60 KI-underagenter presset et 150 år gammelt matematisk problem lenger på 1,5 dager enn noe menneske alene har gjort

10.–11. august 2026 kunngjorde Anthropic at en upublisert forskningsversjon av Claude hadde gjort betydelige fremskritt på et problem knyttet til Riemann-hypotesen . Modellen økte en gammel nedre grense for andelen ikke-trivielle nullpunkter i Riemann zeta-funksjonen som ligger på den kritiske linjen – fra 41,6 % til 67,2 % . Dette er den største enkeltstående forbedringen av denne grensen som noensinne er registrert . Modellen beviste ikke Riemann-hypotesen i seg selv (den er fortsatt et av sju Clay Millennium-problemer med en premie på 1 million dollar), men resultatet er et ekte teorem i analytisk tallteori .

Den autonome prosessen bak resultatet

Bragden fulgte en oppsiktsvekkende multi-agent-arbeidsflyt som forskerne hos Anthropic selv ble overrasket over:

• En Anthropic-ansatt uten seriøs matematisk bakgrunn ba modellen om å «ta et realtak» på å bevise hypotesen .
• I løpet av omtrent 1,5 dager testet modellen rundt 650 kandidattilnærminger fordelt på 60 koordinerte underagenter .
• Kjøringen forbrukte 31 millioner output-tokens fordelt på to økter, utførte 2 400 skallkommandoer og gjennomgikk 54 arXiv-artikler .
• To av de 60 underagentene var ansvarlige for å utvikle det sentrale matematiske gjennombruddet .
• Den vinnende tilnærmingen syntetiserte en artikkel fra 2000 av Enrico Bombieri med nyere resultater – en kombinasjon ingen tidligere menneskelig forsker hadde satt sammen .

Verifisering: To lag med bevis

To interne matematikere – Levent Alpöge og Ralph Furmaniak – gjennomgikk og bekreftet beviset . Argumentet ble deretter formalisert i Lean, en interaktiv teoremprover, som produserte et maskinverifiserbart korrekthetsbevis . Denne doble valideringen (ekspertgjennomgang av mennesker + formell verifisering) anses som beste praksis for KI-genererte matematiske resultater.

Et vendepunkt: 2026 som året KI krysset inn i åpen-problem-forskning

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

• Mai 2026 – OpenAI kunngjorde at en upublisert generell resonneringsmodell autonomt hadde 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 – Anthropics matematiker Levent Alpöge brukte den upubliserte «Fable 5»-modellen til å finne et moteksempel til Jacobian-formodningen, et problem fremsatt i 1939 .
• August 2026 – OpenAIs Astra-modell løste visstnok ti flere tiår gamle matematiske problemer for omtrent $2 000 i datakraftkostnad, med maskinverifiserbare bevis publisert i Lean på GitHub .

Flere kommentatorer har bemerket at feltet krysset en terskel i midten av 2026: KI-systemer gikk fra å løse konkurransematematikk til å generere publiserbar forskning på åpent problemnivå .

Debatten: Forfatterskap, standarder og Leiden-erklæringen

Det raske tempoet i KI-generert matematikk har utløst intens debatt:

• I juni 2026 publiserte en gruppe på 16 matematikere Leiden-erklæringen om kunstig intelligens og matematikk, som anbefalte nye standarder for bevisstruktur, forfatterattribusjon og menneskelig tilsyn med KI-genererte resultater . Erklæringen har siden blitt diskutert av Den internasjonale matematiske union .
• Sentrale spenninger inkluderer: Hvem får forfatterskap når en KI genererer et bevis? Kan feltet opprettholde epistemisk tillit hvis bevis er for lange eller nye for mennesker å inspisere fullt ut uten formelle verktøy? Og hvordan bør tidsskrifter fagfellevurdere resultater som intet enkelt menneske kunne ha produsert ?
• Noen matematikere hevder at KI-assisterte bevis risikerer å erodere 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 KIs evne til å oppdage ny vitenskap

Anthropics Riemann-resultat fremmer diskusjonen på flere konkrete måter:

1. Omfanget av autonom utforskning betyr noe.

Å teste 650 ideer på tvers av 60 underagenter viser at multi-agent-arkitekturer kan utføre systematisk søk i en skala som ingen menneskelig forskningsgruppe kan matche innenfor samme tidsramme . Dette flytter spørsmålet fra «Kan KI gjøre matematikk?» til «Hvordan bør vi integrere KI-bred utforskning i den vitenskapelige oppdagelsespipelinen?»

2. Tilfeldig syntese er mulig.

Det faktum at en modell uten matematisk trening kombinerte en Bombieri-artikkel (2000) med nyere resultater – en kombinasjon ingen mennesker hadde sett – viser at KI kan gjøre ikke-opplagte konseptuelle forbindelser på tvers av forskjellige 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 en «svart boks»-påstand. Det er et beviselig korrekt teorem som enhver matematiker kan inspisere mekanisk . Dette gir en mal for hvordan KI-genererte vitenskapelige resultater kan gjøres verifiserbare, og adresserer en av de sterkeste innvendingene mot KI-ledet oppdagelse.

4. Debatten om forfatterskap og standarder er konstruktiv, ikke lammende.

Den samtidige fremveksten av imponerende resultater (DeepMind, OpenAI, Anthropic) og samfunnsledet institusjonelle svar (Leiden-erklæringen) tyder på at det matematiske miljøet tilpasser seg i stedet for å trekke seg tilbake . Den nåværende samtalen sentrerer seg om normer og kreditering, ikke om å avvise KI-produksjon helt.

5. Kostnaden og hastigheten for oppdagelse kollapser.

$2 000 datakraftkostnad 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.

Bunnlinjen

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