Model wewnętrzny OpenAI samodzielnie obalił hipotezę, którą Paul Erdős postawił w 1946 roku. To nie jest kolejny fałszywy alarm, bo tym razem za wynikiem stoi potwierdzenie czołowych matematyków świata.
Kluczowe fakty:
- Model wewnętrzny OpenAI obalił hipotezę Paula Erdősa z 1946 roku, dowodząc że istnieje lepszy sposób na ułożenie punktów w płaszczyźnie niż siatka kwadratowa.
- Problem odległości jednostkowych w płaszczyźnie przez niemal 80 lat pozostawał nierozwiązany i jest określany jako "prawdopodobnie najlepiej znany i najprostszy do wyjaśnienia problem w geometrii kombinatorycznej".
- W październiku 2025 roku OpenAI już raz błędnie twierdziło o rozwiązaniu 10 otwartych problemów Erdősa, co zostało szybko obalone przez matematyków.
Przez niemal osiem dekad matematycy byli przekonani, że najlepszym sposobem na ułożenie punktów w płaszczyźnie, tak aby jak największa ich liczba znajdowała się dokładnie w odległości jednej jednostki od siebie, jest układ siatki kwadratowej. Model OpenAI udowodnił, że się mylili. Znalazł nieskończoną rodzinę nowych układów punktów, która jest wyraźnie lepsza od siatki i matematycznie dowiódł, że tak jest.
Problem, który brzmi prosto, ale nie jest
Zagadnienie znane jako „planar unit distance problem” (problem odległości jednostkowych w płaszczyźnie) jest jednym z tych rzadkich przypadków w matematyce, gdy pytanie można wytłumaczyć dziesięciolatkowi, a odpowiedź zajmuje naukowcom dekady. Erdős zadał je formalnie w 1946 roku i był tak przekonany o jego wadze, że wyznaczył za rozwiązanie nagrodę pieniężną.
Książka „Research Problems in Discrete Geometry” z 2005 roku opisuje je jako „prawdopodobnie najlepiej znany i najprostszy do wyjaśnienia problem w geometrii kombinatorycznej”. Noga Alon z Princeton, jeden z czołowych kombinatoryków na świecie, nazywa go „jednym z ulubionych problemów Erdősa”. To coś więcej niż akademicka ciekawostka, bo problem ten łączy geometrię, teorię liczb i kombinatorykę w sposób, który do tej pory nikogo nie zawiódł do przełomu.
Aż do teraz.
OpenAI ma wiarygodność do odbudowania
Tutaj muszę być szczery: zanim zaczniemy świętować, warto pamiętać o tym, co wydarzyło się w październiku 2025 roku. Kevin Weil, ówczesny wiceprezes OpenAI, ogłosił na platformie X, że GPT-5 rozwiązał 10 otwartych problemów Erdősa. Nagłówki rozeszły się błyskawicznie. Problem w tym, że twierdzenie szybko rozpadło się pod presją matematyków. Thomas Bloom, który prowadzi stronę erdosproblems.com i jest jednym z nielicznych ludzi na świecie naprawdę kompetentnych w tej dziedzinie, stwierdził wprost, że model nie stworzył oryginalnych dowodów, tylko odnalazł rozwiązania istniejące już w literaturze. Weil usunął wpis. W kwietniu 2026 roku opuścił OpenAI.
Mówię o tym, bo kontekst jest ważny. OpenAI wchodzi w to ogłoszenie z dużym kredytem do spłacenia.
Mam mieszane uczucia w związku z tym wynikiem i nie ukrywam tego. Z jednej strony trudno nie być pod wrażeniem: model bez specjalnego treningu matematycznego, wyposażony tylko w treść zadania, samodzielnie połączył geometrię z algebraiczną teorią liczb i wyprowadził dowód, którego przez 80 lat nie znaleźli ludzie. Jeśli to prawda, to zmieniamy zasady gry. Z drugiej strony jedno potwierdzone odkrycie nie zmienia faktu, że OpenAI ma za sobą historię przesady w tego rodzaju ogłoszeniach. Pytanie, które naprawdę mnie nurtuje, brzmi: czy AI potrafi generować takie przełomy systematycznie, czy mamy do czynienia z efektem szczęśliwego trafienia? Nauka potrzebuje powtarzalności, nie jednorazowych fajerwerków.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Prawie co drugi pracownik w Polsce używa AI za plecami swojego szefa. 71% polskich pracowników oszczędza dzięki AI od pół godziny do ponad dwóch godzin dziennie …
Tym razem dowody są twarde
OpenAI wyraźnie wyciągnęło wnioski z poprzedniej wpadki. Razem z ogłoszeniem firma opublikowała komentarze kilku uznanych matematyków, którzy niezależnie zweryfikowali dowód. To nie jest wewnętrzna walidacja.
Na liście potwierdzających pojawia się kilka nazwisk, które trudno zbagatelizować:
- Noga Alon z Uniwersytetu Princeton, jeden z najwybitniejszych kombinatoryków na świecie
- Thomas Bloom z Oksfordu, ten sam badacz, który publicznie rozmontował poprzednie twierdzenia OpenAI
- Melanie Wood, laureatka licznych nagród matematycznych
- Will Sawin z Princetonu, który doprecyzował wynik, pokazując, że poprawa może być wyrażona stałym wykładnikiem
Kiedy człowiek, który siedem miesięcy temu publicznie zawstydził OpenAI, teraz podpisuje się pod wynikiem, to znaczy coś konkretnego.
Jak model to zrobił: nie brutalna siła, lecz analogia
Najciekawsza część tej historii nie dotyczy tego, że AI rozwiązało problem. Dotyczy tego, jak go rozwiązało.
Model nie przeszukał wszystkich możliwych układów punktów. Nie użył obliczeń o skali niemożliwej do osiągnięcia przez człowieka. Zamiast tego wykonał ruch, który matematycy nazywają „nieoczekiwanym połączeniem dziedzin”. Wziął ideę z algebraicznej teorii liczb, konkretnie strukturę zwaną algebraicznymi ciałami liczbowymi, i zastosował ją do problemu geometrycznego.
Oryginalne dolne ograniczenie Erdősa opierało się na tzw. liczbach Gaussowskich, rozszerzeniu zwykłych liczb całkowitych. Model poszedł dalej i zastosował głębsze struktury z tej samej tradycji algebraicznej, wychodzące poza to, co wcześniej badali ludzie. Rezultatem jest nieskończona rodzina układów punktów, które generują znacznie więcej par w odległości jednostkowej niż ktokolwiek wcześniej sądził, że jest możliwe.
Takie połączenie między algebrą a geometrią istniało. Nikt po nie nie sięgnął.
Ogólny model, nie specjalista od matematyki
OpenAI podkreśla jeden szczegół, który naprawdę ma znaczenie: model użyty do tego odkrycia to ogólny model wnioskujący, nie system dostrojony specjalnie do matematyki. Dostał tylko pisemne sformułowanie problemu.
To ważne rozróżnienie. Jeśli model matematyczny rozwiązuje zadanie matematyczne, to imponujące, ale spodziewane. Jeśli ogólny model rozumowania robi to samodzielnie, sugeruje to coś znacznie szerszego o zdolnościach AI do myślenia.
Badacz OpenAI Noam Brown napisał na X:
„Less than 1 year ago frontier AI models were at IMO gold-level performance. I expect this pace of progress to continue.” / „Niecały rok temu najlepsze modele AI osiągały złoty poziom Międzynarodowej Olimpiady Matematycznej. Spodziewam się, że to tempo postępu będzie się utrzymywać.”
Today, we’re sharing that a general-purpose internal @openai model achieved a breakthrough on one of the best-known combinatorial geometry problems. Less than 1 year ago frontier AI models were at IMO gold-level performance. I expect this pace of progress to continue. https://t.co/t1HBqC5jYr
— Noam Brown (@polynoamial) May 20, 2026
Co to oznacza poza matematyką
OpenAI pozycjonuje ten wynik jako coś więcej niż kamień milowy w geometrii. Jeśli modele potrafią samodzielnie łączyć odległe dziedziny wiedzy i wyprowadzać nowe struktury dowodowe, to pole zastosowań rozszerza się na biologię, fizykę, inżynierię materiałową.
Thomas Bloom ujął to poetycko: „AI is helping us to more fully explore the cathedral of mathematics we have built over the centuries. What other unseen wonders are waiting in the wings?” / „AI pomaga nam pełniej eksplorować katedrę matematyki, którą zbudowaliśmy przez wieki. Jakie inne, niewidziane cuda czekają w skrzydłach?”
Warto też dodać szerszy kontekst. OpenAI nie jest tu jedynym graczem. Google DeepMind z projektem AlphaEvolve, Harmonic z modelem Aristotle, czy Sakana AI ze swoim projektem AI Scientist, wszyscy pracują nad podobnymi celami. Wyścig o to, kto jako pierwszy udowodni, że AI może prowadzić prawdziwą naukę, a nie tylko ją przyspieszać, jest już w pełnym toku.
Ostrożność wciąż wskazana
Pełny dowód musi jeszcze przejść recenzję naukową. Model nie został publicznie udostępniony. I tak, jeden dobry wynik nie wymazuje historii niespełnionych obietnic.
Ale kiedy Thomas Bloom, który rozmontował wasze poprzednie twierdzenia, podpisuje się pod nowym, to jest to najlepsza możliwa weryfikacja, jaką OpenAI mogło uzyskać. Nauka posunęła się naprzód. Pytanie tylko, jak szybko pójdzie dalej.
