resultater – en kombination som ingen tidligere menneskelig forsker havde samlet .
Verifikationsproces
To interne matematikere – Levent Alpöge og Ralph Furmaniak – gennemgik og bekræftede beviset . Argumentet blev derefter formaliseret i Lean, en interaktiv bevisassistent, hvilket skaber en maskinverificerbar korrekthedscertificering . Denne dobbelte validering (ekspertmenneskelig gennemgang + formel verifikation) anses bredt for at være den bedste praksis for AI-genererede matematiske resultater.
Bredere kontekst i 2026: et vendepunkt for AI i matematik
Claudes forbedring af Riemann-grænsen er ikke en isoleret begivenhed. 2026 har set en accelererende række af AI-ledede matematiske gennembrud:
Maj 2026 – OpenAI annoncerede, at en upubliceret generel ræsonneringsmodel havde modbevist Erdős enhedsafstands-formodningen, et 80 år gammelt åbent problem .
Maj 2026 – Google DeepMinds AlphaProof Nexus løste ni åbne Erdős-problemer (nogle uløste i 56 år) og beviste 44 formodninger fra Online Encyclopedia of Integer Sequences, alle formaliseret i Lean .
Juli 2026 – Anthropic-matematiker Levent Alpöge brugte den upublicerede 'Fable 5'-model til at finde et modeksempel til Jacobianske formodning, et problem stillet i 1939 .
August 2026 – OpenAIs Astra-model rapporteredes at have løst ti årtier gamle matematiske problemer for cirka 2.000 dollars i beregningsomkostninger, med maskinverificerbare beviser offentliggjort i Lean på GitHub .
Flere kommentatorer har bemærket, at feltet krydsede en tærskel i midten af 2026: AI-systemer bevægede sig fra at løse konkurrence-niveau matematik til at generere publicerbar, åben-problem-niveau forskning .
Debatten: forfatterskab, standarder og Leiden-erklæringen
Den hurtige fremdrift af AI-genereret matematik har udløst intens debat:
Juni 2026 offentliggjorde en gruppe på 16 matematikere Leiden-erklæringen om Kunstig Intelligens og Matematik, som anbefaler nye standarder for bevisstruktur, forfatterskabsattribution og menneskelig tilsyn med AI-genererede resultater . Erklæringen er siden blevet drøftet af Den Internationale Matematiske Union .
Centrale spændingspunkter inkluderer: Hvem får forfatterskab, når en AI genererer et bevis? Kan feltet opretholde epistemisk tillid, hvis beviser er for lange eller nyskabende til, at mennesker kan inspicere dem fuldt ud uden formelle værktøjer? Og hvordan bør tidsskrifter fagfællebedømme resultater, som intet enkelt menneske kunne have produceret ?
Nogle matematikere argumenterer for, at AI-assisterede beviser risikerer at erodere forståelse og forklarende indsigt – et bevis kan være korrekt, men uigennemsigtigt . Andre ser formel verifikation i Lean som en strengere standard end traditionel fagfællebedømmelse .
Hvad dette betyder for AIs evne til at opdage ny videnskab
Anthropic Riemann-resultatet fremmer diskussionen på flere konkrete måder:
Omfanget af autonom udforskning betyder noget. At teste 650 idéer på tværs af 60 underagenter viser, at multi-agent-arkitekturer kan udføre systematisk søgning i en skala, som ingen menneskelig forskningsgruppe kunne matche i samme tidsramme . Dette flytter spørgsmålet fra 'Kan AI lave matematik?' til 'Hvordan skal vi integrere AI-dækkende udforskning i den videnskabelige opdagelsespipeline?'
Serendipitøs syntese er mulig. At en model uden matematisk træning kombinerede en Bombieri-artikel (2000) med nyere resultater – en kombination intet menneske havde set – viser, at AI kan skabe ikke-åbenlyse konceptuelle forbindelser på tværs af forskellige litteraturer . Denne evne adresserer direkte en central bekymring om, hvorvidt LLM'er blot interpolerer eller virkelig kan opdage.
Formel verifikation løser tillidsproblemet. Lean-formaliseringen betyder, at resultatet ikke er et 'sort boks'-udsagn. Det er en beviseligt korrekt sætning, som enhver matematiker kan inspicere mekanisk . Dette tilbyder en skabelon for, hvordan AI-genererede videnskabelige resultater kan gøres verificerbare, hvilket adresserer en af de stærkeste indvendinger mod AI-ledet opdagelse.
Debatten om forfatterskab og standarder er konstruktiv, ikke lammende. Den samtidige fremkomst af både forbløffende resultater (DeepMind, OpenAI, Anthropic) og samfundsledede institutionelle svar (Leiden-erklæringen) antyder, at det matematiske samfund tilpasser sig snarere end trækker sig. Den nuværende samtale centrerer sig om normer og kredit, ikke om at afvise AI-output helt.
Omkostningerne og hastigheden af opdagelse kollapser. Beregningsomkostningerne på 2.000 dollars for OpenAIs Astra-resultater og Claudes 36-timers turnaround for Riemann-grænsen antyder, at marginalomkostningen for en publicerbar matematisk opdagelse nærmer sig nul. Dette har dybtgående implikationer for, hvilke spørgsmål forskere vælger at forfølge, og hvem der kan deltage i matematisk forskning.
Kort sagt: Anthropic Riemann-grænseforbedringen er en milepælsdemonstration af, at AI-systemer nu autonomt kan opdage publicerbare, formelt verificerbare matematiske resultater, der fremmer et 150 år gammelt åbent problem. Kombineret med 2026's række af lignende gennembrud flytter det diskussionen fra 'om AI kan bidrage til videnskabelig opdagelse' til 'hvordan det videnskabelige samfund bør strukturere incitamenter, attribution og verifikation for en ny klasse af AI-medopdagere.'
en.wikipedia.org
Leiden Declaration on Artificial Intelligence and Mathematics - Wikipedia
