När AI slutade hjälpa vetenskapen och började bedriva den

Något har hänt som förtjänar större uppmärksamhet än det hittills fått.

Den 6 oktober publicerade OpenAI 722 matematiska manuskript i ett offentligt GitHub-arkiv. Manuskripten skapades av en intern modell i teknikens framkant som inte har släppts och saknar ett namn som allmänheten känner till. Resultaten spänner över 17 matematiska områden och är indelade i 372 olika familjer. Vissa av påståendena skulle, om de verifieras, innebära verkliga framsteg inom problem som varit olösta i årtionden.

Den omedelbara reaktionen delades i två läger, som den alltid gör. Det ena sa att detta är enastående och omvälvande. Det andra sa: ta det lugnt; inget av detta har sakkunniggranskats, och vi vet inte om något av det stämmer.

Båda reaktionerna är riktiga, men båda förbiser också den viktigare frågan: stämmer resultaten, och vem verifierar det?

Två frågor. Bara en har fått svar.

Låt mig skilja på två saker som medierapporteringen har klumpat ihop, men som förtjänar att analyseras var för sig eftersom de får helt olika följder.

Den första frågan: stämmer de här matematiska resultaten? Det är en fråga för matematiker, och det kommer att ta månader att besvara den. Omkring en femtedel av de 722 manuskripten har Lean-bevis, det vill säga formella bevis som har kontrollerats av en maskin. De återstående cirka 580 saknar sådana bevis, och OpenAI medger själv i arkivets README-fil att vissa resultat som inte har formaliserats kan innehålla problem. Den matematiska gemenskapen kommer att gå igenom detta noggrant. Vissa resultat kommer att hålla. Andra gör det sannolikt inte. Den processen är avgörande, men den har ännu inte ägt rum.

Den andra frågan är en annan: vad innebär det att en AI-modell producerade 722 matematiska manuskript inom 17 områden, med en beräkningsinsats motsvarande ungefär tre timmars tänkande per resultat?

Ett AI-system fungerade som en verklig motor för matematiska upptäckter: det ställde upp omkring 4 000 problem åt sig självt och producerade nytt matematiskt arbete inom talteori, geometri, teoretisk datavetenskap, matematisk fysik och logik. Frågan om verifiering är viktig för matematikstudiet, men bedriften och förmågan har betydelse för allt annat.

Modellen som ingen kan använda

Det jag tycker är mest slående är inte de 722 artiklarna, utan modellen som producerade dem och som fortfarande saknar namn och tilldelat API. Den är inte tillgänglig för någon kund, någon forskare utanför OpenAI eller något företag som vill bygga vidare på den. OpenAI publicerade resultaten från en förmåga som marknaden ännu inte har sett och inte heller kan få tillgång till.

Ur ett investeringsperspektiv är det en mycket tydlig signal. Företaget har visat upp en förmåga i teknikens absoluta framkant, som per definition ligger före vad marknaden har prissatt. Med den här bedriften ökade avståndet mellan vad OpenAIs interna modeller kan göra och vad marknaden förstår att de kan göra.

Men det gapet förblir inte stort för alltid. Det krymper när modellen släpps, när konkurrenterna kommer i kapp eller när resultaten ligger till grund för nya riktmärken som alla börjar optimera mot. Men just nu, i oktober 2026, finns det en dokumenterad offentlig demonstration av en matematisk förmåga hos ett AI-system som ingen utanför företaget kan använda eller utvärdera fullt ut.

Vad detta förändrar i investeringstesen

I Investing in Revolutions beskriver jag konvergens­effekten som principen att när omvälvande tekniker kombineras blir resultatet inte additivt utan multiplikativt. Två plus två blir inte fyra. Kombinationen skapar något som ingen av teknikerna hade kunnat åstadkomma på egen hand.

I två år har jag skrivit om AI i kombination med vetenskapliga upptäckter som ett framåtblickande investeringstema. Tidsramarna för läkemedelsupptäckt krymper från år till veckor med hybrid AI och kvantberäkning. Materialvetenskapen går framåt med hjälp av AI-genererade molekylsimuleringar. Kryptografin omformas genom AI-stödd analys av matematiska grunder.

Det var prognoser som byggde på tidiga signaler. Den här veckan blev en av dem verklighet.

Att en AI-modell gör verkliga matematiska upptäckter på nivån 722 manuskript inom 17 områden innebär en helt annan relation mellan AI och vetenskaplig kunskap än den vi hittills har utgått från. De områden där detta spelar störst roll är precis de som jag har följt. Talteorin utgör den matematiska grunden för kryptografin, som i sin tur ligger till grund för alla blockkedjesystem och säkra kommunikationsprotokoll. Den matematiska fysiken ligger till grund för materialvetenskap och kvantdatorhårdvara. Teoretisk datavetenskap är ryggraden i algoritmutvecklingen. Framsteg inom vart och ett av dessa områden får följder längre fram i utvecklingskedjan och påverkar produkter, företag och hela branscher.

När AI kan föra de här områdena framåt snabbare än forskare som arbetar ensamma, sprids följdverkningarna snabbare genom utvecklingskedjan. Investerarnas frågor är vad som kommer att accelerera, vilka drivkrafter som sätter fart på utvecklingen, hur snabbt den går och vilka aktörer som är positionerade för att dra nytta av accelerationen.

Verifieringsekonomin som ännu inte finns

Det finns en konkret investeringsmässig följd av den här utvecklingen som jag inte har sett någon annan sätta tydliga ord på.

162 av de 722 manuskripten har Lean-bevis som har verifierats maskinellt. Det gäller inte de övriga. OpenAI förlitade sig på en rådgivande grupp vid Institute for Advanced Study för inledande tillsyn. Gruppen beskrev lanseringen som ett första steg som inleder, snarare än slutför, arbetet med att införliva resultaten i den matematiska kunskapsmängden.

I praktiken innebär det att vi nu lever i en värld där AI-system kan ta fram matematiska och vetenskapliga påståenden snabbare än den befintliga mänskliga infrastrukturen kan verifiera dem. Klyftan mellan framtagning och verifiering är inget tillfälligt problem. Den växer i takt med systemens förmåga. Varje förbättring av AI:s förmåga att ta fram vetenskapliga resultat vidgar verifieringsklyftan, om inget byggs för att minska den.

Det som behövs är en ny typ av infrastruktur: verktyg för formell verifiering, AI-assisterad beviskontroll och automatiserade processer för att pröva matematiska påståenden mot kända resultat och internt konsistenta ramverk. Bevisningssystemet Lean är en början, men det omfattar 22 % av den här utgåvan och utformades inte för den volym som väntar.

Ekonomin kring verifiering av AI-genererad vetenskap kommer att bli betydande, men den existerar knappt i dag. Företagen som bygger upp den kommer att skapa något som verkligen behövs, snarare än bara är användbart – den mest hållbara sortens infrastruktur att bygga.

Gränsen som har flyttats i 80 år

När datorer för första gången utförde numeriska beräkningar snabbare än människor avfärdade de flesta matematiker det som beräkning snarare än matematik. Maskiner kunde räkna. De kunde inte upptäcka nya resultat. Där gick gränsen.

Sedan dess har gränsen flyttats gång på gång. Datorstödda bevis för viktiga resultat, som fyrfärgssatsen, väckte kontroverser på 1980- och 1990-talen eftersom människor inte kunde kontrollera beviset fullt ut. Automatiserade satsbevisare utvecklades under 2000- och 2010-talen. Varje gång gränsen flyttades dök samma argument upp: det här är inte riktig matematik, det är bara beräkningar.

Gränsen flyttades igen, mer märkbart än på många år och på ett sätt som är svårare att avfärda, eftersom resultaten finns i ett offentligt GitHub-arkiv som vem som helst kan granska.

Jag hävdar inte att alla 722 resultat kommer att hålla för granskning. Jag hävdar att förmågan som visats genom att ta fram dem innebär en verklig och bestående förändring av vad AI kan åstadkomma inom vetenskapliga områden.

Vändpunkten för investerare

I Investing in Revolutions hävdar jag att de största investeringsmöjligheterna uppstår vid vändpunkter, när omvälvande teknik passerar en tröskel som i grunden förändrar vad som blir möjligt. Det här är ett sådant ögonblick.

AI:s växande förmåga att generera originella vetenskapliga upptäckter signalerar en förändring av hur innovation går till och var värde kommer att skapas. Konsekvenserna sträcker sig bortom AI-utvecklare och omfattar läkemedelsutveckling, avancerade material, energi, kryptografi och industriell forskning och utveckling, där snabbare forskning kan korta utvecklingstiderna, sänka kostnaderna och öppna helt nya marknader.

För investerare handlar möjligheten om att se den här vändpunkten innan dess kommersiella konsekvenser blir uppenbara. Det innebär att identifiera den infrastruktur som behövs för att validera AI-genererade upptäckter och de företag som har bäst förutsättningar att omvandla upptäckterna till egenutvecklad teknik, skalbara verksamheter och varaktiga konkurrensfördelar.

De enskilda rönen behöver fortfarande verifieras, men den övergripande signalen är tydlig: AI går från att bistå vid vetenskapliga upptäckter till att potentiellt driva dem. De investerare som förstår betydelsen av den här förändringen och var dess effekter möts kommer att ha bäst förutsättningar att ta till vara på det värde den skapar.