AI har hävdat att ett 80 år gammalt geometriskt problem formulerat av Paul Erdős blivit löst. OpenAI och andra företag började från 2025 publicera resultat som tidningar och företag beskriver som bevis eller motbevis, men i minst ett fall saknas fortfarande full teknisk dokumentation. Forskare i Dagens PS och New Scientist varnar för att framstegen kräver nya rutiner för transparens, verifiering och formell granskning. Nästa steg är oberoende reproduktion och peer review innan resultaten kan räknas som etablerade.

Konsekvensen kan bli att rollen som matematiker omdefinieras, efter att OpenAI och andra system 2025-2026 påstått sig ha löst svårfångade matematiska problem.

1. Vad har hänt, konkret

Under 2025 började rapporter och företagsmeddelanden visa exempel där AI inte bara assisterat utan aktivt bidragit till lösningar och verifiering av matematiska problem. Projekt som kallats First Proof använde AI för att angripa flera matematiska frågeställningar parallellt, vilket förändrar arbetsflödet i forskningen genom att maskiner söker igenom stora kombinationsrymden och föreslår hela bevissteg.

New Scientist har framhållit att AI rör sig från att vara ett verktyg till att bli en aktiv medspelare i matematiken. Samtidigt rapporterar tidningar och kommentatorer att OpenAI påstått ha motbevisat en känd geometrisk hypotes och löst ett problem som Paul Erdős formulerade på 1940-talet, en händelse som fått bred uppmärksamhet i medial rapportering.

Exempel: en modell levererar ett förslag till beviskedja och en motexempelssökning som tillsammans pekar mot en lösning. I vissa fall bedömer observatörer att samma lösning skulle ha publicerats i ledande tidskrifter om en människa presenterat den, men i minst ett fall har företaget ännu inte lagt fram en fullständig teknisk redogörelse, enligt Morgonbladet. Det skapar en tydlig osäkerhet runt hur resultatet uppnåtts.

2. Varför det här rubbar vetenskapliga rutiner

Det första problemet är reproducerbarhet. AI-modeller är ofta tränade på omfattande dataset och optimerade i komplexa arbetsflöden som inte alltid lämnar en lättläst spårbarhet. Microsofts egen summering av 2025 visar att industrins modeller redan accelererat upptäckter inom exempelvis läkemedelsutveckling och materialforskning, och samma infrastrukturer används nu mot matematiska frågor. När kapaciteten ligger hos stora aktörer blir det också en fråga vem som kontrollerar verktygen och data.

Dagens PS sammanfattar problematiken: genombrottstakten har ökat, men beroendet av svarta boxar och brist på insyn skapar osäkerhet kring robustheten i många nya resultat. Andra publikationer har tidigare visat att vissa påstådda AI-genombrott grundats på felaktiga eller redan publicerade lösningar, vilket i sin tur skärper kraven på öppen dokumentation och oberoende verifiering.

Arbetsflödet förändras: istället för att varje bevissteg ska utföras manuellt kommer matematiker i högre grad att formulera problem, styra modeller och verifiera maskinlevererade slutsatser.

3. Forskarreaktionerna, delade men tydliga

Reaktionerna inom akademin är blandade. Vissa framstående matematiker är imponerade av att AI kan identifiera mönster och föreslå bevisvägar som tidigare krävde omfattande manuell räkningsinsats. Svante Linusson, professor i matematik vid KTH, uttryckte förvåning över rapporterna och menade att resultatet är så pass intressant att det, om det håller vid granskning, skulle kunna publiceras i ledande tidskrifter.

Samtidigt pekar flera forskare på en central varningssignal: AI levererar ofta slutsatser utan transparent redogörelse för hur de nåtts. Det gör det svårare för kollegor att kontrollera mellanled i ett bevis och underminera förtroendet om detaljerna inte öppnas upp.

Konsekvensen är inte att mänskliga matematiker blir överflödiga. Snarare skiftar kompetenskravet mot formaliseringsförmåga, modellkritik och verifieringsarbete.

4. Sju praktiska steg för att bedöma AI-påståenden i matematik

Rapporteringen ger en handfast checklista för hur bedömningen bör ske. Här följer de sju steg som forskare, redaktörer och institutioner bör tillämpa i tur och ordning.

1) Bedöm dokumentation och transparens. När ett påstående om ett genombrott publiceras, kontrollera om författarna eller företaget tillhandahåller en fullständig teknisk redogörelse för metoder och mellanberäkningar. Morgonbladet pekar uttryckligen på bristen på offentlig teknisk dokumentation i OpenAI:s redogörelse som en central osäkerhet. Om en sådan redogörelse saknas bör resultatet betraktas som preliminärt tills oberoende granskning publicerats.

Scenario: en forskargrupp publicerar en förkortad rapport med huvudresultat men ingen maskinläsbar logg. Utan detaljer kan kollegor inte utröna om modellen återanvänt tidigare publicerade bevis eller kombinerat fragment på ett otillåtet sätt.

2) Sök efter oberoende verifiering och peer review. Traditionell vetenskaplig granskning, publicering i etablerade tidskrifter och replikationsstudier är fortsatt grundvillkor. Dagens PS påminner om tidigare fall där påstådda AI-lösningar visade sig vara felaktiga eller redan publicerade.

Scenario: två externa grupper försöker reproducera resultatet och hittar avvikelser i ett mellanled. Den första gruppens slutsats blir att resultatet var överoptimistiskt, tills en tredje grupp formaliserar en korrekt variant i ett bevisassistentsystem.

Mastheads

3) Granska beviskedjan, inte bara slutsatsen. AI kan generera en korrekt slutsats med mellanled som är svåra att tolka. Prioritera arbeten som visar bevissteg i maskinläsbar eller maskinverifierbar form, exempelvis formellt verifierade bevis i bevisassistenter, eller detaljerade mellanräkningar som andra kan kontrollera. Rapporterna betonar att transparens i hur modellen drog slutsatser är avgörande för vetenskaplig acceptans.

Scenario: en lösning åtföljs av en formell verifiering i en bevisassistent, vilket direkt ökar trovärdigheten eftersom logiken kan kontrolleras steg för steg.

4) Anpassa arbetsrollen och lärandemålen. Matematikens praktik förskjuts mot problemlayout, tolkning och kvalitetssäkring snarare än rutinmekaniska bevissteg. För utbildningsprogram och forskargrupper innebär detta att undervisning och rekrytering bör betona formalisation, modellkritik och kompetens i att använda och utvärdera AI-verktyg.

Scenario: doktorandkursen omformuleras för att inkludera träning i formella bevissystem och i hur man utvärderar modeller och deras output.

5) Utarbeta lokala rutiner för användning av AI i forskning. Institutioner bör definiera principer för när och hur AI får användas i matematikprojekt, inklusive krav på dokumentation, ansvarsfördelning och referenshantering. De rapporter som diskuterar AI:s inträde lyfter behovet av sådana policyramverk, även om exakta rekommendationer ännu inte standardiserats.

Scenario: en fakultet inför en rutin där alla AI-genererade bevissteg måste levereras i en maskinverifierbar form eller kompletteras med en fullständig arbetslogg innan de får ligga till grund för publikation.

6) Följ industrins infrastruktur och hållbarhetsfrågor. Stora aktörer som Microsoft visar att kapacitet att driva vetenskapliga genombrott i stor skala finns inom industrin. Det innebär att tillgångsfrågor, patent, licensvillkor och beräkningskostnader kan påverka forskningens öppenhet. Håll koll på publicerade metoder och datasets för att avgöra vilka delar av infrastrukturen som är öppet tillgängliga för akademin.

Scenario: en forskargrupp väljer verktyg som är öppet tillgängliga snarare än proprietära modeller, för att garantera att andra kan reproducera arbetet utan extra licenskostnader.

7) Kommunicera resultat med rätt nivå av försiktighet. När AI-baserade bevis presenteras i offentliga kanaler, var tydlig med graden av oberoende verifiering som genomförts. Medierapporteringen visar att sensationella rubriker ibland går före full granskning, vilket tidigare skadat förtroendet.

Scenario: en pressrelease från ett företag beskriver ett resultat som ett bevis. Redaktörer ber om att företaget tillhandahåller kompletterande tekniska bilagor och reproducerbara körningar innan de publicerar en nyhetsartikel med slutsatsen att problemet är slutgiltigt löst.

För forskargrupper innebär utvecklingen att rutiner måste ändras. Det handlar inte om att förbjuda AI utan om att ställa krav på hur AI används och dokumenteras. Institutioner bör definiera ansvarsfördelning så att det alltid är en människa som kan stå till svars för valideringen av ett bevis.

För vetenskapliga tidskrifter blir frågan hur peer review ska anpassas för att hantera arbete där centrala delar är maskingenererade. Är en vanlig sakkunniggranskning tillräcklig, eller krävs särskilda tekniska bilagor och maskinläsbara spår för att verifiera beviskedjor? Diskussionerna är redan i gång i flera redaktioner, enligt rapporteringen.

Teknikbolagen har redan byggt infrastrukturer för stora modeller och experimentella arbetsflöden. Det ger dem en position som kan påskynda upptäckter, men också koncentrera kontroll över verktyg och data. Den koncentrationen påverkar reproducera-bilitet och öppnar frågor om licenser, datapolicyer och vem som får tillgång till beräkningskraften.

Detta är inte en akademisk detalj. Microsofts summering av 2025 visar att industrin har kapacitet att driva vetenskapliga genombrott i större skala än många enskilda institutioner. Samtidigt visar tidigare felaktiga anspråk att bristande öppenhet kan underminera förtroendet för resultat.

Medierapporteringen kring AI och matematik tenderar ibland att lyfta fram slutsatser före teknisk granskning. Det innebär att läsare, redaktörer och beslutsfattare bör kräva tydlig information om vilken nivå av granskning som genomförts. När ett företag som OpenAI presentera ett påstående, kontrollera om fullständig teknisk dokumentation finns tillgänglig, och följ upp om peer review inletts.

Dagens PS och andra källor varnar för det omvända misstaget att antingen under- eller överskatta ett påstående utan att verifiera de tekniska bilagorna. Det rätta förhållningssättet är försiktigt optimistiskt: erkänn potentialen, men kräva transparens.

In short

1. Kontrollera att fullständig teknisk dokumentation och mellanberäkningar finns innan ett AI-genererat resultat accepteras.

2. Leta efter oberoende reproduktion och peer review, de är fortfarande avgörande för vetenskaplig acceptans.

3. Prioritera bevis som kan verifieras i maskinläsbar eller formellt verifierad form.

4. Institut och tidskrifter måste skapa rutiner för dokumentation, ansvar och användning av AI i forskning.

5. Följ industrins infrastruktur, licensvillkor och vilka delar av ekosystemet som är öppet tillgängliga för akademin.

Related Articles

Det konkreta nästa steget som rapporteringen pekar ut är att OpenAI och andra aktörer publicerar full teknisk redogörelse och att de påstådda lösningarna genomgår oberoende reproduktion och traditionell peer review; tills dess bör resultaten betraktas som preliminära.

Den här artikeln har skapats med hjälp av AI.