OpenAI zegt dat Astra tien wiskundeproblemen oploste voor 2.000 dollar

Dat klinkt als een doorbraak met een ongekend laag prijskaartje. Tegelijkertijd wijzen wiskundigen en AI-onderzoekers erop dat de aankondiging verschillende belangrijke vragen openlaat.

Welke problemen zou Astra hebben opgelost?

Volgens het rapport van OpenAI beslaan de resultaten acht vakgebieden. Het gaat om bewijzen, tegenvoorbeelden en verbeterde bovengrenzen . De opvallendste voorbeelden zijn:

• Niet-sofische groepen: een eerste expliciete constructie die het bestaan van niet-sofische groepen aantoont. Daarmee zou een centrale vraag uit de groepentheorie zijn beantwoord die al sinds de introductie van het begrip ‘soficiteit’ door Mikhail Gromov in 1999 openstond .
• Het rigiditeitsvermoeden van Connes: een lang bestaand vermoeden in de theorie van von Neumann-algebra’s zou zijn weerlegd .
• Bolpakkingen in hoge dimensies: Astra zou nieuwe bovengrenzen hebben gevonden voor de dichtheid waarmee bollen in hogere dimensies kunnen worden gestapeld .
• Drie problemen van Paul Erdős: drie open combinatorische problemen uit het omvangrijke werk van de Hongaarse wiskundige Paul Erdős zouden zijn opgelost, waaronder probleem 183 over meerkleurige Ramsey-getallen .
• Andere gebieden: het rapport noemt daarnaast nieuwe resultaten over quantum-parallelle herhaling, het closest-vector-probleem in roostercryptografie, de complexiteit van rekenkundige circuits, binaire en sferische codes en het volumevermoeden van Ehrhart .

De claim gaat dus verder dan het oplossen van bekende wedstrijdopgaven. Het zou gaan om nieuwe resultaten bij vragen waarop de wiskundige gemeenschap lange tijd geen wezenlijke vooruitgang boekte.

Hoe zijn de bewijzen gecontroleerd?

OpenAI baseerde zich niet alleen op de tekst die Astra genereerde. Elk resultaat kreeg een formeel bewijs in Lean 4. Lean is een proof assistant: software die controleert of iedere logische stap binnen een vastgelegde verzameling definities en axioma’s geldig is .

De bestanden zijn openbaar gemaakt op GitHub. Volgens de gepubliceerde repository staat de teller voor sorry — een aanduiding voor nog niet bewezen stappen — op nul bij alle tien bewijzen . Daardoor kunnen andere onderzoekers de formele bestanden zelfstandig controleren op een computer.

Dat maakt de resultaten beter toetsbaar dan veel eerdere AI-demonstraties, maar het lost niet elke vraag op. Lean kan bevestigen dat een formele conclusie volgt uit de formele definities. Het systeem kan niet zelf vaststellen of:

• de formele formulering exact overeenkomt met het oorspronkelijke open probleem;
• de gebruikte definities aansluiten bij wat wiskundigen in het vakgebied bedoelen;
• de claim werkelijk nieuw is;
• de historische beschrijving en het belang van het resultaat juist zijn .

Daarom zullen experts nog steeds de formulering, definities, afleidingen, nieuwheid en vertaling van het informele argument naar de formele versie moeten controleren . Een bewijs dat formeel klopt, is dus niet automatisch hetzelfde als een volledig beoordeeld en betekenisvol onderzoeksresultaat.

Wat betekent het bedrag van 2.000 dollar precies?

OpenAI zegt dat de tokens die nodig waren om de tien succesvolle oplossingen te genereren, tegen de tarieven van de Sol-API ongeveer 2.000 dollar zouden hebben gekost . Dat is ongeveer 200 dollar per resultaat.

Het bedrag moet wel nauwkeurig worden geïnterpreteerd. Het gaat om een API-equivalent voor de tokens van de succesvolle oplossingen, niet om de totale kosten van het onderzoeksproject. Mislukte pogingen, parallelle zoekruns en de interne rekenkracht die nodig was om tot een bruikbaar bewijs te komen, zijn niet in dit cijfer opgenomen . Ook de training van het model, de infrastructuur, het werk van menselijke onderzoekers en het opstellen en formaliseren van het manuscript vallen er niet onder.

Juist die nuance is belangrijk. De cijfers suggereren dat AI in de toekomst goedkoop kan worden ingezet voor bewijszoekwerk, maar ze zeggen nog niet hoeveel rekenkracht en menselijk werk nodig zijn om een betrouwbare onderzoeksuitkomst te selecteren en te controleren.

Waarom is er scepsis?

De reactie uit de wiskundige gemeenschap is verdeeld. Sommige onderzoekers zien de Lean-bestanden als een belangrijke stap richting controleerbare AI-wiskunde. Anderen waarschuwen dat formele correctheid niet automatisch betekent dat een resultaat verrassend, relevant of correct gepresenteerd is als oplossing van het bedoelde probleem .

Cognitief wetenschapper Gary Marcus stelde dat succes in wiskunde een bijzonder geval is. Wiskundige beweringen lenen zich relatief goed voor formele controle en voor het genereren van synthetische oefendata waarvan de juistheid kan worden nagegaan. Dat betekent volgens hem niet dat dezelfde prestaties zonder meer door te trekken zijn naar wetenschap in het algemeen .

Ook blijft de vraag bestaan hoe AI-gegenereerde wiskunde moet worden geaudit wanneer het model zelf een gesloten, commercieel systeem is. Onderzoekers moeten niet alleen het eindbewijs controleren, maar ook nagaan of het resultaat geen ongecrediteerde reconstructie van bestaand werk is .

Verder kwam de aankondiging zonder publieke release van Astra, modelkaart, reproduceerbare benchmarks of informatie over het aantal mislukte pogingen achter de tien successen . Critici plaatsen de presentatie daarom in een bredere discussie over AI-bedrijven die onderzoeksresultaten via persberichten bekendmaken in plaats van via traditionele peerreview. Die discussie kreeg eerder in 2026 extra aandacht door de zogenoemde ‘Leiden Declaration’ .

Vergelijkingen met eerdere AI-claims in de wiskunde, waaronder AlphaGeometry van Google DeepMind, hebben eveneens tot voorzichtigheid geleid. Ook eerdere doorbraken werden later verder onderzocht en genuanceerd .

Wat kan dit betekenen voor onderzoek?

Als de resultaten standhouden, kunnen de gevolgen aanzienlijk zijn — maar waarschijnlijk niet in de vorm van het verdwijnen van wiskundigen.

• Goedkopere verkenning: kleine onderzoeksteams en individuele onderzoekers zouden AI kunnen gebruiken om sneller ideeën, tegenvoorbeelden en mogelijke bewijzen te onderzoeken. De genoemde kosten van 2.000 dollar wijzen op een mogelijke verlaging van de drempel voor experimenteel onderzoek .
• Nieuwe controlepraktijk: universiteiten en tijdschriften zullen standaarden moeten ontwikkelen voor de beoordeling, toeschrijving en peerreview van AI-gegenereerde bewijzen, zeker wanneer de onderliggende modellen niet openbaar zijn .
• Afhankelijkheid van commerciële systemen: als frontier-onderzoek steeds meer toegang vereist tot propriëtaire modellen en API’s, kan belangrijke onderzoeksinfrastructuur verschuiven van publieke instellingen naar private bedrijven .
• Een hogere lat voor AI: Astra zou niet alleen vaste benchmarkopgaven hebben opgelost, maar nieuwe resultaten hebben geleverd voor open problemen. Daarmee verschuift de vraag wat ‘AI doet wiskunde’ precies betekent .

Thomas Bloom, wiskundige aan de University of Manchester en beheerder van erdosproblems.com, noemde de resultaten “groot nieuws”. Tegelijkertijd wees hij het idee af dat AI hiermee wiskundigen vervangt: het model bouwt voort op meer dan een eeuw wiskundige theorie en is zelf door wiskundigen ontwikkeld .

De voorzichtige conclusie is daarom tweeledig. OpenAI heeft met de tien manuscripten en de Lean-certificaten meer controleerbaar materiaal gepubliceerd dan bij een gewone AI-benchmark. Maar of Astra daadwerkelijk tien belangrijke open problemen heeft opgelost — in de betekenis die wiskundigen daaraan geven — moet nog blijken uit onafhankelijke controle en peerreview.