Nieopublikowany model Anthropic zrobił zauważalny postęp w hipotezie Riemanna, jednym z najsłynniejszych nierozwiązanych problemów matematyki. To kolejny sygnał, że AI w matematyce przechodzi od pomocy przy obliczeniach do samodzielnego prowadzenia badań. Model nie udowodnił hipotezy, ale, według doniesień, istotnie podniósł dolną granicę zakresu, dla którego twierdzenie zostało potwierdzone.
Eksperyment opisał 11 sierpnia 2026 serwis TechCrunch. Pracownik Anthropic bez zaawansowanego przygotowania matematycznego poprosił model, by „spróbował na poważnie". System pracował autonomicznie przez około 36 godzin, koordynując 60 podagentów i testując 650 różnych podejść. Zużył w sumie 31 milionów tokenów wyjściowych. Podział pracy był wyraźny: dwa podagenty rozwijały kluczowe idee, 13 dokładało pomysły wspierające, 30 próbowało bez skutku, 13 sprawdzało poprawność argumentów, a dwa pomagały napisać pracę. Wyniki potwierdziło dwoje matematyków zatrudnionych w Anthropic, a dowód sformalizowano w otwartym asystencie dowodowym Lean.
Co to znaczy dla firm w Polsce
Najciekawszy nie jest sam wynik matematyczny, lecz sposób pracy modelu. To przykład architektury wieloagentowej: jeden system dzieli zadanie na dziesiątki wyspecjalizowanych podagentów, które równolegle generują, odrzucają i weryfikują pomysły. Ten sam wzorzec, czyli orkiestracja wielu agentów wokół jednego celu, zaczyna trafiać do narzędzi biznesowych: analizy dokumentów, przeglądów kodu, researchu rynkowego.
Warto jednak zauważyć dwie rzeczy. Po pierwsze, model niczego nie „rozwiązał": podniósł poprzeczkę, a jego wynik i tak sprawdzili ludzie oraz formalne narzędzie dowodowe. Weryfikacja przez człowieka pozostaje częścią procesu, nie dodatkiem. Po drugie, w czerwcu 2026 grupa matematyków podpisała deklarację, w której wyraziła obawę, że AI podważa standard przypisywania autorstwa dowodów konkretnym osobom. W firmie ten problem wraca jako pytanie o odpowiedzialność: kto odpowiada za wynik wygenerowany przez autonomicznego agenta i jak go udokumentować.
Dla zespołów planujących wdrożenia płynie z tego prosty wniosek. Autonomiczne, wieloagentowe AI potrafi realnie przyspieszyć trudne zadania analityczne, ale wartość powstaje dopiero wtedy, gdy wynik przechodzi przez kontrolę i formalną weryfikację. Skala eksperymentu, czyli 36 godzin pracy i 31 milionów tokenów, przypomina też, że taka praca ma swój koszt, który trzeba policzyć przed skalowaniem.
Źródło: TechCrunch (EN), 11 sierpnia 2026.
