Da KI sluttet å bistå vitenskapen og begynte å drive den

Noe har skjedd som fortjener mer oppmerksomhet enn det får.

6. oktober publiserte OpenAI 722 matematiske manuskripter i et offentlig GitHub-arkiv. Manuskriptene ble produsert av en intern, avansert modell som ikke er lansert, og som offentligheten ikke kjenner navnet på. Resultatene spenner over 17 matematiske fagområder og er organisert i 372 ulike familier. Hvis noen av påstandene blir bekreftet, vil de utgjøre reelle fremskritt innenfor problemer som har vært uløst i flere tiår.

Den umiddelbare reaksjonen delte seg i to leirer, slik den alltid gjør. Den ene mente at dette er ekstraordinært og omveltende. Den andre sa: Ta det med ro; ingenting av dette er fagfellevurdert, og vi vet ikke om noe av det stemmer.

Begge reaksjonene har rett, men begge overser også det viktigere spørsmålet: Stemmer resultatene, og hvem kontrollerer det?

To spørsmål. Bare ett har fått svar.

La meg skille mellom to ting som mediedekningen har slått sammen, men som fortjener nærmere analyse fordi de har helt ulike konsekvenser.

Det første spørsmålet er om disse matematiske resultatene stemmer. Det er et spørsmål for matematikere, og det vil ta måneder å besvare. Omtrent en femtedel av de 722 manuskriptene har Lean-bevis, det vil si formelle bevis som er maskinverifisert. De resterende rundt 580 har ikke det, og OpenAI erkjenner selv i README-filen i arkivet at det kan være problemer med noen av resultatene som ikke er formalisert. Det matematiske fagmiljøet vil gå grundig gjennom dette. Noen resultater vil holde mål. Noen vil sannsynligvis ikke gjøre det. Denne prosessen er helt nødvendig, og den har ennå ikke funnet sted.

Det andre spørsmålet er et annet: Hva betyr det at en KI-modell produserte 722 matematiske manuskripter på 17 fagområder, med en beregningsmessig innsats tilsvarende omtrent tre timers tenkning per resultat?

Et KI-system fungerte som en reell motor for matematiske oppdagelser: Det stilte seg selv omtrent 4 000 problemer og produserte nytt matematisk arbeid innen tallteori, geometri, teoretisk informatikk, matematisk fysikk og logikk. Spørsmålet om verifisering er viktig for matematikkfaget, men prestasjonen og kapasiteten har betydning for alt annet.

Modellen ingen kan bruke

Det jeg synes er mest slående, er ikke de 722 artiklene, men modellen som produserte dem. Den er fortsatt navnløs og har ikke fått tilordnet noe API. Den er ikke tilgjengelig for noen kunder, noen forskere utenfor OpenAI eller noen selskaper som prøver å bygge videre på den. OpenAI har publisert resultatene fra en kapasitet som markedet ennå ikke har sett, og som det ennå ikke har tilgang til.

Sett fra et investeringsperspektiv er dette et svært konkret signal. Selskapet har vist frem en kapasitet helt i forskningsfronten, som per definisjon ligger foran det markedet har priset inn. Med denne prestasjonen har avstanden økt mellom det OpenAIs interne modeller kan gjøre, og det markedet forstår at modellene kan gjøre.

Dette gapet holder seg imidlertid ikke stort for alltid. Det blir mindre når modellen lanseres, når konkurrentene tar igjen forspranget, eller når resultatene danner grunnlag for nye referansetester som alle begynner å optimalisere mot. Men akkurat nå, i oktober 2026, finnes det en dokumentert, offentlig demonstrasjon av en matematisk kapasitet i et KI-system som ingen utenfor selskapet kan bruke eller fullt ut evaluere.

Hva dette endrer ved investeringsgrunnlaget

I Investing in Revolutions beskriver jeg konvergens­effekten som prinsippet om at når omveltende teknologier kombineres, blir resultatet ikke summen, men produktet av dem. To pluss to blir ikke fire. Det skaper noe ingen av teknologiene kunne ha frembrakt alene.

I to år har jeg skrevet om KI kombinert med vitenskapelige oppdagelser som et fremtidsrettet investeringstema. Tidslinjer for legemiddelutvikling som krymper fra år til uker ved hjelp av hybrid KI og kvantedatabehandling. Materialvitenskap som gjør fremskritt gjennom KI-genererte molekylsimuleringer. Kryptografi som omformes gjennom KI-assistert analyse av matematiske grunnlag.

Dette var spådommer basert på tidlige signaler. Denne uken ble én av dem virkelighet.

At en KI-modell driver med reelle matematiske oppdagelser og produserer 722 manuskripter på 17 fagområder, innebærer et fundamentalt annerledes forhold mellom KI og vitenskapelig kunnskap enn det vi har lagt til grunn til nå. Fagområdene der dette betyr mest, er nettopp dem jeg har fulgt med på. Tallteori er det matematiske grunnlaget for kryptografi, som igjen ligger til grunn for alle blokkjedesystemer og sikre kommunikasjonsprotokoller. Matematisk fysikk ligger til grunn for materialvitenskap og maskinvare for kvantedatabehandling. Teoretisk informatikk er ryggraden i algoritmeutvikling. Fremskritt på et hvilket som helst av disse områdene forplanter seg videre til produkter, selskaper og hele bransjer.

Når KI kan drive utviklingen på disse områdene raskere enn forskere som arbeider alene, går ringvirkningene raskere. Spørsmålet for investorer er hva som kommer til å akselerere, hva som vil drive akselerasjonen, hvor raskt det vil skje, og hvem som er posisjonert der denne utviklingen slår inn.

Verifiseringsøkonomien som ennå ikke finnes

Det finnes en konkret investeringsmessig konsekvens av denne historien som jeg ikke har sett noen beskrive tydelig.

162 av de 722 manuskriptene har Lean-bevis som er maskinkontrollert. Det har ikke de øvrige. OpenAI fikk en rådgivende gruppe ved Institute for Advanced Study til å føre det innledende tilsynet. Gruppen beskrev publiseringen som et første skritt som innleder, men ikke fullfører, arbeidet med å innlemme resultatene i matematisk kunnskap.

I praksis betyr det at vi nå lever i en verden der KI-systemer kan produsere matematiske og vitenskapelige påstander raskere enn infrastrukturen mennesker har i dag, kan verifisere dem. Dette gapet mellom produksjon og verifikasjon er ikke et midlertidig problem. Det vokser i takt med systemenes kapasitet. Hver forbedring i KIs evne til å produsere vitenskapelige resultater øker verifikasjonsgapet, med mindre det bygges noe som kan lukke det.

Det som skal til, er en ny type infrastruktur: verktøy for formell verifikasjon, KI-assistert beviskontroll og automatiserte arbeidsflyter for å teste matematiske påstander mot kjente resultater og internt konsistente rammeverk. Bevisverifiseringssystemet Lean er en begynnelse, men det dekker 22 % av denne publiseringen og er ikke utformet for omfanget som er i vente.

Verifikasjonsøkonomien for KI-generert vitenskap kommer til å bli betydelig, men finnes knapt i dag. Selskapene som bygger den, vil gjøre noe som er helt nødvendig, ikke bare nyttig – og det er den mest varige typen infrastruktur å bygge.

Grensen som har flyttet seg i 80 år

Da datamaskiner for første gang utførte numeriske beregninger raskere enn mennesker, avfeide de fleste matematikere dette som beregning, ikke matematikk. Maskiner kunne regne ut. De kunne ikke oppdage noe nytt. Det var grensen.

Grensen har flyttet seg helt siden. Datamaskinassisterte bevis for store resultater, som firfargeteoremet, skapte debatt på 1980- og 1990-tallet fordi mennesker ikke kunne kontrollere hele beviset. Automatiske teorembevisere gjorde fremskritt gjennom 2000- og 2010-tallet. Hver gang grensen flyttet seg, dukket det samme argumentet opp: Dette er ikke ekte matematikk, det er bare beregning.

Grensen flyttet seg igjen, mer synlig enn på mange år og på en måte som er vanskeligere å avfeie, fordi resultatene ligger i et offentlig GitHub-repositorium som alle kan undersøke.

Jeg hevder ikke at alle de 722 resultatene vil tåle granskning. Jeg hevder at evnen som ble demonstrert ved å produsere dem, innebærer en reell og varig endring i hva KI kan gjøre innen vitenskapelige fagområder.

Vendepunktet for investorer

I Investing in Revolutions argumenterer jeg for at de største investeringsmulighetene oppstår ved vendepunkter, når banebrytende teknologier passerer en terskel som grunnleggende endrer hva som blir mulig. Dette er et slikt øyeblikk.

KIs voksende evne til å gjøre originale vitenskapelige oppdagelser varsler en endring i hvordan innovasjon skjer, og hvor verdiene vil bli skapt. Konsekvensene strekker seg utover KI-utviklere og omfatter legemiddelutvikling, avanserte materialer, energi, kryptografi og industriell forskning og utvikling, der raskere forskning kan forkorte utviklingstiden, redusere kostnadene og åpne helt nye markeder.

For investorer ligger muligheten i å oppdage dette vendepunktet før de kommersielle konsekvensene blir åpenbare. Det innebærer å identifisere infrastrukturen som trengs for å validere KI-genererte oppdagelser, og selskapene som er best posisjonert til å omsette disse oppdagelsene til egenutviklet teknologi, skalerbare virksomheter og varige konkurransefortrinn.

De enkelte funnene må fortsatt verifiseres, men det overordnede signalet er tydelig: KI er i ferd med å gå fra å bistå vitenskapelig oppdagelse til potensielt å drive den. Investorene som forstår betydningen av denne endringen, og hvor virkningene vil samle seg, vil være best posisjonert til å hente ut verdiene den skaper.