Matematyka wymaga nie tylko sprawnego wykonywania obliczeń, ale też dostrzegania zależności, formułowania hipotez i dowodzenia, że dane twierdzenie jest prawdziwe. Właśnie dlatego samodzielne rozwiązywanie trudnych problemów matematycznych przez sztuczną inteligencję stanowi większe wyzwanie niż osiąganie dobrych wyników w typowych zadaniach.
W ostatnich latach systemy AI zaczęły radzić sobie z problemami, które wymagają zaawansowanego rozumowania matematycznego. Niektóre osiągnięcia dotyczą zadań olimpijskich, inne otwartych pytań badawczych, nad którymi matematycy pracowali przez dziesięciolecia.
Co właściwie potrafią obecnie systemy AI jeśli chodzi o matematykę? Jak znajdują rozwiązania i w jaki sposób można sprawdzić, czy przedstawiony przez nie dowód jest poprawny? Na te pytania odpowiadamy w tym artykule.
W jaki sposób sztuczna inteligencja jest wykorzystywana w odkryciach matematycznych
Jednym z ważnych etapów rozwoju AI w matematyce było osiągnięcie poziomu pozwalającego rozwiązywać zadania wymagające zaawansowanego rozumowania. W 2024 roku systemy AlphaProof i AlphaGeometry 2 opracowane przez Google DeepMind rozwiązały cztery z sześciu zadań Międzynarodowej Olimpiady Matematycznej. Uzyskały 28 na 42 możliwe punkty, co odpowiadało wynikowi na poziomie srebrnego medalu. Nie chodziło przy tym tylko o podanie odpowiedzi. Systemy musiały również przedstawić poprawne dowody matematyczne. Google DeepMind opisało wyniki i zastosowane metody na swoim blogu.
Rozwiązywanie zadań o znanej odpowiedzi to jednak coś innego niż poszukiwanie nowych twierdzeń. W maju 2026 roku OpenAI poinformowało o wyniku dotyczącym problemu odległości jednostkowych, nad którym matematycy pracują od 1946 roku. Chodzi o ustalenie, ile par punktów na płaszczyźnie może znajdować się dokładnie w odległości jednej jednostki od siebie. Model OpenAI znalazł konstrukcję obalającą długo przyjmowane przypuszczenie dotyczące maksymalnej liczby takich par. Dowód sprawdzili niezależni matematycy, którzy przygotowali również pracę wyjaśniającą jego znaczenie. To przykład AI, która nie tylko rozwiązuje zadanie według znanego schematu, ale przyczynia się do uzyskania nowego wyniku matematycznego.
Inny rodzaj postępu pokazało Anthropic we wrześniu 2026 roku, informując o formalizacji twierdzenia Fermata przy użyciu modelu Claude. Samo twierdzenie zostało udowodnione przez Andrew Wilesa w latach 90., więc nie chodziło o odkrycie nowego rozwiązania. Zadaniem AI było przełożenie dowodu na język Lean, w którym komputer może sprawdzić jego poszczególne kroki. Według Anthropic Claude wykonał tę pracę w dużej mierze autonomicznie w ciągu 11 dni, tworząc formalny dowód obejmujący dużą liczbę twierdzeń pomocniczych.
Te przykłady pokazują, że AI w matematyce jest stosowana w kilku celach. Modele potrafią rozwiązywać trudne zadania, znajdować nowe wyniki w otwartych problemach, a także formalizować istniejące dowody, by można było sprawdzić je za pomocą komputera. Każda z tych umiejętności ma inne znaczenie dla pracy matematyków. Wspólnym wyzwaniem pozostaje ustalenie, jak systemy dochodzą do rozwiązań i jak skutecznie weryfikować ich poprawność.
Jak AI tworzy i sprawdza dowody matematyczne?
Rozwiązywanie trudnych problemów matematycznych wymaga więcej niż wykonywania obliczeń. Trzeba znaleźć pomysł, sprawdzić, czy prowadzi do rozwiązania, a następnie wykazać, że wniosek jest poprawny. Systemy AI mogą wspomagać każdy z tych etapów poprzez testowanie różnych podejść i rozwijanie tych, które dają obiecujące wyniki.

W skomplikowanych zadaniach modele mogą korzystać z pomocy wielu współpracujących agentów. Każdy z nich bada inny kierunek, analizuje dostępne informacje lub próbuje sprawdzić proponowane rozwiązanie. Dzięki temu system może rozpatrywać wiele możliwości równolegle. Nie oznacza to jednak, że każda próba prowadzi do celu. Podobnie jak w pracy badawczej część pomysłów trzeba odrzucić.
Samo znalezienie odpowiedzi nie wystarcza. Dowód matematyczny musi wykazywać, że wniosek wynika z przyjętych założeń. Odpowiedź wygenerowana przez AI może wyglądać przekonująco, a mimo to zawierać błąd. Dlatego badacze wykorzystują narzędzia takie jak Lean, które pozwalają zapisać dowód w formalnej postaci i automatycznie sprawdzić jego logiczną poprawność. Z takiego podejścia korzystały między innymi systemy Google DeepMind pracujące nad zadaniami olimpijskimi.
Formalna kontrola nie zastępuje całej pracy matematyków. Trzeba jeszcze upewnić się, że dowód dotyczy właściwego problemu, a uzyskany wynik rzeczywiście oznacza to, co przypisują mu autorzy. Niezależna ocena pozostaje szczególnie ważna, jeśli AI przedstawia nowe twierdzenie, którego wcześniej nie znano.
Problem Naviera–Stokesa
Równania Naviera–Stokesa opisują ruch płynów. Choć są znane od XIX wieku, wciąż pozostają pytania dotyczące ich matematycznych właściwości. Jedno z nich stało się częścią problemów milenijnych, czyli siedmiu wyjątkowo trudnych zagadnień, za których rozwiązanie Clay Mathematics Institute oferuje nagrodę w wysokości miliona dolarów. Oficjalny opis problemu przedstawia Clay Mathematics Institute.
We wrześniu 2026 roku OpenAI ogłosiło, że ich model opracował dowód dotyczący problemu Naviera–Stokesa. Gdyby wynik został potwierdzony, byłoby to znaczące osiągnięcie. Clay Mathematics Institute, który ustanowił nagrodę, stwierdził wstępnie, że problem najwyraźniej został rozwiązany, zastrzegł jednak, że ocena osiągnięcia wymaga czasu i nie powinna być przeprowadzana pochopnie.
Wątpliwości dotyczące sposobu weryfikacji pojawiły się również w środowisku matematycznym. W październiku opisano rozbieżności między dowodem przedstawionym przez OpenAI w zwykłym języku a jego formalną wersją. Nie przesądza to, że rozwiązanie jest błędne, ale pokazuje, że nawet gdy AI potrafi wygenerować dowód i jego komputerową formalizację, trzeba jeszcze sprawdzić, czy oba zapisy rzeczywiście potwierdzają to samo twierdzenie. Więcej na ten temat można przeczytać w TechCrunch.
Możliwości AI w matematyce rosną, ale ogłoszenie nowego wyniku nie jest równoznaczne z jego naukowym potwierdzeniem. Ostateczna ocena wymaga niezależnej analizy i sprawdzenia, czy przedstawiony dowód rzeczywiście spełnia wymagania problemu.
Podsumowanie
Przykłady z ostatnich lat pokazują, że systemy AI potrafią rozwiązywać zaawansowane zadania i pomagać w tworzeniu formalnych dowodów. Ich rola nie ogranicza się do wykonywania obliczeń czy stosowania znanych metod. W niektórych przypadkach modele wspierają również poszukiwanie rozwiązań problemów, nad którymi matematycy pracują od wielu lat.
Jednak nie oznacza to, że samo wygenerowanie odpowiedzi wystarcza do dokonania odkrycia. W matematyce liczy się przede wszystkim poprawność dowodu i to, czy rzeczywiście rozstrzyga on postawiony problem. Dlatego obok rozwoju coraz sprawniejszych modeli ważne pozostają narzędzia do automatycznej weryfikacji oraz niezależna ocena badaczy.

