Matematycy po przełomie AI ostrożniej dzielą się niedokończonymi dowodami. Nauka ma nowy problem

Matematycy po przełomie AI stanęli przed problemem, którego jeszcze kilka lat temu praktycznie nie było: jak korzystać z modeli zdolnych przyspieszać pracę nad trudnymi twierdzeniami, a jednocześnie chronić nieopublikowane pomysły, pierwszeństwo odkrycia i zasady przypisywania autorstwa. Dyskusja gwałtownie przyspieszyła we wrześniu 2026 roku po publikacji przez OpenAI proponowanego rozwiązania problemu Naviera–Stokesa oraz sporze dotyczącym równoległych badań Tristana Buckmastera z New York University i Leventa Alpöge – informuje redakcja TopFlop.

Nie ma wiarygodnych danych pokazujących, że matematycy jako grupa „przestali” dzielić się roboczymi dowodami. Są jednak udokumentowane obawy o pierwszeństwo, wykorzystanie nieopublikowanych materiałów przez systemy AI oraz wpływ technologicznego wyścigu na współpracę naukową. Najnowsza debata nie dotyczy więc tylko tego, czy AI potrafi dowodzić twierdzeń. Dotyczy pytania bardziej fundamentalnego: co dzieje się z nauką, jeżeli przekazanie dobrego, ale niedokończonego pomysłu modelowi może znacząco skrócić drogę do pełnego wyniku?

OpenAI ogłosiło rozwiązanie problemu Naviera–Stokesa. Co dokładnie wiadomo

8 września 2026 roku OpenAI opublikowało pracę dotyczącą problemu Naviera–Stokesa, jednego z siedmiu Problemów Milenijnych wskazanych przez Clay Mathematics Institute. Firma poinformowała, że jej wewnętrzny system wygenerował analityczny dowód pokazujący możliwość powstania osobliwości w skończonym czasie dla odpowiednio skonstruowanego przepływu z gładkim wymuszeniem. Razem z tradycyjnym zapisem matematycznym udostępniono formalizację w języku Lean.

OpenAI opisuje wynik jako rozwiązanie wariantów C i D z oficjalnego sformułowania problemu. Nie oznacza to, że Clay Mathematics Institute już uznał problem za oficjalnie zamknięty ani że przyznano nagrodę w wysokości 1 mln dolarów. Regulamin CMI wymaga między innymi publikacji rozwiązania w kwalifikowanym źródle, upływu co najmniej dwóch lat od publikacji oraz uzyskania przez rezultat ogólnej akceptacji światowej społeczności matematycznej. Instytut nie przyjmuje bezpośrednich zgłoszeń proponowanych rozwiązań.

Samo OpenAI zaznaczyło również, że nie zamierza ubiegać się o Millennium Prize. Dlatego najprecyzyjniejsze sformułowanie na 12 września 2026 roku brzmi: firma opublikowała proponowane rozwiązanie poparte formalizacją w Lean, ale procedura przewidziana przez Clay Mathematics Institute nie została jeszcze zakończona.

“We do not intend to claim the Millennium Prize for this result.”

Tak OpenAI określiło swoje stanowisko w oficjalnym komunikacie badawczym.

Skala projektu pokazuje, dlaczego wynik wywołał tak duże poruszenie. OpenAI podało, że praca była prowadzona przez system wykorzystujący tysiące równolegle działających agentów. Firma informowała o około 10 tys. agentów zaangażowanych w główny proces badawczy, około 88 godzinach do uzyskania zasadniczego wyniku oraz kolejnych godzinach potrzebnych do formalnej weryfikacji. To zupełnie inna skala eksperymentowania niż tradycyjna praca jednego matematyka lub niewielkiego zespołu.

Czytelnikom, którzy chcą najpierw zobaczyć matematyczne znaczenie samego wyniku, pomaga wcześniejsze wyjaśnienie: problem Naviera–Stokesa, 88 godzin pracy AI, 10 tys. agentów i zasady nagrody 1 mln dolarów.

Element	Potwierdzona informacja
Publikacja OpenAI	8 września 2026 r.
Problem	Navier–Stokes existence and smoothness
Rodzaj rezultatu	analityczny dowód i formalizacja w Lean
Status nagrody CMI	nagroda nie została przyznana
Minimalny czas przed rozpatrzeniem przez CMI	co najmniej 2 lata od kwalifikowanej publikacji
Deklaracja OpenAI	firma nie zamierza ubiegać się o nagrodę
Początek projektu OpenAI	1 września 2026 r.
Powód rozpoczęcia prac według OpenAI	informacja o możliwym postępie innych badaczy

Spór o pierwszeństwo pokazał nowy problem nauki

Najbardziej kontrowersyjna część wydarzeń dotyczyła nie samego dowodu, ale tego, co wydarzyło się równolegle. Tristan Buckmaster, profesor matematyki na New York University, oraz Levent Alpöge pracowali nad powiązanymi problemami dotyczącymi powstawania osobliwości w równaniach mechaniki płynów. W swojej pracy korzystali między innymi z narzędzi AI, w tym Codex i modeli Anthropic.

OpenAI w oficjalnym opisie przyznało, że swój intensywny projekt rozpoczęło 1 września po usłyszeniu pogłoski, którą później powiązano właśnie z pracą Alpöge i Buckmastera. Firma podkreśla jednocześnie, że jej badacze i agenci nie mieli dostępu do nieopublikowanych wyników tej pary przed ich publicznym ujawnieniem.

Buckmaster zgłosił jednak obawy dotyczące okoliczności rozpoczęcia konkurencyjnego projektu, a także faktu, że wcześniej intensywnie używał Codex podczas własnych badań. TechCrunch opisał jego zarzuty 8 września, wyraźnie przedstawiając je jako stanowisko matematyka, a nie jako ustalone naruszenie ze strony OpenAI.

To rozróżnienie jest kluczowe. Nie ma obecnie publicznego dowodu, że OpenAI wykorzystało prywatne, nieopublikowane materiały Buckmastera do stworzenia rozwiązania. Jest natomiast potwierdzony spór dotyczący pierwszeństwa, sposobu prowadzenia równoległych badań oraz zasad korzystania z AI przy wynikach, których autorzy jeszcze nie opublikowali.

OpenAI poinformowało 10 września o wynikach własnego dochodzenia. Według firmy prompty Buckmastera kierowane do Codex w ciągu dwóch miesięcy poprzedzających publikację „nie mogły wpłynąć” na system wykorzystany do rozwiązania problemu, również poprzez trening. Jest to wynik wewnętrznego dochodzenia OpenAI i tak powinien być przedstawiany — jako stanowisko firmy, a nie ustalenie niezależnego audytora.

“No specific user data was accessed in order to solve this problem.”

Tak brzmi jedno z zapewnień OpenAI opublikowanych przy opisie projektu.

Dlaczego niedokończony pomysł jest dziś bardziej wartościowy

W matematyce najtrudniejsza część odkrycia nie zawsze polega na zapisaniu ostatnich kilkudziesięciu stron dowodu. Często decydujące jest znalezienie właściwego obiektu, nietypowej redukcji, konstrukcji kontrprzykładu albo kierunku, którego wcześniej nikt nie uznawał za obiecujący.

To właśnie dlatego niedokończone dowody mogą nabierać większej wartości w epoce wieloagentowych systemów AI.

Jeżeli człowiek przekazuje modelowi właściwą hipotezę i kilkuetapowy szkic argumentu, zadanie systemu nie zaczyna się już od zera. Model może próbować uzupełniać luki, testować warianty, generować kod formalny i równolegle sprawdzać wiele ścieżek, które człowiek analizowałby kolejno.

Nie oznacza to automatycznie, że współczesny model potrafi samodzielnie rozwiązać dowolny problem badawczy. Pokazuje jednak, dlaczego pytanie o pochodzenie pierwszego pomysłu zaczyna mieć coraz większe znaczenie.

W tradycyjnym środowisku naukowym badacz mógł przedstawić na seminarium roboczą ideę, przesłać współpracownikowi szkic lub pokazać dowód z jedną niezamkniętą luką. Ryzyko, że rozmówca natychmiast przetestuje tysiące wariantów i w bardzo krótkim czasie wygeneruje kompletną formalizację, było ograniczone.

W przypadku systemów AI relacja między pomysłem i wykonaniem może się zmienić.

Najbardziej wrażliwe stają się między innymi:

1. nieopublikowane hipotezy, które zawężają obszar poszukiwań;
2. informacje o tym, które podejścia zostały już sprawdzone i odrzucone;
3. nowe lematy bez pełnego dowodu;
4. kod formalizacyjny zawierający tylko część argumentu;
5. eksperymenty numeryczne wskazujące konkretną konstrukcję;
6. robocze notatki opisujące kierunek rozwiązania;
7. materiały współautorów, które nie zostały jeszcze publicznie udostępnione.

Problem nie polega więc na tym, że każda rozmowa z AI prowadzi do kradzieży wyników. Takiego twierdzenia dostępne dowody nie uzasadniają. Problem polega na tym, że wartość roboczych informacji wzrosła, a zasady ich ochrony muszą nadążyć za możliwościami modeli.

Matematycy zaczęli ustalać zasady jeszcze przed sporem OpenAI

Obawy dotyczące AI w matematyce nie pojawiły się dopiero po wydarzeniach z września. 2 czerwca 2026 roku opublikowano Leiden Declaration on Artificial Intelligence and Mathematics — dokument opracowany przez matematyków i badaczy zajmujących się wpływem AI na dyscyplinę. Deklarację poparła International Mathematical Union.

Na stronie deklaracji 11 września widniało już blisko 3,9 tys. podpisów. Liczba zmienia się wraz z dopisywaniem kolejnych sygnatariuszy, dlatego nie należy traktować jej jako stałej.

Deklaracja nie wzywa do zakazania AI. Koncentruje się na odpowiedzialności człowieka, przejrzystości metod, właściwym przypisywaniu zasług, kontroli jakości oraz zachowaniu wartości, na których opiera się matematyka.

“Mathematicians have a choice about whether and how to adopt artificial intelligence in the conduct of their research.”

To jedno z podstawowych założeń dokumentu: społeczność ma wpływ na sposób wdrażania technologii, zamiast przyjmować wszystkie praktyki jako nieuniknione.

16 czerwca redakcja „Nature” opublikowała własny komentarz dotyczący deklaracji. Podkreśliła potrzebę ochrony przejrzystości, integralności i uczciwości przy wykorzystywaniu AI w matematyce, a sam proces tworzenia zasad przedstawiła jako przykład również dla innych dziedzin nauki.

“Nature wholeheartedly endorses both the declaration process and its conclusions.”

Informację o takim stanowisku czasopisma odnotowuje również oficjalna strona Leiden Declaration.

Nie oznacza to, że istnieje dziś jeden obowiązujący na świecie kodeks korzystania z AI przez matematyków. Deklaracja jest inicjatywą środowiskową, a nie prawem. Pokazuje jednak, że problem autorstwa i przejrzystości został dostrzeżony jeszcze przed najnowszym sporem.

AI zrobiła ogromny postęp w dowodzeniu matematycznym

Rozwój sztucznej inteligencji w nauce nie opiera się na jednym wydarzeniu. Seria rezultatów z ostatnich dwóch lat pokazuje wyraźny wzrost możliwości modeli w formalnym rozumowaniu.

W lipcu 2024 roku Google DeepMind poinformowało, że AlphaProof i AlphaGeometry 2 rozwiązały cztery z sześciu problemów Międzynarodowej Olimpiady Matematycznej. Łączny wynik wyniósł 28 punktów na 42 możliwe, co odpowiadało górnej granicy poziomu srebrnego medalu. Próg złota wynosił wtedy 29 punktów.

AlphaProof pracował w języku Lean. Problem najpierw trzeba było przełożyć na formalną postać, a następnie system prowadził poszukiwania dowodu w przestrzeni możliwych kroków logicznych.

“The fact that the program can come up with a non-obvious construction like this is very impressive.”

Tak wynik jednego z zadań oceniał matematyk Timothy Gowers, laureat Medalu Fieldsa i były złoty medalista IMO.

Znaczenie tej technologii łatwiej zrozumieć na prostszym przykładzie. W artykule wyjaśniającym, dlaczego 0,999… jest dokładnie równe 1, jeden wynik można uzasadnić kilkoma niezależnymi metodami. System formalny idzie jednak dalej: zamiast uznać argument za „przekonujący”, wymaga zapisania każdego kroku w postaci możliwej do mechanicznej kontroli.

Co naprawdę daje Lean

Formalizacja w Lean nie oznacza, że komputer automatycznie ocenia sens każdego naukowego twierdzenia. Lean sprawdza poprawność formalnie zapisanego argumentu względem przyjętych reguł i definicji.

To ogromna zaleta, ale ma granice.

Jeżeli badacz źle sformułuje twierdzenie, można otrzymać poprawny formalny dowód stwierdzenia, które nie odpowiada temu, co pierwotnie zamierzano wykazać. Nadal potrzebna jest więc ludzka kontrola tego, czy formalizacja rzeczywiście opisuje właściwy problem.

Podobny mechanizm dobrze widać w znacznie prostszych sporach matematycznych. Przy wyrażeniu 8 ÷ 2(2 + 2) problemem nie jest brak kalkulatora, lecz interpretacja zapisu i kolejność działań. Przy skomplikowanych pracach badawczych różnica pomiędzy prawidłową formalizacją a prawidłową interpretacją problemu jest nieporównanie większa.

Dane wpisywane do modeli stają się częścią metodologii badawczej

Jednym z najbardziej praktycznych wniosków z obecnej debaty jest konieczność sprawdzania zasad przetwarzania danych przez konkretne narzędzie.

OpenAI oficjalnie podaje, że w usługach przeznaczonych dla użytkowników indywidualnych, takich jak ChatGPT czy Codex, treści mogą być wykorzystywane do ulepszania modeli, zależnie od ustawień konta. Użytkownik może wyłączyć opcję „Improve the model for everyone”; nowe rozmowy nie będą wtedy wykorzystywane do trenowania modeli.

Inne zasady obowiązują w produktach biznesowych. Według OpenAI dane wejściowe i wyjściowe z ChatGPT Business, ChatGPT Enterprise oraz API nie są domyślnie wykorzystywane do trenowania modeli, chyba że organizacja świadomie zdecyduje się je udostępnić.

Temporary Chat również nie jest wykorzystywany do treningu, dopóki rozmowa pozostaje tymczasowa. OpenAI podaje, że dla celów bezpieczeństwa kopia takiej rozmowy może być przechowywana do 30 dni.

Dla zespołu naukowego nie jest to detal techniczny.

Jeżeli badacz wpisuje do modelu nieopublikowany lemat, fragment artykułu współautora albo konstrukcję mogącą prowadzić do istotnego wyniku, powinien wcześniej wiedzieć, jaki produkt wykorzystuje, jakie ustawienia obowiązują oraz jakie zasady zaakceptowała jego instytucja.

Pytanie przed użyciem AI	Dlaczego ma znaczenie
Czy dane mogą służyć do treningu?	wpływa na sposób przetwarzania materiału
Czy trening został wyłączony?	zmienia zasady wykorzystania nowych rozmów
Czy to produkt konsumencki czy biznesowy?	polityki danych są różne
Czy materiał należy również do współautora?	potrzebna może być jego zgoda
Czy istnieje datowany zapis wcześniejszego wyniku?	pomaga dokumentować chronologię pracy
Czy wynik AI będzie niezależnie sprawdzony?	model może wygenerować błędny argument
Czy AI została ujawniona w metodologii pracy?	zwiększa przejrzystość naukową

Czy matematycy rzeczywiście przestają dzielić się wynikami

Na to pytanie trzeba odpowiedzieć precyzyjnie: nie ma obecnie danych pozwalających stwierdzić, że matematycy masowo przestali dzielić się niedokończonymi dowodami.

Nie ma reprezentatywnego globalnego badania, które pokazywałoby procent naukowców ograniczających seminaria, prywatną korespondencję czy wymianę roboczych preprintów właśnie z powodu AI.

Są natomiast publiczne wypowiedzi matematyków wskazujące na obawy dotyczące konkurencji, autorstwa oraz zmian w kulturze współpracy. Najnowsze relacje medialne opisują niepokój części środowiska po publikacji OpenAI. „The Verge” zwraca uwagę na obawy, że wyścig laboratoriów AI może zwiększać ryzyko „scooping”, czyli uprzedzenia badacza z publikacją, i ograniczać otwartość wymiany wyników.

12 września „The Guardian” opisał reakcje kilku matematyków na tempo najnowszych postępów AI. Cytowani badacze różnili się w ocenie technologii, ale część z nich zwracała uwagę na możliwe konsekwencje dla tradycyjnego sposobu prowadzenia matematyki, edukacji i współpracy naukowej.

To właśnie tutaj przebiega granica między potwierdzonym faktem a zbyt daleko idącym nagłówkiem.

Można napisać, że spór zwiększył obawy o udostępnianie nieopublikowanych pomysłów. Nie można na obecnym etapie uczciwie twierdzić, że „matematycy przestali dzielić się dowodami” jako powszechny, zmierzony trend.

Największe ryzyko dotyczy nie dowodu, lecz pochodzenia pomysłu

W tradycyjnej publikacji naukowej łatwiej wskazać, kto wykonał konkretną część pracy. Przy systemach wieloagentowych sytuacja staje się bardziej skomplikowana.

Wyobraźmy sobie rezultat, w którym człowiek:

• znajduje właściwe pytanie;
• wybiera klasę konstrukcji;
• przekazuje AI nieukończony lemat;
• system generuje tysiące wariantów;
• inny model wybiera najbardziej obiecujący;
• agent koduje argument w Lean;
• człowiek poprawia definicje;
• formalny weryfikator potwierdza poprawność.

Kto w takim przypadku jest autorem odkrycia?

Odpowiedź nie zawsze będzie sprowadzać się do osoby, która uruchomiła ostatni prompt.

Może się okazać, że największa wartość intelektualna powstała wcześniej: w wyborze kierunku, skonstruowaniu kluczowego przykładu albo sformułowaniu problemu w sposób, który radykalnie ograniczył przestrzeń poszukiwań.

Dlatego przyszłe zasady mogą wymagać dokładniejszego dokumentowania kolejnych etapów pracy. Nie jest to jeszcze jednolity standard obowiązujący wszystkie czasopisma, lecz logiczna konsekwencja problemu, który Leiden Declaration próbuje uporządkować.

Co może zmienić się w praktyce badawczej

Nie ma podstaw, aby przewidywać koniec seminariów czy prywatnej współpracy między matematykami. Bardziej realistyczna jest stopniowa zmiana procedur.

Badacze mogą częściej dokumentować moment powstania hipotezy, przechowywać historię wersji plików oraz dokładniej opisywać udział narzędzi AI. Repozytoria i czasopisma mogą też rozwijać bardziej szczegółowe zasady deklarowania wykorzystania modeli.

To są scenariusze i możliwe kierunki rozwoju, a nie fakty już obowiązujące w całej matematyce.

Technicznie dostępnych jest kilka sposobów dokumentowania pierwszeństwa: datowany preprint, historia commitów repozytorium, zapis korespondencji, wersjonowane pliki formalizacji czy publiczne materiały konferencyjne. Żaden z nich sam w sobie nie rozwiązuje wszystkich sporów o autorstwo, ale razem tworzą dokładniejszy ślad powstawania wyniku.

Zmienić może się również sama rola recenzenta. Przy artykule powstałym z intensywną pomocą AI recenzent może potrzebować nie tylko tradycyjnego tekstu, lecz również informacji o formalizacji, użytym modelu, zakresie automatycznego generowania oraz sposobie niezależnego sprawdzenia rezultatu.

Problem dla nauki jest realny, ale trzeba go opisywać bez przesady

Najnowsze wydarzenia nie dowodzą, że matematyka przestaje być otwartą nauką. Pokazują jednak rzeczywisty konflikt między szybkością AI a regułami wypracowanymi w czasach, kiedy wykonanie skomplikowanego programu badawczego wymagało przede wszystkim czasu ludzi.

Dziś laboratorium posiadające ogromne zasoby obliczeniowe może uruchomić tysiące agentów równolegle. Jeżeli system otrzyma właściwy kierunek poszukiwań, różnica między roboczą ideą a kompletnym rezultatem może się zmniejszyć.

Z drugiej strony dostępne dowody nie pozwalają twierdzić, że AI samodzielnie zastępuje matematyków albo że każde nieopublikowane twierdzenie przesłane do modelu jest zagrożone przejęciem.

Fakty są bardziej konkretne: OpenAI opublikowało proponowane rozwiązanie problemu Naviera–Stokesa; rozwiązanie ma formalizację Lean; Clay Mathematics Institute jeszcze nie zakończył wymaganej procedury; równolegle doszło do publicznego sporu o pierwszeństwo i sposób prowadzenia badań; OpenAI zaprzecza wykorzystaniu prywatnych danych Buckmastera w tym projekcie; środowisko matematyczne już wcześniej przygotowało Leiden Declaration, domagając się przejrzystości, uczciwości i właściwego przypisywania zasług.

To wystarcza, aby mówić o nowym problemie dla nauki. Nie trzeba dodawać niepotwierdzonej tezy, że matematycy masowo zamykają swoje wyniki przed kolegami.

FAQ

Czy matematycy naprawdę przestają dzielić się niedokończonymi dowodami?

Nie ma reprezentatywnych danych potwierdzających taki masowy trend. Są natomiast udokumentowane obawy dotyczące autorstwa, pierwszeństwa oraz udostępniania nieopublikowanych materiałów systemom AI. Dlatego poprawniej pisać o rosnącej ostrożności i debacie niż o całkowitym odejściu od współpracy.

Czy OpenAI rozwiązało problem Naviera–Stokesa?

OpenAI 8 września 2026 roku opublikowało proponowane rozwiązanie wraz z formalizacją Lean. Clay Mathematics Institute nie zakończył jednak procedury wymaganej do oficjalnego uznania rozwiązania w ramach Millennium Prize.

Czy OpenAI wykorzystało prywatne prompty Tristana Buckmastera?

Nie ma publicznego dowodu potwierdzającego takie wykorzystanie. OpenAI po wewnętrznym dochodzeniu poinformowało, że prompty Buckmastera z dwóch miesięcy poprzedzających publikację nie mogły wpłynąć na wykorzystany system, również poprzez trening. To stanowisko i wynik dochodzenia firmy, a nie niezależnego audytu.

Czy dowód sprawdzony w Lean jest automatycznie prawdziwy?

Lean może mechanicznie sprawdzić poprawność sformalizowanego argumentu względem użytych definicji i reguł. Nadal trzeba jednak ustalić, czy formalne twierdzenie dokładnie odpowiada problemowi, który badacze chcieli rozwiązać.

Czy rozmowy z ChatGPT i Codex mogą być używane do treningu modeli?

W produktach konsumenckich treści mogą być wykorzystywane do ulepszania modeli w zależności od ustawień. OpenAI umożliwia wyłączenie „Improve the model for everyone”. W ChatGPT Business, Enterprise i API dane nie są domyślnie używane do treningu.

Co jest dziś najważniejszym problemem AI w matematyce?

Nie tylko poprawność generowanych dowodów. Równie istotne stają się pochodzenie pomysłu, pierwszeństwo, dokumentowanie wkładu człowieka, polityka danych narzędzi oraz możliwość niezależnego sprawdzenia wyniku.

Warto przeczytać także nasz kolejny materiał, w którym szerzej wyjaśniamy podobny temat:  Co to jest proces 2 nm? Fizyka chipu A20 Pro wyjaśniona dla uczniów