OpenAI ja Erdősin ongelma - AI tutkimuksessa

Tekoäly astui syvemmälle matematiikan tutkimukseen

OpenAI julkaisi 20. toukokuuta 2026 tutkimusuutisen, joka poikkeaa tavallisesta mallipäivityksestä. Yhtiön mukaan sen sisäinen päättelymalli on kumonnut pitkään vallinneen otaksuman diskreetissä geometriassa. Kyse on Paul Erdősin vuonna 1946 esittämästä tasogeometrian yksikköetäisyysongelmasta: jos tasolle asetetaan n pistettä, kuinka monen pisteparin etäisyys toisistaan voi olla täsmälleen yksi?

Ongelma on helppo selittää, mutta vaikea ratkaista. OpenAI:n mukaan vuosikymmenten ajan vallitseva ajatus oli, että ruudukkomaiset rakennelmat olivat olennaisesti paras tapa tuottaa paljon yksikköetäisyyksiä. Nyt yhtiö kertoo sisäisen mallinsa löytäneen äärettömän joukon esimerkkejä, jotka parantavat tätä rajaa polynomisesti. Käytännössä se tarkoittaa, että aiemmin uskottu kasvu ei ollutkaan paras mahdollinen. OpenAI:n mukaan ulkopuoliset matemaatikot ovat tarkistaneet todistuksen ja kirjoittaneet erillisen taustapaperin tuloksen merkityksestä.

Ei vain suorituskykytesti, vaan avoin ongelma

Tekoälyuutisissa nähdään paljon vertailuja, joissa malli saa paremman tuloksen ohjelmointitestissä, päättelymittarissa tai multimodaalisessa arvioinnissa. Tämä tapaus on eri luokkaa, koska kyse ei ole valmiin testisarjan läpäisystä vaan avoimen tutkimusongelman suunnasta. OpenAI korostaa, että todistus tuli uudelta yleiskäyttöiseltä päättelymallilta, ei matematiikkaan erikoiskoulutetulta järjestelmältä eikä juuri tätä ongelmaa varten rakennetulta hakuprosessilta.

Teknisesti ratkaisu on kiinnostava siksi, että se yhdistää diskreetin geometrian ja algebrallisen lukuteorian. Yleistajuisesti kyse on siirtymästä tutusta ruudukkoajattelusta paljon abstraktimpiin lukurakenteisiin. OpenAI:n mukaan aiemmat ruudukkorakennelmat voi ymmärtää Gaussin kokonaislukujen avulla, mutta uusi argumentti käyttää monimutkaisempia lukukuntia, äärettömiä luokkakuntatorneja ja Golod-Shafarevichin teoriaa. Nämä eivät ole tyypillisiä käsitteitä ongelmassa, joka kuulostaa ensi kuulemalta pisteiden asettelulta paperille.

Yksi yksityiskohta kertoo, miksi tulosta pidetään matemaattisesti olennaisena. OpenAI:n mukaan mallin alkuperäinen todistus ei antanut eksplisiittistä delta-arvoa, mutta Princetonin professorin Will Sawinin tuleva tarkennus näyttää, että delta voidaan ottaa arvoksi 0,014. Toisin sanoen kyse ei ole vain siitä, että vanha otaksuma horjuu, vaan siitä, että parannukselle saadaan mitattava muoto.

Mitä tästä kannattaa päätellä?

Tapauksen kiinnostavin osa on työnjako. OpenAI:n kuvauksen perusteella malli ehdotti suunnan, jota asiantuntijayhteisö ei ollut pitänyt todennäköisimpänä. Ihmiset puolestaan tarkistivat, selittivät ja jalostivat tulosta. Tämä on käytännöllisempi ja uskottavampi kuva tutkimuksen tekoälystä kuin ajatus yksin toimivasta koneesta.

AI-työkalujen käyttäjälle uutinen on tärkeä, koska se näyttää, mihin päättelymallit voivat kehittyä. Arvo ei synny vain siitä, että malli kirjoittaa tekstiä tai koodia nopeammin. Vahvempi päättely voi auttaa pitämään koossa pitkän argumentin, yhdistämään kaukana toisistaan olevia ideoita ja tuottamaan ehdotuksia, jotka kestävät asiantuntijoiden tarkastuksen. OpenAI nostaa mahdollisiksi sovellusalueiksi matematiikan lisäksi biologian, fysiikan, materiaalitieteen, insinööritieteet ja lääketieteen.

Samalla uutiseen kannattaa suhtautua täsmällisesti. OpenAI ei kertonut julkisen tuotemallin nimeä, eikä kyse ole tässä vaiheessa vertaisarvioidusta lehtijulkaisusta. Yhtiö on kuitenkin julkaissut todistuksen ja erilliset kommentit luettavaksi. Siksi tapaus on vahva signaali, mutta ei yksinkertainen tarina siitä, että tekoäly ratkaisi matematiikan. Parempi tulkinta on arkisempi: tutkimuksen työkalupakkiin on ilmestymässä päättelyjärjestelmiä, jotka voivat löytää yllättäviä reittejä vaikeisiin ongelmiin.