Przełom AI: Claude poprawił granicę Riemanna z 41,6% na 67,2% bez udziału matematyków

Autonomiczny proces stojący za wynikiem

Osiągnięcie było efektem uderzającego przepływu pracy z wieloma agentami, który zaskoczył nawet badaczy z Anthropic:

• Pracownik Anthropic bez poważnego wykształcenia matematycznego poprosił model, aby „naprawdę spróbował” udowodnić hipotezę .
• W ciągu około 1,5 dnia model przetestował około 650 kandydackich podejść za pomocą 60 skoordynowanych podagentów .
• Przebieg zużył 31 milionów tokenów wyjściowych w dwóch sesjach, wykonał 2400 poleceń powłoki i przejrzał 54 artykuły z arXiv .
• Dwóch z 60 podagentów było odpowiedzialnych za opracowanie kluczowego przełomu matematycznego .
• Zwycięskie podejście zsyntetyzowało artykuł Enrico Bombieriego z 2000 roku z nowszymi wynikami – połączenie, którego żaden wcześniejszy badacz nie zestawił .

Weryfikacja: dwie warstwy dowodu

Dwóch wewnętrznych matematyków – Levent Alpöge i Ralph Furmaniak – przejrzało i potwierdziło dowód . Argument został następnie sformalizowany w Lean, interaktywnym asystencie dowodowym, co dało maszynowo weryfikowalny certyfikat poprawności . Ta podwójna walidacja (ekspercka recenzja ludzka + weryfikacja formalna) jest powszechnie uważana za najlepszą praktykę dla wyników matematycznych generowanych przez AI.

Punkt zwrotny: rok 2026, w którym AI wkroczyła w badania otwartych problemów

Poprawa granicy Riemanna przez Claude’a nie jest odosobnionym wydarzeniem. Rok 2026 przyniósł przyspieszającą serię przełomów matematycznych prowadzonych przez AI:

• Maj 2026 – OpenAI ogłosiło, że niepublikowany model ogólnego rozumowania autonomicznie obalił hipotezę jednostkowej odległości Erdősa, 80-letni otwarty problem .
• 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 Anthropic Levent Alpöge użył niepublikowanego modelu „Fable 5”, aby znaleźć kontrprzykład dla hipotezy Jacobiego, problemu postawionego w 1939 roku .
• Sierpień 2026 – Model Astra od OpenAI rzekomo rozwiązał dziesięć dziesięcioletnich problemów matematycznych za około 2000 dolarów kosztów obliczeniowych, publikując maszynowo weryfikowalne dowody w Lean na GitHubie .

Kilku komentatorów zauważyło, że dziedzina przekroczyła próg w połowie 2026 roku: systemy AI przeszły od rozwiązywania matematyki na poziomie konkursów 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 grupa 16 matematyków opublikowała Deklarację Lejdejską w sprawie Sztucznej Inteligencji i Matematyki, zalecającą nowe standardy struktury dowodu, przypisywania autorstwa i nadzoru ludzkiego nad wynikami generowanymi przez AI . Deklaracja była następnie dyskutowana przez Międzynarodową Unię Matematyczną .
• Kluczowe napięcia obejmują: Kto otrzymuje autorstwo, gdy AI generuje dowód? Czy dziedzina może utrzymać zaufanie epistemiczne, jeśli dowody są zbyt długie lub nowatorskie, aby ludzie mogli je w pełni sprawdzić bez formalnych narzędzi? I jak czasopisma powinny recenzować wyniki, których żaden człowiek nie mógłby samodzielnie wyprodukować ?
• Niektórzy matematycy twierdzą, że dowody wspomagane przez AI ryzykują erozję zrozumienia i wglądu wyjaśniającego – dowód może być poprawny, ale nieprzejrzysty . Inni postrzegają weryfikację formalną w Lean jako zapewniającą bardziej rygorystyczny standard niż tradycyjna recenzja .

Co to oznacza dla zdolności AI do odkrywania nowej nauki

Wynik Anthropic w sprawie Riemanna rozwija dyskusję na kilka konkretnych sposobów:

1. Skala autonomicznej eksploracji ma znaczenie.

Przetestowanie 650 pomysłów za pomocą 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 . Przesuwa to pytanie z „Czy AI potrafi robić matematykę?” na „Jak powinniśmy zintegrować eksplorację AI z potokiem odkryć naukowych?”

2. Serendipityczna synteza jest możliwa.

Fakt, że model bez wykształcenia matematycznego połączył artykuł Bombieriego (2000) z nowszymi wynikami – kombinację, której żaden człowiek nie widział – pokazuje, że AI może dokonywać nieoczywistych konceptualnych połączeń między różnymi literaturami . Ta umiejętność bezpośrednio odpowiada na kluczowe pytanie o to, czy modele językowe tylko interpolują, czy potrafią rzeczywiście odkrywać.

3. Weryfikacja formalna rozwiązuje problem zaufania.

Formalizacja w Lean oznacza, że wynik nie jest roszczeniem z „czarnej skrzynki”. Jest to prowably poprawny certyfikat, który każdy matematyk może sprawdzić mechanicznie . To oferuje szablon tego, jak wyniki naukowe generowane przez AI mogą być weryfikowalne, odpowiadając na jeden z najmocniejszych zarzutów wobec odkryć prowadzonych przez AI.

4. Debaty o autorstwie i standardach są konstruktywne, a nie paraliżujące.

Równoczesne pojawienie się oszałamiających wyników (DeepMind, OpenAI, Anthropic) i odpowiedzi instytucjonalnych kierowanych przez społeczność (Deklaracja Lejdejska) sugeruje, że społeczność matematyczna dostosowuje się, a nie wycofuje . Obecna rozmowa koncentruje się na normach i uznaniu, a nie na całkowitym odrzucaniu wyników AI.

5. Koszt i szybkość odkrywania załamują się.

Koszt obliczeniowy 2000 dolarów za wyniki OpenAI Astra i 36-godzinny czas realizacji granicy Riemanna Claude’a 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.

Podsumowanie

Poprawa granicy Riemanna przez Anthropic jest przełomowym pokazem, 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 zorganizować zachęty, przypisanie i weryfikację dla nowej klasy współodkrywców AI.”