AI-agenter uppges ha angripit hundratals matematiska problem på några veckor. Men bakom de imponerande siffrorna väntar år av granskning – och en större fråga: hjälper AI matematiken framåt?
Det går att trycka på en knapp och få ett svar. Att veta varför svaret stämmer är en annan sak. Den skillnaden har blivit högst konkret när OpenAI:s AI-agenter har börjat producera matematiska bevis i en takt som forskare knappast kan granska över en helg.
Frågan är större än vem som först löser ett berömt problem. Om artificiell intelligens ska hjälpa vetenskapen behöver människor kunna kontrollera resultaten, förstå idéerna och bygga vidare på dem.
Den 6 oktober 2026 presenterade OpenAI en samling resultat från en ännu inte släppt AI-modell. I företagets öppna arkiv finns 719 manuskript, ordnade i 372 grupper av närbesläktade resultat. Ämnena spänner över bland annat algebra, geometri, sannolikhet och logik. Det är en imponerande mängd text. Det är däremot för tidigt att räkna varje grupp som ett etablerat matematiskt genombrott.
Här behövs en liten översättning från pressmeddelandespråk till forskningsvardag. Ett manuskript kan innehålla ett påstått bevis, följdresultat eller alternativa resonemang. En grupp kan alltså rymma flera texter om samma huvudidé. Dessutom skriver OpenAI självt att samlingen befinner sig på olika stadier av kontroll och att resultat som ännu inte formaliserats kan ha brister.
Det mest uppseendeväckande gäller inte antalet sidor utan vilka frågor AI:n har angripit. OpenAI:s samling innehåller bland annat ett anspråk på ett bevis för en svår tredimensionell Kakeya-förmodan. Kakeya-problem handlar förenklat om hur riktningar och mycket tunna geometriska strukturer kan packas i ett rum. Att området är forskningsmässigt tungt illustreras av att Hong Wang tilldelades Fieldsmedaljen 2026 för arbeten som bland annat rör Kakeya-problemet i tre dimensioner, enligt International Mathematical Union. Medaljen intygar förstås ingenting om OpenAI:s manuskript.
Samlingen berör också frågor med anknytning till Riemannhypotesen, som handlar om ett mönster bakom primtalens fördelning. Anknytning är ett viktigt ord här: OpenAI gör inte anspråk på att ha löst själva Riemannhypotesen i denna samling.
En AI-agent är här ett program som använder en språkmodell för att pröva steg, läsa information, använda verktyg och fortsätta arbetet utifrån vad det hittar. I OpenAI:s tidigare arbete med Navier–Stokes-problemet beskrev företaget hur agentgrupper fick olika varianter av en fråga, kunde köra kod och utbyta delresultat. Lovande spår fördes sedan vidare till andra grupper. Det liknar en forskargrupp där alla kan arbeta samtidigt och kaffebryggaren aldrig behöver avkalkas.
Den 8 september 2026 uppgav OpenAI att dess system hade tagit fram en lösning på Navier–Stokes-problemet om vätskors rörelse. Enligt företaget tog det omkring 88 timmar från starten tills agenterna nådde sitt resultat; därefter följde ytterligare arbete med formell kontroll. Även här ska ordet lösning läsas som företagets anspråk medan matematiker granskar argumentet.
För den större samlingen anger OpenAI att modellen fick försöka med omkring 4 000 problem. Företaget uppskattar den genomsnittliga beräkningsinsatsen per resultat till motsvarigheten av ungefär tre timmars tänkande med ChatGPT Pro. Det beskriver beräkningskapacitet enligt OpenAI:s eget mått, inte tre timmar med en vanlig chatt framför skärmen. Den modell som producerade resultaten är intern. Du kan alltså inte köpa samma forskararmé i en svensk elektronikbutik.
Vi får dessutom inte se en jämförbar lista över alla försök som misslyckades. Utan den är det svårt att bedöma hur modellen valde sina träffar. En AI som löser många väl valda frågor är något annat än en AI som klarar nästan varje fråga den får.
I matematik räcker det inte att ett svar ser rimligt ut eller fungerar i många testfall. Ett bevis måste täcka exakt det som påstås, med antaganden och slutsatser som håller hela vägen. Om ett enda nödvändigt steg saknas kan en elegant slutsats falla som en bokhylla monterad utan de två sista skruvarna.
OpenAI har publicerat så kallade formaliseringar för delar av samlingen. Där uttrycks ett bevis i ett strikt språk som kontrollprogrammet Lean kan pröva steg för steg. Det ger en annan sorts säkerhet än enbart löpande text. Men även ett maskinkontrollerat resonemang behöver sättas i sammanhang: Har forskarna formaliserat just det påstående som väckte uppmärksamhet? Är förutsättningarna de avsedda? Hur förhåller sig resultatet till tidigare arbete? Och förstår någon idén tillräckligt väl för att använda den igen?
Ett bevis blir värdefullt på riktigt först när andra kan kontrollera det, förstå det och bygga vidare.
OpenAI har delat förkortade redogörelser för modellens resonemang kring tio resultat. Det ger viss insyn, men bara i en liten del av de 372 grupperna. Granskningen kan därför kräva lång tid och många forskare med olika specialkunskaper. Att läsa hundratals tekniska manuskript är arbete, även när de levereras som filer i stället för i högar på skrivbordet.
En benchmark är ett prov som används för att jämföra system. Öppna matematiska problem verkar perfekta för ändamålet: svåra frågor med tydliga formuleringar och hög prestige. Men forskare använder också sådana problem som vägvisare. Vägen fram till en lösning kan ge nya metoder, bättre frågor och en förståelse som går att lära ut.
Efter OpenAI:s besked om Navier–Stokes publicerade 28 Fieldsmedaljörer ett öppet brev, A Severe Misalignment of AI in Mathematics. Över 8 000 personer har ställt sig bakom det. Författarna varnar för att en kapplöpning om avklarade problem kan översvämma ämnet med resultat som andra måste reda ut, samtidigt som arbetet med förklaringar och erkännande av tidigare forskning hamnar efter. De avfärdar inte AI som verktyg; deras kritik gäller vad man väljer att mäta och belöna.
OpenAI har svarat genom att samråda med en oberoende rådgivargrupp på nio matematiker, däribland Martin Hairer. Företaget säger att gruppens råd påverkat publiceringen och har lovat stöd till möten där forskare kan arbeta med resultaten. Gruppen är samtidigt tydlig med att den inte förespråkar tester av avancerade öppna problem med modeller som forskarsamhället inte får tillgång till. Dess rekommendationer efterlyser bland annat tydlig information om misslyckade försök, ordentlig dokumentation och stöd till mänsklig förståelse.
Det som står på spel för framtidens forskning är därmed mer än vem som kan leverera flest bevis. AI-agenter kan hjälpa matematiker att hitta idéer de annars aldrig hade hunnit pröva. Men om resultaten kommer snabbare än någon kan granska och förklara dem riskerar vetenskapen att få en växande hög med svar och färre människor som vet vilka frågor de öppnar. Även den som lämnade skolmatematiken bakom sig för decennier sedan har skäl att bry sig: det är så vi avgör om AI blir ett forskningsverktyg eller bara en ovanligt produktiv rubrikmaskin.
OpenAI har publicerat hundratals grupper av AI-genererade matematiska resultat, men deras riktighet och betydelse måste fortfarande granskas av forskare. Formell kontroll med dator kan stärka ett bevis; människor behöver också förstå vad det visar, hur det förhåller sig till tidigare kunskap och vilka nya idéer det ger. Framtidsfrågan är om AI hjälper matematiken framåt eller främst ökar takten på produktionen av svårgranskade manuskript.
Anthropic varnar för AI-system som kan förbättra sig själva. Borde vi trycka på paus, eller är det redan för sent att bromsa utvecklingen – och vad betyder det för oss?
När 700 AI-agenter attackerade Hugging Face och försökte dölja sina spår blev AI-riskerna plötsligt konkreta. Frågan är om företagen hinner bygga räcken innan maskinerna hittar ut.
Allt smartare AI-agenter, svårare insyn och växande cyberrisker sätter press på politiker och bolag. Frågan är inte bara vad AI kan göra, utan vem som hinner bromsa.
Microsoft storsatsar på Copilot+ och vill få oss att byta dator – men vad är egentligen nytt? Är det värt investeringen eller finns bättre, billigare alternativ?
Mer från Midcent
Nyhetsbrev
Veckans bästa guider — samlat och utan brus, för dig som vill ligga steget före.
