Anthropics onuitgebrachte AI verlegt grens van Riemann-hypothese op eigen kracht

Wat het Anthropic-model precies bereikte

Op 10–11 augustus 2026 maakte Anthropic bekend dat een onuitgebrachte onderzoeksversie van Claude significante vooruitgang had geboekt op een probleem dat verband houdt met de Riemann-hypothese . Concreet verhoogde het model de al lang bestaande ondergrens voor het aandeel niet-triviale nulpunten van de Riemann-zètafunctie die op de kritische lijn liggen – van 41,6% naar 67,2% . Dat is de grootste sprong in één keer ooit gemeten voor deze grens . Het model heeft niet de Riemann-hypothese zelf bewezen (die blijft een van de zeven Clay-Millenniumproblemen met een prijs van 1 miljoen dollar), maar het resultaat is een echt theorema in de analytische getaltheorie .

Het autonome proces

De prestatie volgde uit een opvallende multi-agent-workflow:

• Een medewerker van Anthropic zonder serieuze wiskundeachtergrond vroeg het model om 'echt serieus' te proberen de hypothese te bewijzen .
• In ongeveer anderhalve dag testte het model ruwweg 650 kandidaat-aanpakken via 60 gecoördineerde subagenten .
• De uitvoer verbruikte 31 miljoen uitvoertokens verdeeld over twee sessies, voerde 2.400 shell-commando's uit en bekeek 54 arXiv-papers .
• Twee van de zestig subagenten waren verantwoordelijk voor de cruciale wiskundige doorbraak .
• De winnende aanpak synthetiseerde een paper uit 2000 van Enrico Bombieri met recentere resultaten – een combinatie die geen enkele menselijke onderzoeker eerder had gemaakt .

Verificatieproces

Twee huiswiskundigen van Anthropic – Levent Alpöge en Ralph Furmaniak – beoordeelden en bevestigden het bewijs . Het argument werd vervolgens geformaliseerd in Lean, een interactieve bewijsassistent, wat een machine-controleerbaar certificaat van correctheid opleverde . Deze dubbele validatie (expertbeoordeling door mensen + formele verificatie) wordt algemeen beschouwd als de gouden standaard voor AI-gegenereerde wiskundige resultaten.

2026: een keerpunt voor AI in de wiskunde

Claudes verbetering van de Riemann-grens staat niet op zichzelf. 2026 kent een versnelling van AI-gestuurde wiskundige doorbraken:

• Mei 2026 – OpenAI maakte bekend dat een onuitgebracht algemeen redeneermodel autonoom het Erdős-eenheidsafstandsvermoeden had weerlegd, een 80 jaar oud open probleem .
• Mei 2026 – Google DeepMinds AlphaProof Nexus loste negen open Erdős-problemen op (sommige 56 jaar onopgelost) en bewees 44 vermoedens uit de Online Encyclopedia of Integer Sequences, allemaal geformaliseerd in Lean .
• Juli 2026 – Anthropic-wiskundige Levent Alpöge gebruikte het onuitgebrachte 'Fable 5'-model om een tegenvoorbeeld te vinden voor het Jacobian-conjectuur, een probleem uit 1939 .
• Augustus 2026 – OpenAI's Astra-model zou tien decennia oude wiskundeproblemen hebben opgelost voor ongeveer $ 2.000 aan rekenkosten, met machine-controleerbare bewijzen gepubliceerd in Lean op GitHub .

Verscheidene commentatoren merken op dat het vakgebied in midden 2026 een drempel overschreed: AI-systemen gingen van het oplossen van competitiewiskunde naar het genereren van publiceerbaar onderzoek op het niveau van open problemen .

Het debat: auteurschap, standaarden en de Leidse Verklaring

De snelle opmars van AI-gegenereerde wiskunde heeft een intens debat ontketend:

• In juni 2026 publiceerden zestien wiskundigen de Leidse Verklaring over Kunstmatige Intelligentie en Wiskunde, die nieuwe standaarden aanbeveelt voor bewijsstructuur, auteurschapstoekenning en menselijk toezicht op AI-gegenereerde resultaten . De verklaring wordt inmiddels besproken binnen de International Mathematical Union .
• Belangrijke spanningen: Wie krijgt auteurschapscredits als een AI een bewijs genereert? Kan het vakgebied epistemisch vertrouwen behouden als bewijzen te lang of te nieuw zijn voor mensen om volledig te inspecteren zonder formele hulpmiddelen? En hoe moeten tijdschriften peer review uitvoeren voor resultaten die geen enkel mens alleen had kunnen produceren ?
• Sommige wiskundigen stellen dat AI-ondersteunde bewijzen het risico lopen dat begrip en verklarend inzicht worden uitgehold – een bewijs kan correct zijn maar ondoorgrondelijk . Anderen zien formele verificatie in Lean juist als een strengere standaard dan traditionele peer review .

Wat dit betekent voor AI's vermogen om nieuwe wetenschap te ontdekken

Het Riemann-resultaat van Anthropic draagt het debat op meerdere concrete punten verder:

1. Schaal van autonome verkenning doet ertoe. Het testen van 650 ideeën via 60 subagenten toont aan dat multi-agent-architecturen systematisch onderzoek kunnen uitvoeren op een schaal die geen menselijke onderzoeksgroep in dezelfde tijd kan evenaren . Dit verschuift de vraag van 'Kan AI wiskunde?' naar 'Hoe integreren we AI-brede verkenning in de pijplijn van wetenschappelijke ontdekking?'

2. Toevallige synthese is mogelijk. Het feit dat een model zonder wiskundige opleiding een Bombieri-paper (2000) combineerde met nieuwere resultaten – een combinatie die geen mens had gezien – laat zien dat AI niet voor de hand liggende conceptuele verbanden kan leggen tussen uiteenlopende literatuur . Deze vaardigheid spreekt direct de kernzorg aan of LLM's alleen interpoleren of werkelijk kunnen ontdekken.

3. Formele verificatie lost het vertrouwensprobleem op. De Lean-formalisering betekent dat het resultaat geen 'black box'-claim is. Het is een bewijsbaar correct theorema dat elke wiskundige mechanisch kan inspecteren . Dit biedt een sjabloon voor hoe AI-gegenereerde wetenschappelijke resultaten verifieerbaar kunnen worden gemaakt, waarmee een van de sterkste bezwaren tegen AI-geleide ontdekking wordt weggenomen.

4. Het debat over auteurschap en standaarden is constructief, niet verlammend. De gelijktijdige opkomst van zowel verbluffende resultaten (DeepMind, OpenAI, Anthropic) als gemeenschapsgeleide institutionele reacties (de Leidse Verklaring) suggereert dat de wiskundegemeenschap zich aanpast in plaats van terugdeinst . Het huidige gesprek draait om normen en credits, niet om het categorisch afwijzen van AI-output.

5. De kosten en snelheid van ontdekking dalen enorm. De rekenkosten van $ 2.000 voor OpenAI's Astra-resultaten en de doorlooptijd van 36 uur voor Claudes Riemann-grens suggereren dat de marginale kosten van een publiceerbare wiskundige ontdekking bijna nul naderen . Dit heeft diepgaande gevolgen voor welke vragen onderzoekers kiezen en wie kan deelnemen aan wiskundig onderzoek.

Kortom: De verbetering van de Riemann-grens door Anthropic is een mijlpaaldemonstratie dat AI-systemen nu autonoom publiceerbare, formeel verifieerbare wiskundige resultaten kunnen ontdekken die een 150 jaar oud open probleem vooruithelpen. In combinatie met de reeks vergelijkbare doorbraken in 2026 verschuift het gesprek van 'of AI kan bijdragen aan wetenschappelijke ontdekking' naar 'hoe de wetenschappelijke gemeenschap prikkels, toeschrijving en verificatie moet structureren voor een nieuwe klasse van AI-medeontdekkers.'