GPT-5.6 Sol Ultra od OpenAI rozwiązuje 50-letnią hipotezę matematyczną

Najnowszy model rozumowania od OpenAI, GPT-5.6 Sol Ultra, rzekomo dokonał przełomu w teorii grafów, rozwiązując hipotezę matematyczną, która pozostawała nierozwiązana od lat 70. XX wieku. Wykorzystując ekstremalną wytrwałość obliczeniową oraz architekturę wieloagentową, model wygenerował kompletny dowód w czasie krótszym niż godzina.

Rozwiązanie zagadki teorii grafów

Rozważana hipoteza dotyczy fundamentalnego pytania w teorii grafów: czy w dowolnej sieci wierzchołków i krawędzi można znaleźć zestaw cykli, który przechodzi przez każdą poszczególną krawędź dokładnie dwa razy. Choć w ciągu ostatnich pięciu dekad matematycy znaleźli częściowe rozwiązania dla konkretnych przypadków, ogólny dowód pozostawał nieuchwytny.

Thomas Bloom, matematyk z Uniwersytetu w Manchesterze, opisał dowód jako „krótki, elementarny i taki, który mógł zostać odkryty już w latach 80.”. Co ciekawe, rozwiązanie nie wymagało wynalezienia zupełnie nowych teorii matematycznych; zamiast tego sprytnie zsyntetyzowało istniejące narzędzia i znane ramy matematyczne.

Potęga maszynowej wytrwałości

Pojawia się kluczowe pytanie: skoro matematyka była „elementarna”, dlaczego ludziom nie udało się jej rozwiązać przez 50 lat? Bloom sugeruje, że rozwiązanie wymagało małego, nieintuicyjnego zwrotu w rozumowaniu. Ludzie-matematycy często podążają ścieżkami logicznymi, które w przypadku niepowodzenia prowadzą do wniosku, że problem jest nierozwiązywalny.

W przeciwieństwie do nich, GPT-5.6 Sol Ultra wykazuje poziom „maszynowej wytrwałości”. Nie doświadcza on poznawczego błędu zniechęcenia. Zamiast tego model nieustannie bada drobne wariacje w logice i etykietowaniu, aż do zidentyfikowania skutecznej ścieżki. Ta zdolność do siłowego sprawdzania (brute-force) permutacji logicznych bez „gestu poddania się” pozwoliła sztucznej inteligencji ominąć bariery mentalne, które zatrzymały ludzkich badaczy.

Zaawansowany prompt engineering i architektura wieloagentowa

Sukces Sol Ultra nie był jedynie wynikiem surowej inteligencji, lecz wysoce wyrafinowanego prompt engineeringu. Aby upewnić się, że model nie odpowie domyślnym „nie wiem”, badacze zastosowali szereg rygorystycznych dyrektyw:

• Wymuszone założenie: Prompt zmuszał model do założenia, że kompletny dowód istnieje, co zapobiegało stwierdzeniu, że hipoteza pozostaje nierozwiązana.
• Izolacja informacji: Modelowi zabroniono przeszukiwania internetu w celu zweryfikowania, czy problem nie został już rozwiązany.
• Wieloagentowe testowanie kontradyktoryjne: Wykorzystano system 64 agentów. Wielu z nich trzymano „w nieświadomości” co do tego, które podejście logiczne działa, aby zapewnić niezależne rozumowanie, podczas gdy agenci kontradyktoryjni badali potencjalne dowody pod kątem konkretnych błędów, takich jak błędnie zidentyfikowane ścieżki zamknięte.

Debata nad kreatywnością AI i cytowaniem

Przełom ten rozpalił na nowo debatę na temat tego, czy modele LLM są naprawdę „kreatywne”, czy są jedynie wyrafinowanymi rekombinatorami istniejącej wiedzy. Bloom zauważył, że główne idee dowodu wywodzą się z pracy Bermonda, Jacksona i Jaegera z 1983 roku. Skrytykował OpenAI za brak przywołania tej wcześniejszej pracy, zauważając, że generowane przez AI artykuły często wykorzystują istniejące strategie bez odpowiedniego przypisania autorstwa.

Choć społeczność naukowa wciąż czeka na pełną weryfikację matematyczną, wydarzenie to sygnalizuje zmianę w krajobrazie AI. Wielkoskalowe modele AI są coraz częściej wdrażane do rozwiązywania otwartych problemów naukowych, potencjalnie odkrywając rozwiązania, które od samego początku były w zasięgu ludzkich możliwości.

Kluczowe wnioski

• Wytrwałość ponad złożoność: AI rozwiązała długotrwały problem nie poprzez wynalezienie nowej matematyki, lecz poprzez zastosowanie istniejących teorii z poziomem niezmordowanej wariacji logicznej, którego brakuje ludziom.
• Rygorystyczne ograniczenia napędzają wyniki: Zastosowanie „kontradyktoryjnego” promptowania i zakaz przeszukiwania internetu zmusiły model do znalezienia rozwiązania, zamiast udzielenia standardowej odpowiedzi „nierozwiązane”.
• Wyzwanie związane z przypisaniem autorstwa: Incydent ten podkreśla rosnącą obawę w badaniach nad AI dotyczącą braku odpowiedniego cytowania, gdy modele łączą w nowe konfiguracje istniejącą literaturę naukową.