AI rozwiązało 42-letni problem matematyczny w 12 godzin

OpenAI matematyczny przełom: AI rozwiązało 42-letni problem naukowy w 12 godzin

OpenAI informuje, że badacze za pomocą ChatGPT w 12 godzin rozwiązali problem matematyczny, który nie poddawał się rozwiązaniu przez 42 lata, co stanowi ważny krok w kierunku AI zdolnego do prowadzenia długoterminowych badań na poziomie człowieka.

---

Rewolucja AI w nauce: jak ChatGPT rozwiązał 42-letni problem matematyczny w 12 godzin

Wprowadzenie

W kwietniu 2026 roku wydarzyło się coś, co może stać się punktem zwrotnym w historii badań naukowych. Zadanie, które nie poddawało się matematykom przez 42 lata, zostało rozwiązane w 12 godzin. Narzędziem, które dokonało tego przełomu, nie była nowa architektura superkomputerowa ani genialny matematyk, ale dialog człowieka z ChatGPT.

To osiągnięcie wykracza daleko poza akademicką ciekawość. Po raz pierwszy duży model językowy wykazał zdolność do długotrwałego, spójnego i produktywnego rozumowania na poziomie wymaganym do rzeczywistej pracy badawczej. Jeśli wcześniej AI postrzegano jako narzędzie do wyszukiwania informacji lub generowania prostych odpowiedzi, teraz zaczyna ono występować w roli pełnoprawnego partnera naukowego. Niniejszy artykuł analizuje szczegóły tego wydarzenia, jego znaczenie dla świata nauki i technologii, reakcje kluczowych graczy branży oraz prognozy na przyszłość.

Szczegóły wydarzenia i chronologia

Problem, który nie dawał spokoju przez 42 lata

W centrum historii znajduje się zadanie z zakresu teorii optymalizacji, związane ze zbieżnością klasycznego algorytmu. Przez ponad cztery dekady matematycy bezskutecznie próbowali udowodnić pewne właściwości tego algorytmu, mającego fundamentalne znaczenie dla uczenia maszynowego, przetwarzania sygnałów i ekonomii. Problem był dobrze znany w wąskich kręgach, ale uważany za niezwykle trudny i niepoddający się rozwiązaniu istniejącymi metodami.

12-godzinny dialog: jak to przebiegało

Kluczową postacią wydarzenia jest Ernest Ryu, starszy badacz OpenAI. W podcaście firmy opisał trzydniowy proces, który zajął łącznie około 12 godzin czystego czasu interakcji z ChatGPT. Protokół pracy radykalnie różnił się od typowego korzystania z czatbota:

• Iteracyjny charakter pracy: Ryu nie zadał pytania i nie otrzymał natychmiastowej odpowiedzi. Zamiast tego nawiązał z modelem dialog, stale wskazując błędy, precyzując kierunek rozumowania i korygując podejście.
• Nawigacja w labiryncie: Ryu porównał ten proces do przechodzenia przez labirynt, gdzie na każdym zakręcie trzeba ocenić hipotezę, sprawdzić jej wytrzymałość i albo iść dalej, albo się wycofać. Pełnił rolę kapitana, który „trzyma mapę” (ogólną strategię), podczas gdy model generował dziesiątki możliwych ścieżek i pośrednich kroków.
• Decydujący moment: Trzeciego dnia pracy model dokonał małej, ale krytycznie ważnej zmiany w rozumowaniu. Jak zauważył Ryu, nowa argumentacja „wyglądała inaczej”. To właśnie to „inne” ukierunkowanie pozwoliło przerwać logiczny impas i zakończyć dowód.

Po uzyskaniu dowodu Ryu osobiście sprawdził go kilkakrotnie, a następnie poprosił studentów o ponowne sprawdzenie każdego kroku. Wszystkie testy potwierdziły absolutną poprawność wyniku.

Wpływ i znaczenie

Dla świata nauki: przejście od narzędzia do uczestnika

To wydarzenie oznacza zmianę paradygmatu w rozumieniu roli AI w nauce. Jeszcze dwa lata temu modele często myliły się w prostych zadaniach arytmetycznych czy planowaniu harmonogramu. Dziś uczestniczą w rozwiązywaniu problemów na poziomie badawczym.

Zgodnie z raportem OpenAI „AI jako pracownik naukowy”, korzystanie z ChatGPT przez naukowców radykalnie różni się od korzystania przez masowego użytkownika. Przeciętny naukowiec pisze 3,5 razy więcej wiadomości, a liczba zapytań związanych z programowaniem i debugowaniem przekracza zwykłe wskaźniki 12-krotnie. Świadczy to o głębokiej integracji AI w procesie pracy: od wyszukiwania pomysłów w literaturze po generowanie kodu do symulacji i obliczeń matematycznych.

Dla branży i technologii: co stoi za przełomem

Sceptycy mogą zapytać: czy to nie jest po prostu szczęśliwy zbieg okoliczności lub przesada? Jednak analiza metody pokazuje fundamentalną zmianę technologiczną.

Według Sébastiena Bubecka, badacza OpenAI, główny przełom polega nie na tym, że model stał się „mądrzejszy” w jednym momencie, ale na jego zdolności do utrzymywania długotrwałego i spójnego rozumowania. Poprzednie modele świetnie radziły sobie z krótkimi łańcuchami rozumowania (Chain-of-Thought), ale „traciły wątek” w złożonych, wieloetapowych zadaniach.

Współczesne systemy, w tym te używane przez Ryu, są zdolne do:

• Metapoznania: Model może oceniać własne pośrednie wnioski i wracać do nich, jeśli znajdzie błąd.
• Wyszukiwania i syntezy: Generując kod, formuły i bloki tekstowe, AI może sięgać do „pamięci zewnętrznej” (kontekstu dialogu lub plików), aby nie stracić ważnych szczegółów.

Dla społeczeństwa: przyspieszenie postępu naukowego

Prognozy OpenAI, przedstawione przez wiceprezesa ds. nauki Kevina Weila, brzmią ambitnie, ale nabierają konkretnych kształtów: „osiągnięcie poziomu rozwoju naukowego z 2050 roku już do 2030 roku”.

Praktyczne przykłady już wykraczają poza matematykę:

• Fizyka: Teoretyk Alex Lupsasca spędził miesiące na wyprowadzaniu równań kwantowych czarnych dziur. GPT-5 Pro odtworzył ten sam wynik w 18 minut.
• Biologia: We współpracy z RetroBioSciences OpenAI stworzył specjalistyczny model GPT-4B Micro, który zaprojektował nowe białka do odmładzania komórek, przewyższając skutecznością najlepsze ręczne opracowania.

Dla społeczeństwa oznacza to potencjalne przyspieszenie w opracowywaniu leków na raka, tworzeniu trwałych materiałów i rozwiązywaniu problemów klimatycznych o rzędy wielkości szybciej.

Reakcja kluczowych graczy

Reakcja środowiska naukowego i technologicznego okazała się dwojaka: od euforii po ostrą krytykę, co podkreśla złożoność chwili.

Środowisko matematyczne wyraziło jednocześnie podziw i niepokój. Gdy OpenAI ogłosiło rozwiązanie 15 nierozwiązanych problemów Erdősa, okazało się, że w niektórych przypadkach model nie tyle je „rozwiązał”, co znalazł zapomniane rozwiązania w archiwach sprzed 20 lat. Słynny matematyk Terence Tao zauważył, że „wiele z prostych problemów Erdősa jest teraz bardziej prawdopodobne do rozwiązania metodami AI niż ludzkimi”. Jednocześnie ostrzega przed „industrializacją matematyki”, gdzie AI występuje jako potężny, ale wymagający nadzoru pomocnik.

Konkurenci OpenAI zareagowali ostro. Demis Hassabis, szef Google DeepMind, nazwał „haniebnym” głośne, ale niewystarczająco zweryfikowane oświadczenie OpenAI o rekordowej liczbie rozwiązanych problemów. Wskazuje to na wysoką stawkę w wyścigu o stworzenie „naukowego AGI” i niedopuszczalność błędów w komunikacji.

Środowisko akademickie uruchamia proces instytucjonalizacji. W USA rozpoczęto misję „Genesis” – państwowy program stworzenia jednolitej platformy AI dla odkryć naukowych, łączącej laboratoria narodowe, uniwersytety i centra danych. Oznacza to, że AI w nauce przestaje być zabawką prywatnych korporacji i staje się kwestią konkurencyjności narodowej.

Prognoza i wnioski

Rozwiązanie 42-letniego problemu w 12 godzin to nie punkt końcowy, a jedynie początek nowej ery. Pokazuje, że weszliśmy w fazę, w której AI jest zdolne nie tylko do przetwarzania informacji, ale także do generowania nowej wiedzy w dialogu z człowiekiem.

Jednak przyszłość nie będzie bezchmurna. Badania OpenAI wykazały, że halucynacje AI są matematycznie nieuniknione. Model zawsze będzie z pewnym prawdopodobieństwem generować nieprawdziwe dane. Całkowite wyeliminowanie halucynacji uczyniłoby AI zbyt wolnym i niepewnym do masowego użytku. Dlatego w nauce utrzyma się zasada człowieka w pętli (human-in-the-loop). Rola naukowca przesuwa się od rutynowego rozwiązywania równań do stawiania problemów, weryfikacji wyników i wyboru kierunku.

Wnioski:

• AI staje się pracownikiem naukowym, a nie tylko wyszukiwarką. Wnika w samo serce procesu twórczego – dowodu matematycznego.
• Wymagania wobec naukowców się zmieniają. Kluczowymi umiejętnościami stają się krytyczne myślenie i sztuka „promptingu” (umiejętność zadawania właściwych pytań modelowi).
• Czeka nas przyspieszenie. Dekady postępu naukowego mogą zostać skompresowane do lat, ale ostateczna odpowiedzialność za prawdziwość i kierunek badań pozostanie w rękach człowieka.

Sam Ernest Ryu, pod wrażeniem wyniku, opuścił stanowisko akademickie i dołączył do OpenAI, aby rozwijać syntetyczne dane do trenowania modeli. Jego historia jest najlepszym dowodem na to, że technologia zmienia nie tylko narzędzia, ale także życiowe trajektorie ludzi prowadzących naukę naprzód.

— Editorial Team