Anthropics Claude gjorde historisk fremgang på Riemann-hypotesen – testet 650 ideer på 1,5 døgn

Den autonome prosessen

Gjennombruddet fulgte en oppsiktsvekkende arbeidsflyt med flere agenter:

• En ansatt hos Anthropic uten seriøs matematikkbakgrunn ba modellen om å «ta et skikkelig stikk» på hypotesen .
• I løpet av omtrent 1,5 døgn testet modellen rundt 650 ulike tilnærminger på tvers av 60 koordinerte underagenter .
• Kjøringen forbrukte 31 millioner output-tokens fordelt på to økter; modellen utførte 2 400 shell-kommandoer og gjennomgikk 54 arXiv-artikler .
• To av de 60 underagentene sto for den matematiske nøkkelideen .
• Den vinnende tilnærmingen syntetiserte en artikkel fra 2000 av Enrico Bombieri med nyere resultater – en kombinasjon ingen menneskelig forsker tidligere hadde satt sammen .

Bekreftelsesprosessen

To in-house matematikere hos Anthropic – Levent Alpöge og Ralph Furmaniak – gjennomgikk og bekreftet beviset . Argumentet ble deretter formalisert i Lean, en interaktiv bevisassistent, noe som ga et maskinsjekkbart sertifikat for korrekthet . Denne doble valideringen (menneskelig ekspertvurdering + formell verifisering) anses som den beste praksisen for AI-genererte matematiske resultater.

Bredere kontekst i 2026: Et vendepunkt for AI i matematikk

Claudes forbedring av Riemann-grensen er ikke en isolert hendelse. 2026 har sett en akselererende rekke AI-ledede matematiske gjennombrudd:

• Mai 2026 – OpenAI kunngjorde at en ikke-offentliggjort generell resonneringsmodell hadde autonomt motbevist Erdős' enhetsavstandsformodning, et 80 år gammelt åpent problem .
• Mai 2026 – Google DeepMinds AlphaProof Nexus løste ni åpne Erdős-problemer (noe uløst i 56 år) og beviste 44 formodninger fra Online Encyclopedia of Integer Sequences, alle formalisert i Lean .
• Juli 2026 – Anthropic-matematiker Levent Alpöge brukte den ikke-offentliggjorte «Fable 5»-modellen til å finne et moteksempel til Jacobiansk formodning, et problem stilt i 1939 .
• August 2026 – OpenAIs Astra-modell skal ha løst ti tiår gamle matematiske problemer for omtrent 2000 dollar i regnekraft, med maskinsjekkbare bevis publisert i Lean på GitHub .

Flere kommentatorer har bemerket at feltet krysset en terskel i midten av 2026: AI-systemer beveget seg fra å løse konkurransematematikk til å generere publiserbar, åpen-problem-forskning .

Debatt om forfatterskap, standarder og Leiden-erklæringen

Den raske utviklingen av AI-generert matematikk har utløst intens debatt:

• I juni 2026 publiserte en gruppe på 16 matematikere Leiden-erklæringen om kunstig intelligens og matematikk, som anbefaler nye standarder for bevisstruktur, forfatterskapsattribusjon og menneskelig tilsyn med AI-genererte resultater . Erklæringen har siden blitt diskutert av Den internasjonale matematiske union .
• Sentrale spenninger inkluderer: Hvem får forfatterskap når et AI-system genererer et bevis? Kan feltet opprettholde epistemisk tillit hvis bevis er for lange eller nyskapende til at mennesker kan inspisere dem fullt ut uten formelle verktøy? Og hvordan bør tidsskrifter fagfellevurdere resultater som ingen enkeltperson kunne ha produsert ?
• Noen matematikere mener AI-assisterte bevis risikerer å uthule forståelse og forklaringsinnsikt – et bevis kan være korrekt, men likevel ugjennomsiktig . Andre ser formell verifisering i Lean som en strengere standard enn tradisjonell fagfellevurdering .

Hva dette betyr for AIs evne til å oppdage ny vitenskap

Anthropics Riemann-resultat fører diskusjonen videre på flere konkrete måter:

1. Omfanget av autonom utforskning har betydning. Testing av 650 ideer på tvers av 60 underagenter viser at multiagentarkitekturer kan utføre systematisk søk i en skala som ingen menneskelig forskningsgruppe kan matche i samme tidsrom . Dette flytter spørsmålet fra «Kan AI gjøre matematikk?» til «Hvordan bør vi integrere AI-bred utforskning i den vitenskapelige oppdagelsespipelinen?»

2. Serendipitøs syntese er mulig. Det at en modell uten matematisk trening kombinerte en Bombieri-artikkel (2000) med nyere resultater – en kombinasjon ingen hadde sett før – viser at AI kan gjøre ikke-opplagte konseptuelle koblinger på tvers av ulike litteraturer . Denne evnen adresserer direkte en kjernebekymring om hvorvidt LLM-er bare interpolerer eller faktisk kan oppdage.

3. Formell verifisering løser tillitsproblemet. Lean-formaliseringen betyr at resultatet ikke er et «svart boks»-krav. Det er et beviselig korrekt teorem som enhver matematiker kan inspisere maskinelt . Dette gir en mal for hvordan AI-genererte vitenskapelige resultater kan gjøres verifiserbare, og adresserer en av de sterkeste innvendingene mot AI-ledet oppdagelse.

4. Forfatterskaps- og standarddebatten er konstruktiv, ikke lammende. Den samtidige fremveksten av både imponerende resultater (DeepMind, OpenAI, Anthropic) og samfunnsledede institusjonelle svar (Leiden-erklæringen) tyder på at det matematiske miljøet tilpasser seg i stedet for å trekke seg tilbake . Den nåværende samtalen handler om normer og kreditt, ikke om å avvise AI-resultater fullstendig.

5. Kostnaden og hastigheten for oppdagelse kollapser. 2000-dollar-regnekostnaden for OpenAIs Astra-resultater og 36-timers behandlingstid for Claudes Riemann-grense tyder på at marginalkostnaden for en publiserbar matematisk oppdagelse nærmer seg null . Dette har dype implikasjoner for hvilke spørsmål forskere velger å forfølge og hvem som kan delta i matematisk forskning.

Kort oppsummert: Anthropics forbedring av Riemann-grensen er en milepælsdemonstrasjon av at AI-systemer nå kan autonomt oppdage publiserbare, formelt verifiserbare matematiske resultater som fremmer et 150 år gammelt åpent problem. Sammen med 2026-årets rekke av lignende gjennombrudd flytter det diskusjonen fra «om AI kan bidra til vitenskapelig oppdagelse» til «hvordan det vitenskapelige miljøet bør strukturere insentiver, attribusjon og verifisering for en ny klasse av AI-medoppdagere.»