60 AI सब-एजेंटों ने 1.5 दिनों में रीमैन परिकल्पना से जुड़ी समस्या का हल निकाला, जिसे इंसान अकेला नहीं कर सका

परिणाम के पीछे की स्वायत्त प्रक्रिया

यह उपलब्धि एक चौंकाने वाले मल्टी-एजेंट वर्कफ़्लो के बाद हुई, जिसने Anthropic के शोधकर्ताओं को भी चकित कर दिया:

• Anthropic के एक कर्मचारी, जिसकी गणित में कोई गंभीर पृष्ठभूमि नहीं थी, ने मॉडल से परिकल्पना को साबित करने का "असली प्रयास" करने को कहा ।
• लगभग 1.5 दिनों में, मॉडल ने 60 समन्वित सब-एजेंटों के माध्यम से लगभग 650 उम्मीदवार दृष्टिकोणों का परीक्षण किया ।
• इस रन में दो सत्रों में 31 मिलियन आउटपुट टोकन खर्च हुए, 2,400 शेल कमांड निष्पादित किए गए, और 54 arXiv पेपरों की समीक्षा की गई ।
• 60 में से दो सब-एजेंट प्रमुख गणितीय सफलता विकसित करने के लिए जिम्मेदार थे ।
• विजयी दृष्टिकोण ने एनरिको बॉम्बिएरी (Enrico Bombieri) के 2000 के एक पेपर को हाल के परिणामों के साथ संश्लेषित किया — एक ऐसा संयोजन जो पहले किसी भी मानव शोधकर्ता ने नहीं बनाया था ।

सत्यापन: प्रमाण की दो परतें

दो इन-हाउस गणितज्ञों — लेवेंट अल्पोगे (Levent Alpöge) और राल्फ फुरमानियाक (Ralph Furmaniak) — ने प्रमाण की समीक्षा और पुष्टि की । इस तर्क को फिर लीन (Lean) में औपचारिक रूप दिया गया, जो एक इंटरैक्टिव प्रमेय सिद्ध करने वाला उपकरण है, जिससे एक मशीन-जांच योग्य प्रमाणपत्र तैयार हुआ । यह दोहरा सत्यापन (विशेषज्ञ मानव समीक्षा + औपचारिक सत्यापन) को AI-जनित गणितीय परिणामों के लिए सर्वोत्तम अभ्यास साक्ष्य माना जाता है।

एक महत्वपूर्ण मोड़: 2026 वह वर्ष जब AI ने ओपन-प्रॉब्लम रिसर्च में प्रवेश किया

क्लॉड की रीमैन बाउंड में सुधार कोई अलग घटना नहीं है। 2026 में AI के नेतृत्व में गणितीय सफलताओं की एक त्वरित श्रृंखला देखी गई है:

• मई 2026 — OpenAI ने घोषणा की कि एक अनरिलीज़्ड जनरल रीज़निंग मॉडल ने स्वायत्त रूप से एर्डोस यूनिट-डिस्टेंस अनुमान (Erdős unit-distance conjecture) को गलत साबित कर दिया, जो 80 साल पुरानी एक खुली समस्या थी ।
• मई 2026 — Google DeepMind के AlphaProof Nexus ने नौ खुली एर्डोस समस्याओं (कुछ 56 वर्षों से अनसुलझी) को हल किया और ऑनलाइन इनसाइक्लोपीडिया ऑफ़ इंटीजर सीक्वेंस से 44 अनुमानों को सिद्ध किया, सभी को लीन में औपचारिक रूप दिया गया ।
• जुलाई 2026 — Anthropic के गणितज्ञ लेवेंट अल्पोगे ने अनरिलीज़्ड "Fable 5" मॉडल का उपयोग करके जैकोबियन अनुमान (Jacobian conjecture) का एक प्रतिउदाहरण खोजा, जो 1939 में प्रस्तुत एक समस्या थी ।
• अगस्त 2026 — OpenAI के Astra मॉडल ने कथित तौर पर लगभग $2,000 की कंप्यूट लागत पर दशकों पुरानी दस गणितीय समस्याओं को हल किया, जिसमें लीन पर GitHub पर मशीन-जांच योग्य प्रमाण प्रकाशित किए गए ।

कई टिप्पणीकारों ने कहा है कि मध्य-2026 में क्षेत्र ने एक सीमा पार कर ली: AI सिस्टम प्रतियोगिता-स्तर के गणित को हल करने से प्रकाशनीय, ओपन-प्रॉब्लम-स्तर के अनुसंधान उत्पन्न करने की ओर बढ़ गए ।

बहस: लेखकत्व, मानक और लीडन घोषणा

AI-जनित गणित की तीव्र गति ने गहन बहस छेड़ दी है:

• जून 2026 में, 16 गणितज्ञों के एक समूह ने लीडन घोषणा ऑन आर्टिफिशियल इंटेलिजेंस एंड मैथमेटिक्स (Leiden Declaration on Artificial Intelligence and Mathematics) प्रकाशित की, जो प्रमाण संरचना, लेखकत्व आरोपण और AI-जनित परिणामों की मानवीय निगरानी के लिए नए मानकों की सिफारिश करती है । इस घोषणा पर अंतर्राष्ट्रीय गणितीय संघ (International Mathematical Union) द्वारा चर्चा की गई है ।
• प्रमुख तनावों में शामिल हैं: लेखकत्व का श्रेय किसे मिलता है जब कोई AI कोई प्रमाण उत्पन्न करता है? क्या क्षेत्र एपिस्टेमिक ट्रस्ट (epistemic trust) बनाए रख सकता है यदि प्रमाण औपचारिक उपकरणों के बिना मनुष्यों के लिए निरीक्षण करने के लिए बहुत लंबे या नए हों? और पत्रिकाओं को उन परिणामों की पीयर-रिव्यू कैसे करनी चाहिए जो कोई भी एक मानव उत्पन्न नहीं कर सकता था ?
• कुछ गणितज्ञों का तर्क है कि AI-सहायता प्राप्त प्रमाण समझ और व्याख्यात्मक अंतर्दृष्टि को नष्ट करने का जोखिम उठाते हैं — एक प्रमाण सही हो सकता है फिर भी अपारदर्शी हो सकता है । अन्य लोग लीन में औपचारिक सत्यापन को पारंपरिक सहकर्मी समीक्षा की तुलना में एक सख्त मानक प्रदान करने के रूप में देखते हैं ।

नए विज्ञान की खोज करने की AI की क्षमता के लिए इसका क्या अर्थ है

Anthropic का रीमैन परिणाम कई ठोस तरीकों से चर्चा को आगे बढ़ाता है:

1. स्वायत्त अन्वेषण का पैमाना मायने रखता है।

60 सब-एजेंटों में 650 विचारों का परीक्षण प्रदर्शित करता है कि मल्टी-एजेंट आर्किटेक्चर एक ऐसे पैमाने पर व्यवस्थित खोज कर सकते हैं जिससे कोई भी मानव अनुसंधान समूह उसी समय सीमा में मेल नहीं खा सकता । यह प्रश्न को "क्या AI गणित कर सकता है?" से बदलकर "हमें AI-व्यापी अन्वेषण को वैज्ञानिक खोज पाइपलाइन में कैसे एकीकृत करना चाहिए?" कर देता है।

2. आकस्मिक संश्लेषण (Serendipitous Synthesis) संभव है।

यह तथ्य कि बिना किसी गणितीय प्रशिक्षण वाले एक मॉडल ने बॉम्बिएरी पेपर (2000) को नए परिणामों के साथ जोड़ा — एक ऐसा संयोजन जो किसी भी मानव ने नहीं देखा था — यह दर्शाता है कि AI विभिन्न साहित्यों में गैर-स्पष्ट वैचारिक संबंध बना सकता है । यह क्षमता इस मुख्य चिंता को सीधे संबोधित करती है कि क्या LLM केवल प्रक्षेप (interpolate) करते हैं या वास्तव में खोज कर सकते हैं।

3. औपचारिक सत्यापन विश्वास की समस्या का समाधान करता है।

लीन फॉर्मलाइज़ेशन का अर्थ है कि परिणाम कोई "ब्लैक बॉक्स" दावा नहीं है। यह एक सिद्ध रूप से सही प्रमेय (provably correct theorem) है जिसका कोई भी गणितज्ञ यांत्रिक रूप से निरीक्षण कर सकता है । यह इस बात का एक खाका प्रस्तुत करता है कि AI-जनित वैज्ञानिक परिणामों को सत्यापन योग्य कैसे बनाया जा सकता है, जो AI-नेतृत्व वाली खोज के सबसे मजबूत आपत्तियों में से एक को संबोधित करता है।

4. लेखकत्व और मानकों की बहस रचनात्मक है, पंगु बनाने वाली नहीं।

आश्चर्यजनक परिणामों (DeepMind, OpenAI, Anthropic) और समुदाय-नेतृत्व वाली संस्थागत प्रतिक्रियाओं (लीडन घोषणा) के एक साथ उद्भव से पता चलता है कि गणितीय समुदाय अनुकूलन कर रहा है, पीछे हट नहीं रहा है । वर्तमान बातचीत मानदंडों और श्रेय पर केंद्रित है, न कि AI आउटपुट को पूरी तरह से अस्वीकार करने पर।

5. खोज की लागत और गति गिर रही है।

OpenAI के Astra परिणामों के लिए $2,000 की कंप्यूट लागत और क्लॉड की रीमैन बाउंड के लिए 36 घंटे का टर्नअराउंड बताता है कि एक प्रकाशनीय गणितीय खोज की सीमांत लागत लगभग शून्य के करीब पहुंच रही है । इसका इस बात पर गहरा प्रभाव पड़ता है कि शोधकर्ता किन प्रश्नों को आगे बढ़ाना चुनते हैं और गणितीय अनुसंधान में कौन भाग ले सकता है।

निष्कर्ष

Anthropic का रीमैन बाउंड सुधार एक ऐतिहासिक प्रदर्शन है कि AI सिस्टम अब स्वायत्त रूप से प्रकाशनीय, औपचारिक रूप से सत्यापन योग्य गणितीय परिणामों की खोज कर सकते हैं जो 150 साल पुरानी एक खुली समस्या को आगे बढ़ाते हैं। 2026 की इसी तरह की सफलताओं की श्रृंखला के साथ, यह चर्चा को "क्या AI वैज्ञानिक खोज में योगदान दे सकता है" से "वैज्ञानिक समुदाय को AI सह-खोजकर्ताओं के एक नए वर्ग के लिए प्रोत्साहन, आरोपण और सत्यापन की संरचना कैसे करनी चाहिए" की ओर ले जाता है।