Hoe 60 AI-subagenten een 150 jaar oud wiskundeprobleem in anderhalve dag verder brachten dan enig mens ooit alleen

Het autonome proces achter het resultaat

De prestatie volgde uit een opvallende multi-agentworkflow die zelfs de onderzoekers van Anthropic verraste:

• Een medewerker van Anthropic zonder noemenswaardige wiskundeachtergrond vroeg het model om "een echte poging" te wagen de hypothese te bewijzen .
• In ongeveer 1,5 dag testte het model ruwweg 650 kandidaat-aanpakken via 60 gecoördineerde subagenten .
• De sessie verbruikte 31 miljoen output-tokens in twee runs, voerde 2.400 shell-commando's uit en bekeek 54 arXiv-papers .
• Twee van de 60 subagenten waren verantwoordelijk voor de belangrijkste wiskundige doorbraak .
• De winnende aanpak combineerde een paper uit 2000 van Enrico Bombieri met recentere resultaten — een combinatie die geen enkele eerdere menselijke onderzoeker had gemaakt .

Verificatie: twee bewijslagen

Twee interne wiskundigen — Levent Alpöge en Ralph Furmaniak — beoordeelden en bevestigden het bewijs . Het argument werd vervolgens geformaliseerd in Lean, een interactieve bewijsassistent, wat een machine-controleerbaar correctheidscertificaat opleverde . Deze dubbele validatie (deskundige menselijke beoordeling + formele verificatie) wordt algemeen beschouwd als een best-practice-bewijs voor AI-gegenereerde wiskundige resultaten.

Een keerpunt: 2026 als het jaar waarin AI overstapte naar open-probleemonderzoek

Claudes verbetering van de Riemann-grens is geen geïsoleerde gebeurtenis. 2026 kent een versnelling van AI-gestuurde wiskundige doorbraken:

• Mei 2026 — OpenAI kondigde aan 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-vermoeden, een probleem dat in 1939 werd gesteld .
• Augustus 2026 — OpenAIs Astra-model zou tien tientallen jaren oude wiskundeproblemen hebben opgelost voor ruwweg $2.000 aan rekenkracht, met machine-controleerbare bewijzen gepubliceerd in Lean op GitHub .

Verscheidene commentatoren hebben opgemerkt dat het vakgebied in midden 2026 een drempel overschreed: AI-systemen gingen van het oplossen van wedstrijdwiskunde naar het genereren van publiceerbaar onderzoek op open-probleemniveau .

Het debat: auteurschap, standaarden en de Leidse Verklaring

Het snelle tempo van AI-gegenereerde wiskunde heeft een intens debat veroorzaakt:

• In juni 2026 publiceerde een groep van 16 wiskundigen de Leidse Verklaring over Kunstmatige Intelligentie en Wiskunde, waarin nieuwe standaarden worden aanbevolen voor bewijsstructuur, auteurschapstoekenning en menselijk toezicht op AI-gegenereerde resultaten . De verklaring is sindsdien besproken door de International Mathematical Union .
• Belangrijke spanningen zijn onder meer: Wie krijgt auteurschapseer wanneer een AI een bewijs genereert? Kan het vakgebied epistemisch vertrouwen behouden als bewijzen te lang of te nieuw zijn voor mensen om zonder formele hulpmiddelen volledig te inspecteren? En hoe moeten tijdschriften peer-review toepassen op resultaten die geen enkele mens alleen had kunnen produceren ?
• Sommige wiskundigen beweren dat AI-ondersteunde bewijzen het risico lopen begrip en verklarend inzicht uit te hollen — een bewijs kan correct maar ondoorzichtig zijn . Anderen zien formele verificatie in Lean als een strengere standaard dan traditionele peer review .

Wat dit betekent voor het vermogen van AI om nieuwe wetenschap te ontdekken

Het Riemann-resultaat van Anthropic draagt op verschillende concrete manieren bij aan de discussie:

1. De schaal van autonome verkenning is van belang.

Het testen van 650 ideeën via 60 subagenten toont aan dat multi-agentarchitecturen systematische zoekopdrachten kunnen uitvoeren op een schaal die geen enkele menselijke onderzoeksgroep in dezelfde tijd kan evenaren . Dit verschuift de vraag van "Kan AI wiskunde bedrijven?" naar "Hoe moeten we AI-brede verkenning integreren in de pijplijn van wetenschappelijke ontdekkingen?"

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 . Dit vermogen gaat direct in op een kernzorg of LLM's louter 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 correcte stelling die 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-gestuurde ontdekking wordt aangepakt.

4. Het debat over auteurschap en standaarden is constructief, niet verlammend.

De gelijktijdige opkomst van zowel verbluffende resultaten (DeepMind, OpenAI, Anthropic) als door de gemeenschap geleide institutionele reacties (de Leidse Verklaring) suggereert dat de wiskundige gemeenschap zich aanpast in plaats van terugtrekt . Het huidige gesprek gaat over normen en krediet, niet over het volledig afwijzen van AI-outputs.

5. De kosten en snelheid van ontdekking storten in.

De $2.000 aan rekenkracht voor OpenAIs 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 om na te jagen en wie er kan deelnemen aan wiskundig onderzoek.

De kern

De verbetering van de Anthropic-Riemann-grens 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 soortgelijke doorbraken in 2026 verschuift het de discussie van "of AI kan bijdragen aan wetenschappelijke ontdekkingen" naar "hoe de wetenschappelijke gemeenschap prikkels, toekenning en verificatie moet structureren voor een nieuwe klasse van AI-medeontdekkers."