OpenAI publiceert 722 wiskundige manuscripten van intern AI-model

TL;DR

• Wat: OpenAI heeft 722 wiskundige manuscripten gepubliceerd, geproduceerd door een intern AI-model dat nog niet publiek beschikbaar is.
• Waarom relevant: als AI zelfstandig complexe wiskundige problemen kan oplossen, verandert dat op termijn hoe bedrijven optimalisatie-, logistiek- en datavraagstukken aanpakken.
• Wat je ermee kunt: volg hoe deze rekencapaciteiten beschikbaar komen in commerciële AI-tools — dat bepaalt wat je straks kunt uitbesteden aan AI.

Ik viel over dit bericht van OpenAI omdat het een opvallend nieuw hoofdstuk opent in wat AI-modellen kunnen. Het bedrijf heeft honderden wiskundige resultaten gepubliceerd die door een intern model zijn geproduceerd — en de wiskundige wereld reageert verdeeld. Dat maakt het voor mij als ondernemer interessant: niet om de wiskunde zelf, maar om wat het zegt over waar AI naartoe beweegt.

Wat heeft OpenAI precies gedaan?

OpenAI heeft op GitHub 722 wiskundige manuscripten gepubliceerd, georganiseerd in 372 'families' van verwante resultaten. Die manuscripten zijn geproduceerd door wat het bedrijf omschrijft als een "intern frontier-model" — een AI-model dat niet publiek beschikbaar is. Volgens sommige bronnen gaat het mogelijk om een model met de naam Astra, maar OpenAI heeft die naam niet officieel bevestigd.

Het model kreeg ongeveer 4.000 wiskundige problemen voorgelegd. Per resultaat werd gemiddeld drie uur aan rekentijd besteed — vergelijkbaar met wat een ChatGPT Pro-gebruiker aan denkcapaciteit zou gebruiken. Volgens OpenAI heeft het model meer dan 100 langlopende wiskundige problemen opgelost, verspreid over de meeste deelgebieden van de wiskunde.

Wat mij opvalt: OpenAI claimt ook dat het model oplossingen heeft gevonden voor twee zogeheten Millennium Prize-problemen — de Navier-Stokes-vergelijkingen en het Hodge-vermoeden. Dat zijn problemen waar een beloning van een miljoen dollar per stuk op staat. Ik moet daar wel bij zeggen dat deze claims nog niet onafhankelijk geverifieerd zijn en dat er flinke discussie over is in de wiskundige gemeenschap.

Hoe is de wetenschappelijke wereld reageerd?

Dit is misschien wel het meest opmerkelijke deel van het verhaal. 25 wiskundigen die een Fields-medaille hebben gewonnen — dat is het equivalent van de Nobelprijs voor wiskunde — hebben een open brief ondertekend. Hun bezwaar: AI-labs gebruiken onopgeloste wiskundige problemen als benchmark om elkaar de loef af te steken, zonder de academische normen te respecteren.

De kritiek richt zich op meerdere punten:

Attributie en prioriteit

Wiskundigen beschuldigen OpenAI ervan bestaand onderzoek onvoldoende te vermelden in de manuscripten. Volgens berichtgeving van TechCrunch voelden onderzoekers zich genoodzaakt om hun eigen werk snel te publiceren vóór de aankondiging van OpenAI, om hun intellectuele prioriteit veilig te stellen. Dat geeft een verontrustend beeld van de dynamiek die ontstaat.

Snelheid versus begrip

Een groep wiskundigen publiceerde een brief met de titel "A Severe Misalignment of AI in Mathematics". Hun argument: wiskunde draait niet alleen om antwoorden vinden, maar om het opbouwen van conceptueel begrip. Oplossingen die zonder dat begrip worden geproduceerd, missen volgens hen het fundamentele doel van de discipline.

De rol van de adviesgroep

OpenAI heeft een onafhankelijke adviesgroep geraadpleegd bij het Institute for Advanced Study. Wat ik daar interessant aan vind, is dat OpenAI volgens berichtgeving expliciet heeft uitgesloten dat deze groep adviseert over "het tempo van onze interne vooruitgang". De adviesgroep mag dus meedenken over hóe resultaten worden gepubliceerd, maar niet over óf en wanneer. Dat roept de vraag op hoe onafhankelijk dat advies in de praktijk werkt.

Wat betekent dit voor AI-capaciteiten?

Laat ik even een stap terug doen. Als ondernemer hoef je geen wiskundige te zijn om te begrijpen waarom dit relevant is. Wiskunde is in feite de moeilijkste test voor logisch redeneren. Als een AI-model zelfstandig wiskundige bewijzen kan produceren die — al dan niet na verificatie — standhouden, dan zegt dat iets over het redeneervermogen van dat model.

Stel dat je als ondernemer een complex logistiek probleem hebt, of je wilt patronen vinden in grote datasets, of je zoekt de optimale prijsstrategie voor honderd producten tegelijk. De rekenkracht die nodig is om wiskundige bewijzen te produceren, is dezelfde soort rekenkracht die dit soort bedrijfsvraagstukken kan aanpakken.

Ik denk dat we hier niet direct iets aan hebben als MKB-ondernemer. Het model is niet publiek beschikbaar, en de manuscripten zelf zijn voor specialisten. Maar het signaal is helder: de modellen die wij straks in commerciële tools gebruiken — voor analyse, planning, optimalisatie — worden gebouwd op dezelfde fundamenten.

OpenAI heeft inmiddels 20 miljard dollar aan jaarlijkse terugkerende omzet en richt zich in 2026 nadrukkelijk op wat het "practical adoption" noemt: AI inzetbaar maken voor bedrijven, gezondheidszorg en wetenschap. Het bedrijf heeft een wereldwijd partnernetwerk gelanceerd met de ambitie om 300.000 gecertificeerde AI-consultants op te leiden. Die combinatie — geavanceerde modelcapaciteiten én een commercieel distributieapparaat — is wat dit relevant maakt voor de langere termijn.

De spanning tussen snelheid en zorgvuldigheid

Wat mij in dit hele verhaal het meest bezighoudt, is de spanning die zichtbaar wordt. Aan de ene kant heb je een technologiebedrijf dat snel resultaten wil laten zien — mede gedreven door concurrentie met andere AI-labs. Aan de andere kant heb je een wetenschappelijke gemeenschap die zegt: wacht even, dit moet gecontroleerd worden, dit moet context krijgen, dit moet eerlijk geattribueerd worden.

Die spanning is niet uniek voor de wiskundewereld. Kun je je voorstellen dat dezelfde dynamiek zich afspeelt in jouw sector? Stel dat een AI-model juridische analyses kan produceren, of bouwkundige berekeningen, of financiële modellen. De vraag wie er verantwoordelijk is voor de verificatie — en wie de credits krijgt — wordt dan ook voor ondernemers relevant.

Er is inmiddels ook een onafhankelijke audit verschenen op arXiv, een platform voor wetenschappelijke publicaties, waarin onderzoekers de door AI geproduceerde bewijzen handmatig controleren. De uitkomsten daarvan zijn wat mij betreft cruciaal om te bepalen hoe serieus we deze resultaten moeten nemen.

Een signaal, geen eindpunt

Voor mij is dit vooral een signaal van richting. AI-modellen worden niet alleen beter in tekst schrijven of afbeeldingen maken — ze worden beter in redeneren. Dat is een fundamenteel andere capaciteit, en een die op termijn veel meer bedrijfsprocessen raakt dan de creatieve toepassingen die we nu kennen.

Tegelijkertijd vind ik het eerlijk gezegd verontrustend hoe snel deze resultaten worden gepubliceerd zonder dat de wetenschappelijke gemeenschap de tijd krijgt om ze goed te beoordelen. Als ondernemer weet je: snelheid is fijn, maar zonder kwaliteitscontrole bouw je op drijfzand. Die les geldt voor AI-labs net zo goed als voor ons.