OpenAI hævder, at Astra løste 10 årtier gamle matematikproblemer for 2.000 dollar

Det er et potentielt gennembrud for AI-baseret forskning – men også en påstand, som matematikere og AI-forskere mener bør mødes med betydelig forsigtighed .

Hvilke problemer siger OpenAI, at Astra løste?

OpenAI beskriver resultaterne som en blanding af beviser, modeksempler og forbedrede grænser på tværs af otte forskningsområder . Blandt de mest markante er:

• Ikke-sofiske grupper: En eksplicit konstruktion, der ifølge rapporten viser, at ikke-sofiske grupper eksisterer. Det lukker et centralt spørgsmål i gruppeteori, som har været åbent, siden Mikhail Gromov introducerede begrebet soficitet i 1999 .
• Connes' rigiditetsformodning: En langvarig formodning inden for von Neumann-algebraer blev ifølge OpenAI modbevist .
• Kuglepakning i høje dimensioner: Astra leverede nye øvre grænser for, hvor tæt kugler kan pakkes i dimensioner, hvor problemet endnu ikke var afgjort .
• Tre Erdős-problemer: Tre åbne kombinatoriske problemer fra den ungarsk-amerikanske matematiker Paul Erdős' omfattende samling blev behandlet, herunder problem nr. 183 om flerfarvede Ramsey-tal .
• Andre områder: Rapporten indeholder desuden resultater om kvanteparallelgentagelse, det nærmeste-vektor-problem i gitterkryptografi, kompleksiteten af aritmetiske kredsløb, binære og sfæriske koder samt Ehrharts volumenformodning .

Det er værd at understrege, at resultaterne ikke alle har samme karakter. Nogle er fulde beviser, andre er modeksempler, mens andre igen består af forbedrede matematiske grænser .

Sådan blev resultaterne kontrolleret

OpenAI bad ikke offentligheden om blot at stole på modellens tekst. For hvert resultat blev der udarbejdet et formelt bevis i Lean 4 – en fil, som en computer kan kontrollere trin for trin .

Lean er en såkaldt proof assistant, altså et system til formel beviskontrol. Det undersøger, om en konklusion følger logisk fra de angivne aksiomer og definitioner, og kan blandt andet opdage manglende trin, typefejl og inkonsistente slutninger . OpenAI offentliggjorde Lean-filerne på GitHub, og repositoryets tæller for "sorry" – markører for ubesvarede eller ubeviste trin – står ifølge virksomheden på nul for alle ti beviser .

Det gør påstandene langt mere efterprøvelige end almindelige AI-demonstrationer, hvor man kun får en tekstlig forklaring eller et benchmarkresultat. Men formel verifikation har også en klar grænse.

Lean kan kontrollere, at et formelt udsagn følger af de formelle definitioner. Det kan ikke i sig selv afgøre, om definitionerne præcist svarer til det problem, som matematikere mente, de undersøgte. Det kan heller ikke afgøre, om en pressemeddelelse gengiver sætningen korrekt, om resultatet er nyt, eller hvor vigtigt og overraskende det er .

Derfor skal fagfolk stadig gennemgå problemformuleringer, definitioner, reduktioner, nyhedsværdi og forbindelsen mellem den uformelle matematiske idé og den formelle Lean-version .

Hvad betyder beløbet på 2.000 dollar?

Det mest opsigtsvækkende tal i annonceringen er måske ikke antallet af resultater, men prisen. OpenAI oplyser, at tokenmængden, der blev brugt til at finde de ti løsninger, ville svare til cirka 2.000 dollar ved Sol API-priser .

Det er dog ikke det samme som, at hele forskningsprojektet kostede 2.000 dollar. Tallet dækker ifølge kritikerne kun de tokens, der forbindes med de vellykkede løsninger. Det omfatter ikke mislykkede forsøg, parallelle søgninger eller den interne beregningskraft, der blev brugt, før systemet fandt frem til et brugbart bevis .

Det omfatter heller ikke nødvendigvis den menneskelige indsats med at udvælge problemer, gennemgå argumenterne, redigere det 249 sider lange manuskript og formalisere resultaterne .

Til sammenligning kan et års stipendium til en matematikstuderende på ph.d.-niveau ved et førende universitet overstige 50.000 dollar. Sammenligningen er ikke helt retfærdig – en ph.d.-studerendes arbejde handler også om forståelse, fortolkning og langsigtet forskning – men prisforskellen illustrerer, hvorfor tallet har vakt så stor opsigt .

Hvorfor er eksperterne skeptiske?

Maskinverificeret er ikke det samme som fagligt godkendt

Matematikmiljøet er delt i vurderingen af Astra-resultaterne. Et Lean-bevis kan dokumentere korrekthed inden for et bestemt formelt system, men det garanterer ikke, at resultatet er betydningsfuldt, overraskende eller korrekt præsenteret som en løsning på det oprindelige åbne problem .

Matematik er et særligt område for AI

Kognitionsforskeren Gary Marcus har argumenteret for, at succes med matematik er et særtilfælde. Matematiske udsagn kan ofte kontrolleres med symbolske værktøjer, og der kan genereres store mængder syntetiske træningsdata med kendte korrekte svar. Det gælder ikke i samme grad for åbne problemer i den virkelige verden, hvor målene kan være uklare, og hvor resultaterne ikke kan kontrolleres med en tilsvarende mekanisk facitliste .

Hans pointe er derfor, at stærke resultater på ét område ikke automatisk viser, at et system har bred, generaliserbar ræsonneringsevne.

Hvem verificerer AI'ens matematik?

Når et lukket system producerer et resultat, opstår også et spørgsmål om gennemsigtighed. Hvordan kan forskere afgøre, om et tilsyneladende nyt argument faktisk er en ukrediteret genskabelse af eksisterende arbejde? Og hvordan vurderer man den del af modellens søgning, som ikke blev offentliggjort?

Lean kan kontrollere det formelle bevis, men ikke nødvendigvis hele den historiske og faglige kontekst .

Manglende fagfællebedømmelse

OpenAI har endnu ikke gjort Astra offentligt tilgængelig, offentliggjort et modelkort eller oplyst fejlprocenten bag tallet på 2.000 dollar . Annonceringen kom kort efter den såkaldte Leiden-erklæring fra juni 2026, hvor matematikere kritiserede AI-virksomheder for at offentliggøre videnskabelige påstande gennem pressemeddelelser i stedet for traditionel fagfællebedømmelse .

Skeptikere har desuden henvist til tidligere AI-påstande om matematiske gennembrud, blandt andet fra Google DeepMind, som senere blev mødt med nærmere granskning .

Hvad kan Astra betyde for forskning?

Hvis resultaterne holder efter uafhængig kontrol, kan konsekvenserne blive betydelige – uden at det nødvendigvis betyder, at matematikere bliver overflødige.

• Billigere forskningsværktøjer: Et tokenforbrug svarende til 2.000 dollar peger mod en fremtid, hvor mindre forskergrupper eller enkeltpersoner kan bruge AI til at udforske idéer, der tidligere krævede års specialiseret arbejde .
• Nye krav til dokumentation: Forskningsverdenen får brug for fælles standarder for, hvordan AI-genererede beviser skal evalueres, krediteres og fagfællebedømmes, især når modellen bag arbejdet er proprietær .
• Mere privat kontrol over forskningsinfrastruktur: Hvis avanceret matematisk opdagelse i stigende grad afhænger af adgang til lukkede API'er, kan en større del af den grundlæggende forskningsinfrastruktur flytte fra universiteter og offentlige institutioner til private virksomheder .
• En højere barre for AI: Astra hævdes ikke blot at have løst faste konkurrenceopgaver som IMO- eller MATH-problemer. Systemet skulle have bidraget med nye resultater på åbne forskningsproblemer – en langt mere krævende standard for, hvad det vil sige, at AI "laver matematik" .

Thomas Bloom, matematiker ved University of Manchester og ansvarlig for webstedet erdosproblems.com, kaldte resultaterne "store nyheder", men afviste samtidig forestillingen om, at AI dermed erstatter matematikere. Han fremhævede, at systemet bygger på mere end et århundredes matematisk teori og er udviklet af mennesker med matematisk ekspertise .

Den mest nøgterne konklusion er derfor ikke nødvendigvis, at AI uden videre har løst ti berømte problemer. Det er, at OpenAI har offentliggjort ti konkrete matematiske påstande med mere kontrolmateriale end et almindeligt benchmark eller en pressemeddelelse normalt indeholder. Det næste afgørende skridt er, at uafhængige matematikere vurderer, om de formelle udsagn faktisk svarer til de tilsigtede problemer – og om resultaterne fortjener den historiske betydning, som annonceringen lægger op til .