AI löste 80‑årigt matematiskt problem, krav på insyn i stängda modeller

OpenAI-modell presenterade den 20 maj 2026 ett bevis för The unit distance problem. Forskare kräver nu större insyn, nya granskningsrutiner och förändrad utbildning för forskningsverktyg.

Forskare och debattörer kräver omprövning av utbildning, publicering och tillgång till avancerade forskningsverktyg efter att en icke-offentlig Open AI-modell ensam löste ett 80-årigt matematiskt problem den 20 maj 2026. Modellen presenterade både ett bevis för The unit distance problem och en vetenskaplig artikel som beskriver lösningen, och gjorde det med en formulering som en svensk professor bedömde som mänskligt skriven. Det har väckt krav på större insyn och nya granskningrutiner, eftersom modellen inte är tillgänglig för allmänheten och inte är specialbyggd för matematik utan använder samma arkitektur som kommersiella stora konversationsmodeller. Diskussionen handlar nu om vem som får kontroll över viktiga forskningsverktyg och hur kvaliteten i framtida genombrott ska säkerställas.

Konsekvensen har varit omedelbar: debatten om insyn och kontroll i vetenskapen intensifierades efter presentationen av ett AI-genererat bevis för The unit distance problem, ett problem formulerat av Paul Erdős 1946. Den 20 maj 2026 presenterade en modell från Open AI ett bevis och skrev samtidigt uppsatsen som beskriver metoden och slutsatserna. Det faktum att modellen både levererade beviset och formulerade texten har ändrat förutsättningarna för hur forskning kan granskas och reproduceras.

Modellen kopplade enligt rapporteringen ihop tekniker från algebraisk talteori och diskret geometri, ett samband som ingen tidigare prövat i just detta problem. Resultatet påminner i sitt omfång om historiska genombrott, till exempel Andrew Wiles arbete med Fermats sista sats 1994, men skiljer sig i ett avgörande avseende: här var det en stängd AI som autonomt sammanställde tidigare spridda resultat till en helhetslösning och dessutom skrev den vetenskapliga artikeln. Det har gjort frågan om reproducerbarhet akut.

Daniel Persson, professor i matematik vid Chalmers och ledare för en forskargrupp som bygger effektivare AI-modeller, sade att han inte kunnat se att artikeln inte var skriven av en människa. "Det är ett väldigt spännande genombrott! Det är uppseendeväckande att AI har kunnat lösa ett problem på den här nivån, med så mycket avancerad matematik", sade Persson. Han betonade också den praktiska förändringen i arbetsmetoder: "Inom några år kommer vi inte att jobba på samma sätt som vi gör nu", enligt hans uttalande.

Konsekvenserna sträcker sig bortom ren matematik. Forskare och debattörer står nu inför konkreta frågor: hur ska utbildning förändras för att förbereda studenter för ett verktyg som kan sammanfoga komplexa teorier autonomt? Hur ska publiceringskanaler hantera artiklar som komponerats av icke-offentliga modeller? Och vem sitter på de system som gör avancerade genombrott möjliga när modellerna inte är öppna för extern granskning?

Samtidigt har kritik vuxit fram om hur institutioner inför AI i praktiken. I ett inlägg på LinkedIn argumenterade Stefan Bergsten för att AI ofta beskrivs som historiskt disruptivt men i många fall införs i gamla styrmodeller, med styrgrupper, pilotprojekt och traditionell förändringsledning som i praktiken bekräftar existerande strukturer.

Den läsningen är relevant här: när en stängd modell kan åstadkomma vad tidigare krävde decennier av mänsklig insats, men införs inom oförändrade organisatoriska ramar, uppstår legitimitetsfrågor kring vem som får tillgång och hur kunskap sprids.

En annan konkret följdfråga är teknisk. Den version av AI som löste Erdősproblemet är inte öppen för allmänheten och modellen är inte specialkonstruerad för matematik trots sina matematiska prestationer. Den bygger på samma grundarkitektur som stora språkmodeller som används kommersiellt. Det skapar en klyfta mellan vad tekniken kan åstadkomma och vad forskarvärlden kan reproducera eller granska själva.

Persson framhöll i sin analys att delar av lösningen låg spridda i den vetenskapliga litteraturen, men att AI var exceptionellt bra på att sätta ihop pusselbitarna till en fungerande helhet. Det faktum att modellen fann en tidigare oprövad koppling mellan två matematiska fält gör inte problemet mindre kontroversiellt. Snarare visar det hur snabbt verktygslådan i forskningen kan expandera när tillgången till avancerad modellkapacitet koncentreras till ett fåtal aktörer.

Tillämpningen av sådana modeller i praktisk forskning ställer krav på nya granskningsmetoder. Traditionell peer review bygger på att andra forskare kan följa och kontrollera arbetet. När en framgångsrik metod härstammar från en stängd modell uppstår praktiska och etiska frågor kring verifiering av beräkningar, rimlighetskontroller och möjlighet att replikera resultaten med öppna verktyg.

Det finns också en institutionell dimension. Om fler genombrott framöver kommer från stängda, kommersiellt kontrollerade modeller, förändras maktförhållandena mellan stora teknikföretag och akademiska institutioner. Vem sätter standarder för transparens? Vem beslutar om vilka modeller som får prioriteras i utbildning och forskningsinfrastruktur? Debatten har precis börjat, men den har rört om i vetenskapliga och policyorienterade kretsar redan.

Det är värt att notera att materialet inte anger någon tidpunkt för när eller om modellen ska öppnas för extern granskning, eller om de presenterade resultaten kommer att genomgå en formell peer review-process som involverar externt tillgängliga reproduktionsdata. Den 20 maj 2026 kvarstår därför som den senaste konkreta tidpunkten i utvecklingen.

Det finns inget besked om extern granskning eller att modellen ska göras tillgänglig. Den konkreta tidpunkten att notera är 20 maj 2026, då modellen presenterade sitt bevis för The unit distance problem.

Den här artikeln har skapats med hjälp av AI.