Da AI holdt op med at hjælpe videnskaben og begyndte selv at bedrive den

Der er sket noget, som fortjener mere opmærksomhed, end det får.

Den 6. oktober offentliggjorde OpenAI 722 matematiske manuskripter i et offentligt GitHub-arkiv. Manuskripterne blev udarbejdet af en intern model på forskningsfronten, som endnu ikke er blevet frigivet, og som offentligheden ikke kender noget navn på. Resultaterne dækker 17 matematikområder og er organiseret i 372 særskilte familier. Nogle af påstandene ville, hvis de bliver bekræftet, udgøre reelle fremskridt inden for problemer, der har været uløste i årtier.

Den umiddelbare reaktion delte sig i to lejre, som den altid gør. Den ene sagde, at det her er ekstraordinært og banebrydende. Den anden sagde: Tag det roligt; intet af det er fagfællebedømt, og vi ved ikke, om noget af det er korrekt.

Begge reaktioner er berettigede, men de overser også begge det vigtigere spørgsmål: Er resultaterne korrekte, og hvem efterprøver det?

To spørgsmål. Kun det ene har fået svar.

Lad mig skille to ting ad, som mediedækningen har slået sammen, men som fortjener nærmere analyse, fordi de har vidt forskellige konsekvenser.

Det første spørgsmål er, om disse matematiske resultater er korrekte. Det spørgsmål må matematikerne besvare, og det vil tage måneder. Omkring en femtedel af de 722 manuskripter indeholder Lean-beviser, det vil sige formelle beviser, der er kontrolleret af en maskine. De resterende cirka 580 gør ikke, og OpenAI erkender selv i arkivets README-fil, at der kan være problemer med nogle af de resultater, der ikke er blevet formaliseret. Matematikmiljøet vil gennemgå materialet grundigt. Nogle resultater vil holde. Andre vil sandsynligvis ikke. Den proces er afgørende, og den er endnu ikke gået i gang.

Det andet spørgsmål er et andet: Hvad betyder det, at en AI-model har udarbejdet 722 matematiske manuskripter inden for 17 områder ved hjælp af en beregningskraft svarende til omkring tre timers tænkning pr. resultat?

Et AI-system fungerede som en egentlig motor for matematisk opdagelse: Det stillede sig selv omkring 4.000 problemer og udarbejdede nyt matematisk arbejde inden for talteori, geometri, teoretisk datalogi, matematisk fysik og logik. Spørgsmålet om efterprøvning er vigtigt for matematikken, men selve bedriften og systemets kapacitet har betydning for alt andet.

Modellen, ingen kan bruge

Det, jeg finder mest slående, er ikke de 722 artikler, men modellen, der udarbejdede dem. Den er stadig navnløs og har ikke fået tildelt en API. Den er ikke tilgængelig for nogen kunder, forskere uden for OpenAI eller virksomheder, der forsøger at bygge videre på den. OpenAI har offentliggjort resultaterne af en kapacitet, som markedet endnu ikke har set og endnu ikke har adgang til.

Set med investorøjne er det et meget konkret signal. Virksomheden har demonstreret en kapacitet på forskningsfronten, som per definition ligger foran det, markedet har indregnet i priserne. Med denne bedrift er afstanden vokset mellem, hvad OpenAIs interne modeller kan, og hvad markedet forstår, at modellerne kan.

Men den afstand forbliver ikke stor for evigt. Den mindskes, når modellen bliver frigivet, når konkurrenterne indhenter forspringet, eller når resultaterne danner grundlag for nye benchmarks, som alle begynder at optimere efter. Men lige nu, i oktober 2026, foreligger der en dokumenteret, offentlig demonstration af en matematisk kapacitet i et AI-system, som ingen uden for virksomheden kan bruge eller vurdere til fulde.

Hvad det ændrer ved investeringstesen

I Investing in Revolutions beskriver jeg konvergens-effekten som princippet om, at når transformative teknologier kombineres, bliver resultatet ikke summen, men produktet af dem. To plus to giver ikke fire. Kombinationen skaber noget, ingen af teknologierne kunne frembringe alene.

I to år har jeg skrevet om AI kombineret med videnskabelige opdagelser som et fremadskuende investeringstema. Om hvordan tidsforløbet for lægemiddelopdagelse kan skrumpe fra år til uger med hybrid AI og kvantecomputere. Om hvordan materialevidenskaben kan udvikle sig gennem AI-genererede molekylære simuleringer. Og om hvordan kryptografien kan forandres gennem AI-assisteret analyse af matematikkens grundlag.

Det var forudsigelser baseret på tidlige tegn. I denne uge blev én af dem til virkelighed.

Når en AI-model bedriver egentlig matematisk opdagelse i form af 722 manuskripter inden for 17 områder, er forholdet mellem AI og videnskabelig viden grundlæggende anderledes end det, vi hidtil har kendt. De områder, hvor det betyder mest, er netop dem, jeg har fulgt. Talteori er matematikkens grundlag for kryptografi, som igen er grundlaget for alle blockchain-systemer og sikre kommunikationsprotokoller. Matematisk fysik ligger til grund for materialevidenskab og hardware til kvantecomputere. Teoretisk datalogi er rygraden i udviklingen af algoritmer. Fremskridt inden for hvert af disse områder forplanter sig videre til produkter, virksomheder og hele brancher.

Når AI kan bringe disse områder hurtigere fremad end menneskelige forskere, der arbejder alene, går den videre udvikling hurtigere. Investorernes spørgsmål er, hvad der vil blive sat fart på, hvad drivkræfterne er, hvor hurtigt det vil gå, og hvem der er placeret, så de kan drage fordel af accelerationen.

Den økonomi for efterprøvning, som endnu ikke findes

Der er en helt konkret investeringsmæssig konsekvens af denne historie, som jeg ikke har set nogen formulere klart.

162 af de 722 manuskripter har Lean-beviser, der er maskinkontrolleret. Det har de øvrige ikke. OpenAI benyttede en rådgivende gruppe ved Institute for Advanced Study til at føre det indledende tilsyn. Gruppen beskrev udgivelsen som et første skridt, der sætter arbejdet med at indarbejde resultaterne i den matematiske viden i gang, men ikke fuldfører det.

I praksis betyder det, at vi nu befinder os i en verden, hvor AI-systemer kan fremsætte matematiske og videnskabelige påstande hurtigere, end den eksisterende menneskelige infrastruktur kan verificere dem. Kløften mellem produktion og verifikation er ikke et midlertidigt problem. Den vokser i takt med systemernes kapacitet. Hver forbedring af AI’s evne til at frembringe videnskabelige resultater gør verifikationskløften større, medmindre der udvikles noget, der kan lukke den.

Det kræver en ny kategori af infrastruktur: formelle verifikationsværktøjer, AI-assisteret kontrol af beviser og automatiserede arbejdsgange, der tester matematiske påstande op mod kendte resultater og internt konsistente rammer. Bevissystemet Lean er en begyndelse, men det dækker 22 % af denne udgivelse og er ikke udviklet til den mængde, der er på vej.

Verifikationsøkonomien for AI-genereret videnskab bliver betydelig, men findes næsten ikke i dag. De virksomheder, der opbygger den, vil skabe noget, der er reelt nødvendigt og ikke blot nyttigt — og det er den mest holdbare type infrastruktur at opbygge.

Den grænse, der har flyttet sig gennem 80 år

Da computere første gang udførte numeriske beregninger hurtigere end mennesker, afviste de fleste matematikere det som beregning snarere end matematik. Maskiner kunne regne. De kunne ikke opdage noget. Det var grænsen.

Grænsen har flyttet sig lige siden. Computerassisterede beviser for store resultater som firefarvesætningen skabte kontrovers i 1980’erne og 1990’erne, fordi et menneske ikke kunne kontrollere beviset fuldstændigt. Automatiske bevissystemer udviklede sig gennem 2000’erne og 2010’erne. Hver gang grænsen flyttede sig, dukkede det samme argument op: Det her er ikke rigtig matematik; det er bare beregning.

Grænsen har flyttet sig igen, mere synligt end i mange år og på en måde, der er sværere at afvise, fordi resultaterne ligger i et offentligt GitHub-arkiv, som alle kan undersøge.

Jeg påstår ikke, at alle 722 resultater vil holde til nærmere granskning. Jeg hævder, at den evne, der blev demonstreret ved frembringelsen af dem, udgør et reelt og varigt skifte i, hvad AI kan udrette inden for videnskabelige fagområder.

Vendepunktet for investorer

I Investing in Revolutions argumenterer jeg for, at de største investeringsmuligheder opstår ved vendepunkter, hvor banebrydende teknologier passerer en tærskel, der grundlæggende ændrer, hvad der bliver muligt. Dette er et af de øjeblikke.

AI’s voksende evne til at skabe originale videnskabelige opdagelser varsler et skifte i, hvordan innovation finder sted, og hvor værdien vil blive skabt. Konsekvenserne rækker ud over AI-udviklere og omfatter lægemiddeludvikling, avancerede materialer, energi, kryptografi og industriel forskning og udvikling, hvor hurtigere forskning kan forkorte udviklingsforløb, sænke omkostningerne og åbne helt nye markeder.

For investorer består muligheden i at få øje på dette vendepunkt, før de kommercielle konsekvenser bliver tydelige. Det betyder, at man skal identificere den infrastruktur, der er nødvendig for at validere AI-genererede opdagelser, og de virksomheder, der er bedst rustet til at omsætte opdagelserne til proprietære teknologier, skalerbare virksomheder og varige konkurrencefordele.

De enkelte resultater skal stadig verificeres, men det overordnede signal er tydeligt: AI bevæger sig fra at bistå videnskabelige opdagelser til potentielt selv at drive dem frem. De investorer, der forstår betydningen af dette skifte, og hvor dets virkninger vil samle sig, vil være bedst positioneret til at indfange den værdi, det skaber.