Anthropics hemliga AI-modell tog sig an 150 år gammalt matematiskt mysterium

Den autonoma processen

Framsteget kom till genom en uppseendeväckande arbetsprocess med flera AI-agenter:

• En Anthropic-anställd utan djupare matematisk bakgrund bad modellen att ”ta ett rejält grepp” om att bevisa hypotesen .
• Under cirka 1,5 dygn testade modellen ungefär 650 olika angreppssätt via 60 samordnade underagenter .
• Processen förbrukade 31 miljoner output-tokens fördelade över två sessioner, utförde 2 400 kommandon i terminalen och läste igenom 54 artiklar från arXiv .
• Två av de 60 underagenterna stod för den avgörande matematiska idén .
• Den vinnande strategin syntetiserade en artikel från 2000 av Enrico Bombieri med nyare resultat – en kombination som ingen mänsklig forskare tidigare satt samman .

Verifieringsprocessen

Två av Anthropics egna matematiker – Levent Alpöge och Ralph Furmaniak – granskade och bekräftade beviset . Argumentet formaliserades därefter i Lean, en interaktiv bevisassistent, vilket gav ett maskinellt verifierbart certifikat av korrektheten . Denna dubbla validering (expertgranskning + formell verifiering) anses allmänt vara den bästa metoden för AI-genererade matematiska resultat.

2026 – ett genombrottsår för AI i matematiken

Claudes framsteg är inte en isolerad händelse. Under 2026 har en accelererande ström av AI-ledda matematiska genombrott ägt rum:

• Maj 2026 – OpenAI meddelade att en allmän resoneringsmodell autonomt hade motbevisat Erdős enhetsavståndsförmodan, ett 80 år gammalt öppet problem .
• Maj 2026 – Google DeepMinds AlphaProof Nexus löste nio öppna Erdős-problem (några olösta i 56 år) och bevisade 44 förmodanden från Online Encyclopedia of Integer Sequences, samtliga formaliserade i Lean .
• Juli 2026 – Anthropic-matematikern Levent Alpöge använde den ännu ej släppta modellen för att hitta ett motexempel till Jacobisk förmodan, ett problem som ställdes 1939 .
• Augusti 2026 – OpenAIs Astra-modell löste enligt uppgift tio decenniegamla matematiska problem för cirka 2 000 dollar i beräkningskostnad, med maskinellt verifierbara bevis publicerade i Lean på GitHub .

Flera kommentatorer har noterat att fältet passerade en tröskel i mitten av 2026: AI-system gick från att lösa tävlingsmatematik till att generera publicerbar, öppen forskning .

Debatten: författarskap, standarder och Leiden-deklarationen

Den snabba utvecklingen av AI-genererad matematik har triggat en intensiv debatt:

• I juni 2026 publicerade en grupp på 16 matematiker Leiden-deklarationen om artificiell intelligens och matematik, som rekommenderar nya standarder för bevisstruktur, författarskap och mänsklig tillsyn av AI-genererade resultat . Deklarationen har sedan diskuterats av International Mathematical Union .
• Centrala spänningar inkluderar: Vem får författarskap när ett AI genererar ett bevis? Kan fältet upprätthålla epistemisk tillit om bevisen är för långa eller nyskapande för att människor ska kunna granska dem utan formella verktyg? Och hur ska tidskrifter peer-reviewa resultat som ingen enskild människa skulle ha kunnat producera ?
• Vissa matematiker menar att AI-assisterade bevis riskerar att urholka förståelse och förklaringskraft – ett bevis kan vara korrekt men ändå ogenomträngligt . Andra ser formell verifiering i Lean som en striktare standard än traditionell peer review .

Vad detta betyder för AI:s förmåga att upptäcka ny vetenskap

Anthropic-resultatet för diskussionen framåt på flera konkreta sätt:

1. Skalningen av autonom utforskning spelar roll. Att testa 650 idéer över 60 underagenter visar att multiagentarkitekturer kan genomföra systematiska sökningar i en skala som inget mänskligt forskarlag skulle kunna matcha på samma tid . Detta flyttar frågan från ”Kan AI göra matematik?” till ”Hur ska vi integrera AI-driven utforskning i den vetenskapliga upptäcktsprocessen?”

2. Serendipitös syntes är möjlig. Det faktum att en modell utan matematisk träning kombinerade en Bombieri-artikel (2000) med nyare resultat – en kombination ingen människa hade sett – visar att AI kan göra icke-uppenbara konceptuella kopplingar mellan skilda litteraturer . Denna förmåga adresserar direkt en kärnfråga om huruvida stora språkmodeller bara interpolerar eller verkligen kan upptäcka.

3. Formell verifiering löser tillitsproblemet. Lean-formaliseringen innebär att resultatet inte är ett ”svart låda”-påstående. Det är ett bevisbart korrekt teorem som varje matematiker kan inspektera mekaniskt . Detta erbjuder en mall för hur AI-genererade vetenskapliga resultat kan göras verifierbara, vilket adresserar en av de starkaste invändningarna mot AI-ledd upptäckt.

4. Debatten om författarskap och standarder är konstruktiv, inte förlamande. Den samtidiga framväxten av både fantastiska resultat (DeepMind, OpenAI, Anthropic) och gemenskapsledda institutionella svar (Leiden-deklarationen) tyder på att det matematiska samfundet anpassar sig snarare än retirerar . Det nuvarande samtalet handlar om normer och kreditering, inte om att avvisa AI-output helt och hållet.

5. Kostnaden och hastigheten för upptäckt sjunker dramatiskt. Beräkningskostnaden på 2 000 dollar för OpenAIs Astra-resultat och den 36-timmars vändningstiden för Claudes Riemann-gräns antyder att marginalkostnaden för en publicerbar matematisk upptäckt närmar sig noll . Detta har djupgående implikationer för vilka frågor forskare väljer att undersöka och vem som kan delta i matematisk forskning.

Sammanfattningsvis: Anthropic-modellens förbättring av Riemann-gränsen är en landmärkesdemonstration av att AI-system nu autonomt kan upptäcka publicerbara, formellt verifierbara matematiska resultat som för fram ett 150 år gammalt öppet problem. I kombination med 2026 års rad av liknande genombrott flyttar det samtalet från ”huruvida AI kan bidra till vetenskaplig upptäckt” till ”hur det vetenskapliga samfundet ska strukturera incitament, tillskrivning och verifiering för en ny klass av AI-samarbetspartners.”