Innhold Vis
OpenAI hevder en av sine reasoning-modeller har funnet et moteksempel til Erdős sin berømte planar unit-distance-konjektur – en matematisk grense som har stått uutfordret i over 60 år. Det er ikke en spesialbygd mattemaskin som gjorde det. Det er en generell reasoning-modell, den samme typen du kan bruke til å skrive kode eller analysere tekst.
Funnet kom i mai 2026 og er allerede ute som bevis-PDF med full gjennomgang. OpenAI selv kaller det et gjennombrudd innen diskret geometri – et felt der menneskelige matematikere har jobbet uten svar i tiår. Beviset er publisert åpent og kan lastes ned direkte fra OpenAIs egne servere.
Det som gjør dette interessant er ikke bare selve matematikken – det er hva det sier om hvordan AI-reasoning faktisk fungerer. For bare to måneder siden løste en intern OpenAI-modell tre andre Erdős-problemer. Nå ser vi en generell modell gjøre noe tilsvarende på et annet og mer teknisk krevende område.
Hva er Erdős planar unit-distance problem?
Paul Erdős (1913-1996) var en av historiens mest produktive matematikere – han publiserte over 1 500 vitenskapelige artikler og stilte over 1 000 åpne spørsmål. Mange av dem har stått ubesvart i tiår. Unit-distance-problemet er ett av dem.
Spørsmålet er enkelt å formulere, men vondt å besvare: Hvis du plasserer n punkter i et plan, hvor mange par av punkter kan ha nøyaktig avstand 1 fra hverandre? Altså enhetslengde – derav «unit distance».
Erdős og andre matematikere jobbet lenge med å finne den øvre grensen – det maksimale antallet slike avstandspar. Den aksepterte konjekturen var at grensen er n^{1+O(1/log log n)}, en formel som sier noe om hvordan dette antallet vokser med n. Ingen hadde klart å motbevise det. Ingen hadde funnet et eksempel som sprenger denne grensen.
Inntil nå.
Hva fant OpenAIs modell?
OpenAIs reasoning-modell fant et konkret moteksempel – en konstruksjon som sprenger den konjetturerte øvre grensen n^{1+O(1/log log n)}. Med andre ord: modellen fant en punktkonfigurasjon der antallet enhetsdistanse-par er høyere enn det matematikere mente var mulig.
Det som er bemerkelsesverdig her er at dette ikke er en menneskelig matematiker som fikk en god idé i dusjen. Det er heller ikke et program som bare kjørte gjennom millioner av kombinasjoner på brute force. En generell reasoning-modell – altså en modell trent for å tenke, ikke spesifikt for å drive kombinatorikk – navigerte seg gjennom et komplekst matematisk rom og fant noe nytt.
Beviset er publisert som PDF og er tilgjengelig for verifisering. OpenAI har lagt ut både den fulle bevis-PDFen og et kortere resonneringsopptak som viser hvordan modellen tenkte seg frem.
Generell modell, ikke en spesialbygd mattemaskin
Det er ett poeng her som fortjener mer oppmerksomhet: OpenAI kaller den «a general-purpose reasoning model». Ikke en spesialisert matematikk-AI. Ikke et system trent på formelle bevissystemer som Lean eller Coq. En generell modell.
Det er faktisk ganske merkelig – på en god måte. Det betyr at de generelle reasoning-egenskapene disse modellene trenes opp til å ha, er kraftige nok til å navigere i et matematisk problem der menneskelige spesialister med tiår på nakken ikke har funnet noe svar.
I mars 2026 var det et internt OpenAI-system som løste tre Erdős-problemer i kombinatorikk og tallteori. Det var en modell vi ikke hadde tilgang til, trent spesifikt med tanke på matematikk. Nå er det en generell reasoning-modell. Terskelen for hva «generell» betyr, er åpenbart forskjellig fra hva vi trodde.
For å sette det litt i perspektiv: Paul Erdős tilbød kontantpremier for løsninger på sine problemer. Unit-distance-problemet var blant dem. Pengene spiller ingen rolle i seg selv – men det sier noe om at dette er ekte åpne spørsmål, ikke didaktiske øvelser.
Hva sier dette om AI og matematikk?
Det korte svaret er at terskelen for hva AI klarer å gjøre i formell matematikk, beveger seg raskere enn de fleste hadde forventet. For bare noen år siden var det bred enighet om at AI på sin høyde kunne verifisere matematiske bevis, ikke finne dem. Nå finner de moteksempler til konjekturer som har stått i 60 år.
Det er verdt å merke seg at dette handler om diskret geometri – et felt som studerer kombinatoriske egenskaper ved geometriske objekter. Det er ikke relativt enkle bevis i stil med Pythagoras, men heller problemstillinger der du må navigere i store og ustrukturerte søkerom for å finne konstruksjoner ingen har sett før.
Det er nettopp der reasoning-modeller ser ut til å ha en fordel. Mennesker er gode på intuisjon og kreative sprang, men dårlige på å systematisk utforske et enormt søkerom uten å gå seg vill. AI-modeller med sterk reasoning-kapasitet kan kombinere begge deler – og tilsynelatende finne konstruksjoner vi ikke hadde tenkt på.
Hva betyr dette i praksis?
For hverdagsbrukere av AI betyr dette ingenting direkte – du kommer ikke til å bruke unit-distance-geometri i morgen. Men det sier noe om retningen disse modellene beveger seg i, og det er relevant.
Matematikk er et av de hardeste domenene å gjøre AI bra i. Det krever logisk konsistens, langsiktig planlegging, og evnen til å oppdage at en tilnærming ikke fungerer og prøve noe annet. Disse egenskapene er nøyaktig de samme som gjør reasoning-modeller nyttige i kompleks kodeskriving, teknisk analyse og problemløsning generelt.
Jo bedre reasoning-modellene blir i matematikk, jo bedre blir de i alt det andre vi bruker dem til. Matematikk er litt som treningskammeret for presisjon og logikk – og OpenAIs modell ser ut til å ha klart å ta et reelt trinn fremover der.
Det er verdt å følge med på den uavhengige verifiseringen av beviset. OpenAI publiserte det åpent, noe som er det rette å gjøre. Nå er det matematikernes jobb å sjekke om det holder vann. Gjør det det, er dette ett av de mer interessante AI-funnene vi har sett i år – ikke fordi det er spektakulært, men fordi det er verifiable. Ikke benchmarks. Ikke folks subjektive inntrykk. Et matematisk bevis som enten holder eller ikke holder.
Det skiller seg ganske mye fra vanlig AI-hype, og det er grunnen til at jeg synes det er verdt å ta på alvor.
