Autonomiczny proces

Osiągnięcie było efektem uderzającego, wieloagentowego przebiegu pracy:

• Pracownik Anthropica bez poważnego wykształcenia matematycznego poprosił model, aby „naprawdę spróbował" udowodnić hipotezę .
• Przez około 1,5 dnia model przetestował około 650 kandydackich podejść przy użyciu 60 skoordynowanych podagentów .
• Sesja pochłonęła 31 milionów tokenów wyjściowych w dwóch sesjach, wykonano 2400 poleceń shell i przejrzano 54 prace z arXiv .
• Dwa z 60 podagentów były odpowiedzialne za opracowanie kluczowego matematycznego przełomu .
• Zwycięskie podejście zsyntetyzowało pracę Enrico Bombieriego z 2000 roku z nowszymi wynikami – kombinację, której wcześniej żaden badacz nie zestawił .

Proces weryfikacji

Dwaj wewnętrzni matematycy Anthropica – Levent Alpöge i Ralph Furmaniak – przejrzeli i potwierdzili dowód . Argument został następnie sformalizowany w systemie Lean, interaktywnym asystencie dowodzenia, co dało maszynowo sprawdzalny certyfikat poprawności . Ta podwójna walidacja (ekspercka recenzja ludzka + formalna weryfikacja) jest powszechnie uznawana za najlepszą praktykę w przypadku wyników matematycznych generowanych przez AI.

Szerszy kontekst 2026: punkt zwrotny dla AI w matematyce

Poprawa granicy Riemanna przez Claude nie jest odosobnionym wydarzeniem. Rok 2026 przyniósł przyspieszającą sekwencję przełomów matematycznych dokonanych przez AI:

• Maj 2026 – OpenAI ogłosiło, że niewydany model ogólnego rozumowania autonomicznie obalił hipotezę Erdősa o odległościach jednostkowych, nierozwiązywalny problem z 80-letnią historią .
• Maj 2026 – AlphaProof Nexus od Google DeepMind rozwiązał dziewięć otwartych problemów Erdősa (niektóre nierozwiązane od 56 lat) i udowodnił 44 hipotezy z Encyklopedii Ciągów Liczb Całkowitych, wszystkie sformalizowane w Lean .
• Lipiec 2026 – Matematyk Anthropica Levent Alpöge użył niewydanego modelu „Fable 5" do znalezienia kontrprzykładu dla hipotezy Jakobiana, problemu postawionego w 1939 roku .
• Sierpień 2026 – Model Astra od OpenAI podobno rozwiązał dziesięć problemów matematycznych sprzed kilkudziesięciu lat za około 2000 dolarów kosztów obliczeniowych, publikując maszynowo sprawdzalne dowody w Lean na GitHubie .

Wielu komentatorów zauważyło, że w połowie 2026 roku dziedzina przekroczyła pewien próg: systemy AI przeszły od rozwiązywania zadań na poziomie olimpijskim do generowania publikowalnych badań na poziomie otwartych problemów .

Debaty: autorstwo, standardy i Deklaracja Lejdejska

Szybkie tempo matematyki generowanej przez AI wywołało intensywną debatę:

• W czerwcu 2026 roku grupa 16 matematyków opublikowała Deklarację Lejdejską w Sprawie Sztucznej inteligencji i Matematyki, zalecającą nowe standardy struktury dowodów, przypisywania autorstwa i nadzoru ludzkiego nad wynikami generowanymi przez AI . Deklaracja była od tego czasu dyskutowana przez Międzynarodową Unię Matematyczną .
• Kluczowe napięcia obejmują: Kto otrzymuje autorstwo, gdy dowód generuje AI? Czy dziedzina może utrzymać zaufanie epistemiczne, jeśli dowody są zbyt długie lub nowatorskie, aby ludzie mogli je w pełni sprawdzić bez narzędzi formalnych? I jak czasopisma powinny recenzować wyniki, których żaden człowiek nie mógłby samodzielnie wytworzyć ?
• Część matematyków twierdzi, że dowody wspomagane przez AI ryzykują erozję zrozumienia i wyjaśnienia – dowód może być poprawny, ale nieprzejrzysty . Inni postrzegają formalną weryfikację w Lean jako zapewniającą ostrzejszy standard niż tradycyjna recenzja .

Co to oznacza dla zdolności AI do odkrywania nowej nauki?

Wynik dotyczący granicy Riemanna przesuwa dyskusję w kilku konkretnych kierunkach:

1. Skala autonomicznej eksploracji ma znaczenie. Testowanie 650 pomysłów przy użyciu 60 podagentów pokazuje, że architektury wieloagentowe mogą przeprowadzać systematyczne poszukiwania na skalę, której żadna ludzka grupa badawcza nie byłaby w stanie osiągnąć w tym samym czasie . To przesuwa pytanie z „Czy AI potrafi robić matematykę?" na „Jak powinniśmy integrować eksplorację AI z potokiem odkryć naukowych?"

2. Serendypitalna synteza jest możliwa. Fakt, że model bez wykształcenia matematycznego połączył pracę Bombieriego (2000) z nowszymi wynikami – kombinację, której żaden człowiek nie zestawił – pokazuje, że AI może tworzyć nieoczywiste powiązania koncepcyjne pomiędzy różnymi literaturami . Ta zdolność bezpośrednio odpowiada na główne obawy dotyczące tego, czy LLMy jedynie interpolują, czy mogą naprawdę odkrywać.

3. Formalna weryfikacja rozwiązuje problem zaufania. Formalizacja w Lean oznacza, że wynik nie jest twierdzeniem „czarnej skrzynki". To prowdopodobnie poprawny dowód, który każdy matematyk może sprawdzić mechanicznie . To oferuje szablon dla tego, jak wyniki naukowe generowane przez AI mogą być czynione weryfikowalnymi, odpowiadając na jeden z najsilniejszych zarzutów wobec odkryć prowadzonych przez AI.

4. Debata o autorstwie i standardach jest konstruktywna, nie paraliżująca. Równoczesne pojawienie się zarówno oszałamiających wyników (DeepMind, OpenAI, Anthropic), jak i odpowiedzi społeczności (Deklaracja Lejdejska) sugeruje, że środowisko matematyczne dostosowuje się, a nie wycofuje . Obecna rozmowa koncentruje się na normach i uznaniu, a nie na odrzucaniu wyników AI w całości.

5. Koszt i szybkość odkrywania gwałtownie spadają. Koszt obliczeniowy 2000 dolarów dla wyników OpenAI Astra i 36-godzinny czas realizacji dla granicy Riemanna od Claude sugerują, że koszt krańcowy publikowalnego odkrycia matematycznego zbliża się do zera . Ma to głębokie implikacje dla tego, jakie pytania badacze decydują się badać i kto może uczestniczyć w badaniach matematycznych.

Podsumowując: Poprawa granicy związanej z hipotezą Riemanna przez Anthropic to przełomowa demonstracja, że systemy AI mogą teraz autonomicznie odkrywać publikowalne, formalnie weryfikowalne wyniki matematyczne, które posuwają naprzód 150-letni otwarty problem. W połączeniu z serią podobnych przełomów w 2026 roku, przesuwa to dyskusję z „czy AI może przyczynić się do odkryć naukowych" na „jak społeczność naukowa powinna ustrukturyzować mechanizmy motywacyjne, przypisywanie autorstwa i weryfikację dla nowej klasy współodkrywców AI."

Autonomiczny proces

Osiągnięcie było efektem uderzającego, wieloagentowego przebiegu pracy:

• Pracownik Anthropica bez poważnego wykształcenia matematycznego poprosił model, aby „naprawdę spróbował" udowodnić hipotezę .
• Przez około 1,5 dnia model przetestował około 650 kandydackich podejść przy użyciu 60 skoordynowanych podagentów .
• Sesja pochłonęła 31 milionów tokenów wyjściowych w dwóch sesjach, wykonano 2400 poleceń shell i przejrzano 54 prace z arXiv .
• Dwa z 60 podagentów były odpowiedzialne za opracowanie kluczowego matematycznego przełomu .
• Zwycięskie podejście zsyntetyzowało pracę Enrico Bombieriego z 2000 roku z nowszymi wynikami – kombinację, której wcześniej żaden badacz nie zestawił .

Proces weryfikacji

Dwaj wewnętrzni matematycy Anthropica – Levent Alpöge i Ralph Furmaniak – przejrzeli i potwierdzili dowód . Argument został następnie sformalizowany w systemie Lean, interaktywnym asystencie dowodzenia, co dało maszynowo sprawdzalny certyfikat poprawności . Ta podwójna walidacja (ekspercka recenzja ludzka + formalna weryfikacja) jest powszechnie uznawana za najlepszą praktykę w przypadku wyników matematycznych generowanych przez AI.

Szerszy kontekst 2026: punkt zwrotny dla AI w matematyce

Poprawa granicy Riemanna przez Claude nie jest odosobnionym wydarzeniem. Rok 2026 przyniósł przyspieszającą sekwencję przełomów matematycznych dokonanych przez AI:

• Maj 2026 – OpenAI ogłosiło, że niewydany model ogólnego rozumowania autonomicznie obalił hipotezę Erdősa o odległościach jednostkowych, nierozwiązywalny problem z 80-letnią historią .
• Maj 2026 – AlphaProof Nexus od Google DeepMind rozwiązał dziewięć otwartych problemów Erdősa (niektóre nierozwiązane od 56 lat) i udowodnił 44 hipotezy z Encyklopedii Ciągów Liczb Całkowitych, wszystkie sformalizowane w Lean .
• Lipiec 2026 – Matematyk Anthropica Levent Alpöge użył niewydanego modelu „Fable 5" do znalezienia kontrprzykładu dla hipotezy Jakobiana, problemu postawionego w 1939 roku .
• Sierpień 2026 – Model Astra od OpenAI podobno rozwiązał dziesięć problemów matematycznych sprzed kilkudziesięciu lat za około 2000 dolarów kosztów obliczeniowych, publikując maszynowo sprawdzalne dowody w Lean na GitHubie .

Wielu komentatorów zauważyło, że w połowie 2026 roku dziedzina przekroczyła pewien próg: systemy AI przeszły od rozwiązywania zadań na poziomie olimpijskim do generowania publikowalnych badań na poziomie otwartych problemów .

Debaty: autorstwo, standardy i Deklaracja Lejdejska

Szybkie tempo matematyki generowanej przez AI wywołało intensywną debatę:

• W czerwcu 2026 roku grupa 16 matematyków opublikowała Deklarację Lejdejską w Sprawie Sztucznej inteligencji i Matematyki, zalecającą nowe standardy struktury dowodów, przypisywania autorstwa i nadzoru ludzkiego nad wynikami generowanymi przez AI . Deklaracja była od tego czasu dyskutowana przez Międzynarodową Unię Matematyczną .
• Kluczowe napięcia obejmują: Kto otrzymuje autorstwo, gdy dowód generuje AI? Czy dziedzina może utrzymać zaufanie epistemiczne, jeśli dowody są zbyt długie lub nowatorskie, aby ludzie mogli je w pełni sprawdzić bez narzędzi formalnych? I jak czasopisma powinny recenzować wyniki, których żaden człowiek nie mógłby samodzielnie wytworzyć ?
• Część matematyków twierdzi, że dowody wspomagane przez AI ryzykują erozję zrozumienia i wyjaśnienia – dowód może być poprawny, ale nieprzejrzysty . Inni postrzegają formalną weryfikację w Lean jako zapewniającą ostrzejszy standard niż tradycyjna recenzja .

Co to oznacza dla zdolności AI do odkrywania nowej nauki?

Wynik dotyczący granicy Riemanna przesuwa dyskusję w kilku konkretnych kierunkach:

1. Skala autonomicznej eksploracji ma znaczenie. Testowanie 650 pomysłów przy użyciu 60 podagentów pokazuje, że architektury wieloagentowe mogą przeprowadzać systematyczne poszukiwania na skalę, której żadna ludzka grupa badawcza nie byłaby w stanie osiągnąć w tym samym czasie . To przesuwa pytanie z „Czy AI potrafi robić matematykę?" na „Jak powinniśmy integrować eksplorację AI z potokiem odkryć naukowych?"

2. Serendypitalna synteza jest możliwa. Fakt, że model bez wykształcenia matematycznego połączył pracę Bombieriego (2000) z nowszymi wynikami – kombinację, której żaden człowiek nie zestawił – pokazuje, że AI może tworzyć nieoczywiste powiązania koncepcyjne pomiędzy różnymi literaturami . Ta zdolność bezpośrednio odpowiada na główne obawy dotyczące tego, czy LLMy jedynie interpolują, czy mogą naprawdę odkrywać.

3. Formalna weryfikacja rozwiązuje problem zaufania. Formalizacja w Lean oznacza, że wynik nie jest twierdzeniem „czarnej skrzynki". To prowdopodobnie poprawny dowód, który każdy matematyk może sprawdzić mechanicznie . To oferuje szablon dla tego, jak wyniki naukowe generowane przez AI mogą być czynione weryfikowalnymi, odpowiadając na jeden z najsilniejszych zarzutów wobec odkryć prowadzonych przez AI.

4. Debata o autorstwie i standardach jest konstruktywna, nie paraliżująca. Równoczesne pojawienie się zarówno oszałamiających wyników (DeepMind, OpenAI, Anthropic), jak i odpowiedzi społeczności (Deklaracja Lejdejska) sugeruje, że środowisko matematyczne dostosowuje się, a nie wycofuje . Obecna rozmowa koncentruje się na normach i uznaniu, a nie na odrzucaniu wyników AI w całości.

5. Koszt i szybkość odkrywania gwałtownie spadają. Koszt obliczeniowy 2000 dolarów dla wyników OpenAI Astra i 36-godzinny czas realizacji dla granicy Riemanna od Claude sugerują, że koszt krańcowy publikowalnego odkrycia matematycznego zbliża się do zera . Ma to głębokie implikacje dla tego, jakie pytania badacze decydują się badać i kto może uczestniczyć w badaniach matematycznych.

Podsumowując: Poprawa granicy związanej z hipotezą Riemanna przez Anthropic to przełomowa demonstracja, że systemy AI mogą teraz autonomicznie odkrywać publikowalne, formalnie weryfikowalne wyniki matematyczne, które posuwają naprzód 150-letni otwarty problem. W połączeniu z serią podobnych przełomów w 2026 roku, przesuwa to dyskusję z „czy AI może przyczynić się do odkryć naukowych" na „jak społeczność naukowa powinna ustrukturyzować mechanizmy motywacyjne, przypisywanie autorstwa i weryfikację dla nowej klasy współodkrywców AI."