OpenAI obala 80-letnią hipotezę Paula Erdősa. AI przestaje być tylko głośnym asystentem

Model rozumowania OpenAI wygenerował pełny dowód podważający hipotezę Paula Erdősa w zaledwie 15 minut. To koniec ośmiu dekad niepewności w geometrii kombinatorycznej i rzadki przypadek, gdy maszyna rzeczywiście wyprzedza ludzką intuicję, zamiast tylko streszczać Wikipeadię.

Dlaczego to ważne teraz

Po serii falstartów i kontrowersji wokół GPT-5, kiedy to pracownicy OpenAI mylili „sprytne wyszukiwanie” z odkrywaniem nowych prawd, doczekaliśmy się realnego sprawdzianu. Od grudnia 2025 roku status aż 15 problemów na liście erdosproblems.com zmienił się z „otwartych” na „rozwiązane”. To nie są już tylko teoretyczne dywagacje — to moment, w którym matematyka zaczyna przypominać inżynierię, opartą o szybką iterację i automatyczną weryfikację w systemach takich jak LEAN.

Koniec ośmiu dekad niepewności

W dziedzinie geometrii kombinatorycznej nazwisko Paula Erdősa budzi respekt graniczący z nabożnością. Od 1946 roku matematycy zmagali się z jego tzw. hipotezą o odległościach jednostkowych. Problem jest zwodniczo prosty: ile par punktów na płaszczyźnie może być oddalonych od siebie o dokładnie jedną jednostkę? Erdős przypuszczał, że optymalna konfiguracja to lekko skrzywiona siatka kwadratowa. Przez blisko 80 lat nikt nie potrafił podważyć tego założenia, mimo że za jego obalenie wyznaczono symboliczną nagrodę 500 dolarów. Do dziś.

Laboratorium OpenAI ogłosiło, że model Internal Reasoning Model nie tylko podważył tę intuicję, ale dostarczył kompletny dowód na istnienie znacznie gęstszych układów punktów. Wynik zweryfikowała grupa dziewięciu matematyków, w tym laureat Medalu Fieldsa, Timothy Gowers. To moment krytyczny – po raz pierwszy sztuczna inteligencja samodzielnie rozwiązała otwarty problem matematyczny o tej skali.

Narzędzia z innej epoki i dziedziny

Najbardziej fascynującym aspektem odkrycia nie jest sam fakt znalezienia błędu u Erdősa, ale sposób, w jaki model do tego dotarł. Zamiast szukać rozwiązań w geometrii płaskiej, AI sięgnęło po narzędzia z algebraicznej teorii liczb, a dokładnie po teorię ciał klas. Choć to techniki znane od dekad, ich użycie w tym kontekście ludzie uznawali za zbyt odległe.

Will Sawin z Princeton zauważa, że model uniknął pułapki, w którą wpadali badacze: zamiast powiększać istniejące systemy liczbowe, maszyna przechodziła do coraz bogatszych struktur, zachowując stałą skalę. To podejście pozwoliło uzyskać o 1% więcej par punktów przy każdym podwojeniu ich liczby. Choć jeden procent brzmi skromnie, w skali logarytmicznej fundamentów nauki to zmiana tektoniczna.

Dlaczego człowiek zawiódł?

Thomas Bloom, który miesiąc przed sukcesem OpenAI umieścił ten problem na swojej liście „Top 10”, wskazuje na cztery warunki, które musiałby spełnić człowiek, by dokonać tego samego. Trzeba by poświęcić problemowi ogrom czasu, mieć odwagę zakwestionować autorytet Erdősa i perfekcyjnie operować teorią ciał klas. „AI spełniła wszystkie te kryteria” – przyznaje Bloom. Maszyna wykazała się cierpliwością i brakiem uprzedzeń, które ograniczają ekspertów.

Zjawisko budzi jednak dyskomfort. Daniel Litt stawia gorzką diagnozę: nasze dążenie do specjalizacji sprawiło, że przeoczono rozwiązanie leżące na styku dwóch dziedzin. System AI po prostu systematycznie sprawdzał ścieżki uznawane przez ludzi za „mało perspektywiczne”. Jak zauważa redakcja mamstartup.pl, największa zmiana polega na tym, że matematyka zaczyna korzystać z „eksploracji na skalę, której człowiek sam nie udźwignie”.

Nowa era i matematyczna „niestrawność”

Timothy Gowers nie kryje entuzjazmu, stwierdzając, że gdyby człowiek przesłał ten dowód do „Annals of Mathematics”, zarekomendowałby go do publikacji. Jednocześnie przyznaje, że poczuł zagrożenie dla zawodu – dopóki nie zrozumiał, że AI dokonało jedynie obalenia hipotezy (disproof), co wymaga brutalnej siły i sprytu, a nie budowy nowych struktur pojęciowych.

Terence Tao zwraca jednak uwagę na inne wyzwanie: „matematyczną niestrawność”. Modele będą dostarczać dowody szybciej, niż ludzie będą w stanie je zrozumieć i osadzić w kontekście. Choć OpenAI udowodniło, że sztuczna inteligencja potrafi proponować oryginalne konstrukcje, to nadal na ludziach spoczywa obowiązek nadania tym wynikom sensu. Granica między tym, co obliczalne, a tym, co pojmowalne, właśnie się przesunęła.