OpenAI wrzuciło na GitHub 722 prace matematyczne wygenerowane przez nieujawniony model wewnętrzny. Skala robi wrażenie, ale prawdziwy problem zaczyna się chwilę później: matematycy mówią, że samo sprawdzenie tego dorobku może zająć lata.
TL;DR
- OpenAI opublikowało 722 artykuły na 372 rodziny wyników z otwartych problemów matematyki, CS i fizyki matematycznej
- Niektóre prace wycofano (błąd znaku w geometrii algebraicznej), inne poprawiono
- Około 42% wyników ma formalną weryfikację w Lean, reszta wymaga ręcznego sprawdzenia
- Matematycy chwalą skalę, ale krytykują jakość pisania i brak zrozumiałości dla ludzi
- Poprzedni sukces: rozwiązanie problemu związanego z równaniami Navier-Stokesa we wrześniu 2026
OpenAI opublikowało setki wyników, ale nie wszystko jest gotowe
OpenAI podało, że nieujawniony model wewnętrzny próbował zmierzyć się z około 4000 otwartych problemów, a efektem było 377 istotnych wyników zebranych w 372 rodziny. Z tego powstały 722 prace wrzucone publicznie na GitHub. To skala, której środowisko matematyczne po prostu wcześniej nie widziało w jednym ruchu. 722 prace naraz
Firma twierdzi też, że część dowodów została sformalizowana w Lean, czyli narzędziu do komputerowej weryfikacji poprawności. Jednocześnie już dzień po publikacji trzy artykuły wycofano po wykryciu błędu znaku, a czternaście poprawiono. To drobiazg tylko z pozoru, bo przy takim zrzucie nawet mały błąd szybko staje się problemem dla ludzi, którzy próbują ustalić, co właściwie jest solidne.
Co Michael Douglas i inni matematycy mówią o zrzucie OpenAI
Reakcje są skrajne. Michael Douglas z Harvardu nazwał ten moment „dniem, w którym zaczęła się nowa era matematyki i fizyki matematycznej”. Z kolei Roland Bauerschmidt z NYU stwierdził, że część tekstów jest napisana tak słabo, iż „wyrzuciłby je do kosza, gdyby przysłał je nieznajomy”. reakcje są skrajne
Hector Pasten z Pontifical Catholic University of Chile zwraca uwagę, że cytowania wyglądają lepiej niż w starszych materiałach OpenAI, ale jakość nadal mocno się waha. Część prac daje się czytać jak normalne artykuły, a część przypomina to, co internet już ochrzcił jako „AI slop” — tekst formalnie podobny do nauki, lecz męczący i niejasny nawet dla specjalistów.
Dlaczego weryfikacja tych dowodów może potrwać lata
Największy problem nie dotyczy samej liczby plików na GitHubie, tylko pracy, którą ktoś teraz musi wykonać. Setki stron gęstych dowodów trzeba przeczytać, sprawdzić i osadzić w istniejącej literaturze. Formalizacja w Lean pomaga, ale nie załatwia wszystkiego, bo nie wszystkie wyniki ją mają, a sama formalizacja też bywa podatna na techniczne potknięcia. wąskim gardłem jest weryfikacja
Według relacji Quanta Magazine i New Scientist część badaczy obawia się, że OpenAI postawiło na ilość szybciej niż na dopracowanie prezentacji wyników. Wycofanie trzech prac po wewnętrznym audycie tylko wzmacnia ten sceptycyzm. Innymi słowy: nawet jeśli część odkryć okaże się cenna, społeczność i tak musi najpierw odsiać rzeczy mocne od tych, które tylko brzmią przekonująco.
Wrześniowy sukces z Navierem-Stokesem ustawił oczekiwania
Ten zrzut nie pojawił się znikąd. We wrześniu 2026 OpenAI ogłosiło rozwiązanie problemu związanego z równaniami Naviera-Stokesa, zaliczanym do Millennium Prize Problems. To był moment, w którym wiele osób uznało, że modele AI przestają być tylko narzędziem do pomocy przy obliczeniach, a zaczynają wchodzić na teren bardzo ambitnej matematyki. oczekiwania już były wysokie
Wcześniej modele OpenAI przewijały się też przy problemach Erdősa – AI rozwiązało problem Erdősa #728 i ChatGPT rozwiązuje kolejną zagadkę Erdősa. Różnica jest taka, że tam chodziło o pojedyncze sukcesy, a tutaj OpenAI rzuciło na stół cały pakiet. I właśnie to budzi jednocześnie podziw oraz lekki ból głowy.
Co ten ruch OpenAI zmienia dla przyszłości matematyki
The Atlantic opisał ten moment jako „mathematical carpet-bombing”, czyli masowy nalot na całą dziedzinę. Brzmi ostro, ale dobrze oddaje proporcje: nie mówimy już o jednym głośnym dowodzie, tylko o sytuacji, w której ludzie dostają do przetworzenia ogromny pakiet potencjalnych odkryć w jeden dzień. nauka dostaje nowy rytm
To może przyspieszyć badania, jeśli środowisko wyłuska z tego rzeczy naprawdę wartościowe. Może też jednak podbić chaos, bo rośnie presja na recenzowanie, formalizację i filtrowanie wyników. Moim zdaniem właśnie tu leży najciekawsza zmiana: AI nie tyle „zastępuje matematyka”, ile spycha go coraz częściej w rolę audytora pracy wykonanej przez maszynę. A to już zupełnie inny model uprawiania nauki.
Najczęściej zadawane pytania
722 artykuły pogrupowane w 372 rodziny wyników, obejmujące 377 twierdzeń lub postępów w otwartych problemach.
Nie – trzy prace wycofano z powodu błędu, czternaście poprawiono. Około 42% ma formalną weryfikację w Lean, reszta wymaga ręcznego sprawdzenia przez ekspertów.
Według szkicu chodzi m.in. o postępy w hipotezie Riemanna, problemie Kakeyi w czterech wymiarach oraz hipotezie Erdősa o postępach arytmetycznych, ale artykuł nie podaje dla tych przykładów osobnego źródła ani pełnej dokumentacji.
Bo skala publikacji jest imponująca, ale czytelność i jakość części tekstów budzą zastrzeżenia. Dla wielu badaczy większym wyzwaniem od samego odkrycia staje się teraz jego sprawdzenie.
