Περίληψη

Η OpenAI ανακοίνωσε ότι ένα νέο εσωτερικό reasoning model κατάφερε να διαψεύσει μια γνωστή μαθηματική υπόθεση που σχετιζόταν με το πρόβλημα unit distance του Erdős από το 1946. Σύμφωνα με την εταιρεία, πρόκειται για μία από τις πρώτες περιπτώσεις όπου ένα γενικού σκοπού AI σύστημα παράγει αυθεντική μαθηματική ανακάλυψη και όχι απλώς αναζήτηση υπάρχουσας βιβλιογραφίας.

Κύρια σημεία

• Το AI ασχολήθηκε με το περίφημο “unit distance problem” του Erdős από το 1946
• Η θεωρία που κυριαρχούσε επί 80 χρόνια βασιζονταν σε grid-based προσέγγιση
• Η νέα απόδειξη χρησιμοποίησε algebraic number theory αντί για τις κλασικές μεθόδους
• Το αποτέλεσμα επιβεβαιώθηκε από κορυφαίους μαθηματικούς όπως οι Tim Gowers, Noga Alon και Thomas Bloom
• Η OpenAI τονίζει ότι το μοντέλο ήταν γενικού σκοπού και όχι εξειδικευμένο μαθηματικό σύστημα τύπου AlphaProof
• Το 2025 η εταιρεία είχε δεχθεί κριτική επειδή ισχυρίστηκε λανθασμένα ότι GPT-5 είχε λύσει 10 προβλήματα Erdős ενώ απλώς είχε βρει υπάρχουσα βιβλιογραφία
• Η OpenAI θεωρεί ότι αυτό είναι πρόδρομος για AI που θα παράγει νέες ανακαλύψεις σε φυσική, βιολογία και engineering
• Παράλληλα, η Google προωθεί το AI Co-Scientist για παραγωγή ερευνητικών hypotheses σε βιολογικά εργαστήρια
• Το σύστημα της Google χρησιμοποιεί “tournaments of ideas”, όπου agents ανταγωνίζονται και βελτιώνουν hypotheses μεταξύ τους
• Η Emergence AI δημοσίευσε πείραμα “AI towns”, όπου διαφορετικά μοντέλα AI διαχειρίζονταν εικονικές κοινωνίες με εντελώς διαφορετικά αποτελέσματα συμπεριφοράς

Sentiment δείκτης

Πολύ θετικό αλλά και “επιστημονικά σοκαρισμένο”
→ Το newsletter παρουσιάζει την εξέλιξη ως πιθανό turning point για AI systems που δεν αναλύουν απλώς δεδομένα αλλά παράγουν νέα γνώση.

Αναλυτική περίληψη

Το βασικό θέμα αφορά την ανακοίνωση της OpenAI ότι ένα νέο reasoning model κατάφερε να ανατρέψει μια μαθηματική υπόθεση σχετική με το unit distance problem του Paul Erdős, το οποίο απασχολεί τη μαθηματική κοινότητα από το 1946.

Το πρόβλημα αφορά το πόσες ίσες αποστάσεις μπορούν να δημιουργηθούν μεταξύ σημείων στο επίπεδο. Για δεκαετίες, η κυρίαρχη προσέγγιση στηριζόταν σε grid-based θεωρία. Σύμφωνα με την OpenAI, το AI βρήκε νέα λύση χρησιμοποιώντας algebraic number theory — δηλαδή εντελώς διαφορετικό κλάδο μαθηματικών.

Η εταιρεία υποστηρίζει ότι:

• η λύση ήταν αυθεντική,
• δεν προήλθε από retrieval υπάρχουσας γνώσης,
• και ελέγχθηκε από γνωστούς μαθηματικούς.

Το σημαντικότερο στοιχείο είναι ότι το μοντέλο:

• δεν ήταν ειδικά σχεδιασμένο για μαθηματικά,
• αλλά general reasoning model.

Η OpenAI θεωρεί ότι αυτό αποτελεί πρώιμο δείγμα “Level 4 AI”, δηλαδή AI που:

• δεν απαντά μόνο ερωτήσεις,
• αλλά δημιουργεί νέα επιστημονική γνώση.

Το newsletter συνδέει αυτή την εξέλιξη με broader trend όπου:

• AI agents,
• reasoning systems,
• και autonomous research pipelines
  μετατρέπονται σε “co-scientists”.

Παρουσιάζεται επίσης το νέο Google DeepMind Co-Scientist:

• agents παράγουν hypotheses,
• αλληλοκριτικάρονται,
• βελτιώνουν ιδέες,
• και προτείνουν πειράματα για πραγματικά biology labs.

Σε μία περίπτωση στο Stanford:

• AI-generated drug hypothesis μείωσε fibrosis-related signal κατά 91%.

Το newsletter αναφέρει επίσης το “AI alignment showdown” της Emergence AI:

• διαφορετικά μοντέλα τοποθετήθηκαν σε εικονικές κοινωνίες,
• με Claude να παράγει σταθερή κοινωνία χωρίς εγκλήματα,
• ενώ Gemini και Grok κατέληξαν σε χάος, εγκληματικότητα και “κοινωνική κατάρρευση”.

Συνολικά, το άρθρο δείχνει ότι το AI:

• μετακινείται από “εργαλείο παραγωγικότητας”
• σε “εργαλείο ανακάλυψης και επιστήμης”.

Η βασική ιδέα του newsletter είναι ότι:

αν σήμερα ένα AI μπορεί να αμφισβητήσει μαθηματικές θεωρίες 80 ετών,
τότε τα επόμενα χρόνια μπορεί να αρχίσουμε να βλέπουμε AI-generated breakthroughs σε φυσική, φάρμακα, βιολογία και engineering.