Matematycy mówią o „mathocalypse”. Kto zrozumie dowody stworzone przez AI?

Najnowsze systemy sztucznej inteligencji potrafią proponować rozwiązania zagadnień, nad którymi matematycy pracowali latami. Na Massachusetts Institute of Technology rozpoczęła się debata o tym, czy przyspieszenie odkryć oznacza również postęp ludzkiego rozumienia. Uczeni spierają się o sens dowodu, zasady przyznawania autorstwa i przyszłość młodych badaczy. To spór, w którym pytania stawiane od lat przez polskich autorów piszących o nauczaniu matematyki nabierają zupełnie nowego znaczenia.
.W sali wykładowej Massachusetts Institute of Technology spotkali się matematycy reprezentujący cztery amerykańskie uczelnie. Dyskusja „AI and Society: The Future of Math” odbyła się 16 listopada 2026 roku, a szczegółową relację opublikowano cztery dni później. Punktem wyjścia nie było już pytanie, czy komputer potrafi wykonać skomplikowane obliczenia, lecz czy nauka nadąży za produkcją dowodów generowanych przez sztuczną inteligencję. Bryna Kra z Northwestern University oceniła, że ostatnie miesiące przyniosły matematykę na próg zmian, które mogą przekształcić samo znaczenie zawodu matematyka.
W debacie uczestniczyli także Michael Hopkins z Harvard University, Tristan Buckmaster z New York University oraz Jacopo Borga z MIT. Rozmowę prowadził dziennikarz naukowy Kevin Hartnett, a uczelnia przedstawiła jej przebieg w komunikacie MIT News. Uczestników nie łączyła jedna prognoza dotycząca przyszłości, lecz przekonanie, że tradycyjne kryteria uznawania odkrycia za ważne wymagają ponownego przemyślenia. I właśnie w tym kontekście pojawia się głośne słowo „mathocalypse”, określające gwałtowny napływ matematycznych wyników przypisywanych AI.
Mathocalypse zaczęło się od wyścigu po dowody
Latem 2025 roku systemy Google DeepMind osiągnęły wynik odpowiadający złotemu medalowi Międzynarodowej Olimpiady Matematycznej. Rok później rywalizacja przeniosła się na obszar badań, w których nie istnieje wcześniej znane rozwiązanie. We wrześniu 2026 roku OpenAI ogłosiło, że zespół współpracujących agentów AI opracował w ciągu około 88 godzin argument dotyczący problemu Naviera–Stokesa, jednego z zagadnień milenijnych. W październiku do obiegu trafiły setki kolejnych maszynopisów matematycznych, których samodzielne oceny przerosłyby możliwości pojedynczego recenzenta.
Jednak powinniśmy odróżnić informację o przedstawieniu dowodu od jego ostatecznej oceny przez środowisko naukowe. Clay Mathematics Institute we wrześniu przyjął ogłoszenie dotyczące równań Naviera–Stokesa z zainteresowaniem, zapowiadając spokojną, zgodną z zasadami weryfikację. W podobny sposób liczby 722 opublikowanych maszynopisów nie należy utożsamiać z liczbą 722 przyjętych i niezależnie potwierdzonych odkryć. Szybkość wytwarzania argumentów jest nowym faktem organizującym pracę nauki, ale sama w sobie nie stanowi kryterium ich wartości.
W tradycyjnej matematyce miesiące poświęcone nieudanemu podejściu do problemu również mogą mieć znaczenie. Badacz odkrywa granice dotychczasowych metod, rozpoznaje niewłaściwe założenia, a czasami potrafi przeformułować samo pytanie. System generujący gotową propozycję argumentu może ten proces radykalnie przyspieszyć, lecz stawia przed uczonym nową pracę: ustalenie, czy rezultat jest poprawny, dlaczego jest istotny i jakie otwiera drogi. Uczestnicy spotkania w MIT podkreślali właśnie tę różnicę: między produkcją rozwiązania a budowaniem wiedzy.
Dowód matematyczny powinien również coś wyjaśniać
Istotą matematyki nie jest tylko znajomość wyniku, lecz możliwość wykazania, że wynika on z przyjętych przesłanek. Formalne sprawdzenie dowodu przez odpowiednie oprogramowanie może potwierdzić poprawność kolejnych kroków zapisanych w określonym systemie logicznym. Nie oznacza jednak automatycznie, że człowiek zrozumiał, skąd wziął się pomysł, dlaczego właśnie takie pojęcia wybrano i co twierdzenie zmienia w szerszym obrazie dziedziny.
Michael Hopkins zwracał uwagę, że wiele dowodów wygenerowanych przez AI przypomina teksty pełne obcych intuicji i osobliwych konstrukcji. Tristan Buckmaster przypominał z kolei, że matematyczne osiągnięcie nabiera znaczenia dzięki ludzkiemu rozumieniu. Nie jest to dowód, iż maszyny nigdy nie będą zdolne do odkryć, ale wskazanie granicy współczesnego sposobu ich oceniania. Wynik, którego żaden badacz nie umie wytłumaczyć, może okazać się poprawny, a zarazem pozostawać trudny do wykorzystania jako fundament dalszej wiedzy.
Problem ten nie pojawił się dopiero wraz ze sztuczną inteligencją. W artykule „Jeśli nie umiesz matematyki, nie znaczy że jesteś humanistą” Małgorzata Wanke-Jakubowska przypominała, że matematyka uczy przede wszystkim ścisłości wypowiedzi i poprawnego wyciągania wniosków. Krytykowała edukację zamieniającą rozumowanie w odtwarzanie formalnych schematów. W czasach AI jej argument można odnieść nie tylko do szkolnej klasy, ale również do laboratorium, w którym powstają twierdzenia przekraczające możliwości samodzielnej weryfikacji przez większość badaczy.
Maria Wanke-Jerie w „Dekalogu nauczania matematyki” przywołała historię młodego Gaussa, który zamiast żmudnie sumować liczby od 1 do 100, dostrzegł prawidłowość pozwalającą znaleźć wynik 5050. Współczesny program rachunkowy obliczy tę sumę natychmiast, ale nie jest to najważniejsza część opowieści o matematycznym talencie. Znaczenie ma rozpoznanie struktury zadania i sformułowanie metody, którą można zastosować także do innych liczb. Gdy maszyna wyświetla sam rezultat, człowiek nadal powinien umieć zapytać, dlaczego rozwiązanie działa.
Podobny nacisk na głębię poznania odnajdujemy u Jana Śliwy w eseju „Uśmiech Zofii. Co to znaczy rozumieć?”. Autor odróżnia tam zapamiętane reguły od umiejętności dostrzeżenia zależności i przeniesienia ich do nowej sytuacji. Jeśli nauczanie ograniczymy do dostarczenia prawidłowych odpowiedzi, wówczas technologia będzie mogła je z powodzeniem zastępować. Jeśli natomiast jego celem pozostanie samodzielność intelektualna, narzędzie będzie musiało służyć człowiekowi, a nie zwalniać go z myślenia.
Kto otrzyma uznanie za odkrycie stworzone przez maszynę?
W matematyce przez pokolenia ogromną rolę odgrywało pierwszeństwo. Nazwisko badacza łączono z twierdzeniem, a publikacja w prestiżowym czasopiśmie otwierała drogę do kariery i kolejnych projektów. Kiedy jednak liczne zespoły mogą zlecać agentom AI równoległe sprawdzanie ogromnej liczby hipotez, wyścig o pierwszą publikację może stracić dotychczasowe znaczenie. Bryna Kra proponuje, by większą uwagę poświęcać temu, czy badacz potrafi odkrycie wyjaśnić i przekazać innym.
Kolejną trudnością jest zalew publikacji. Czasopisma naukowe muszą rozstrzygać, czy otrzymane teksty są poprawne, oryginalne oraz ważne, a sam proces recenzowania pochłania czas innych matematyków. Jacopo Borga zastanawia się, czy liczba tradycyjnych publikacji nadal może być główną miarą wartości naukowca. W relacji MIT pojawia się również koncepcja czasopism opartych na nagraniach wykładów, w których autor ma nie tylko pokazać wynik, ale przede wszystkim wyjaśnić jego sens.
Pytania te stały się już przedmiotem międzynarodowego działania. Deklaracja Lejdejska o sztucznej inteligencji i matematyce, ogłoszona 2 czerwca 2026 roku i poparta przez Międzynarodową Unię Matematyczną, przypomina o przejrzystości, niezależnej weryfikacji i odpowiedzialności ludzkiego autora. W gronie osób pracujących nad dokumentem znalazła się także Bryna Kra oraz polski matematyk Bartosz Naskręcki. Podpisanie takiej deklaracji nie jest równoznaczne z odrzuceniem AI; chodzi o zachowanie warunków, dzięki którym odkrycia mogą stać się wspólną, sprawdzalną wiedzą.
Jest również kwestia autonomii nauki. Jeśli o tempie rozwoju matematyki będą przesądzać głównie firmy posiadające największe zasoby obliczeniowe, zmieni się nie tylko sposób wykonywania badań, ale także wybór problemów uznawanych za warte rozwiązania. Naukowcy z mniejszych uczelni mogą mieć trudniejszy dostęp do narzędzi, a ocena pracy zacznie zależeć od technologicznej przewagi instytucji, nie wyłącznie od pomysłowości jednostki. W takim świecie potrzebne są nowe zasady przypisywania zasług i finansowania niezależnych badań.
Przyszły matematyk musi mieć czas, by nauczyć się myśleć
Najbardziej paradoksalna część debaty MIT dotyczyła studentów. Zaawansowane narzędzia mogą oszczędzać uczącym się całe godziny technicznej pracy, ale zarazem odbierać im doświadczenie samodzielnego dochodzenia do wniosków. Borga zwracał uwagę, że matematyka wymaga czasu, a młodzi badacze słyszą obecnie sprzeczne wskazówki dotyczące tego, czy powinni korzystać z AI. Część naukowców świadomie rezygnuje z tych narzędzi, podczas gdy inni poszukują nowych form współpracy z nimi.
Hopkins opowiedział o studencie, którego mocną stroną nie była szybkość tradycyjnych obliczeń, ale wyczucie ciekawych pytań kierowanych do systemów AI. Taki badacz może w przyszłości stanowić nowy typ matematyka: osobę zdolną inicjować kierunki poszukiwań, oceniać pomysły i porządkować rezultaty, choć część wykonawczej pracy pozostawia maszynom. Ta możliwość nie znosi jednak konieczności wykształcenia intuicji, dzięki której odróżnia się pytania płodne od pozornie efektownych. Bez niej łatwo pomylić obfitość tekstów z rzeczywistym rozwojem wiedzy.
Na łamach „Wszystko co Najważniejsze” Maria Wanke-Jerie broniła znaczenia powszechnej edukacji matematycznej również w artykule „Obowiązkowa matura z matematyki?”. Jej argument o rozwijaniu zdolności krytycznego myślenia staje się w epoce generatywnych systemów jeszcze bardziej aktualny. Społeczeństwo będzie potrzebowało nie tylko wąskiej grupy ekspertów zdolnych do audytowania maszynowych dowodów, ale także obywateli umiejących rozpoznać, kiedy odpowiedź nie wyjaśnia postawionego pytania. Dla szkoły oznacza to konieczność obrony procesu uczenia się, nawet jeśli gotowy wynik jest dostępny od ręki.
W niedawnej publikacji „Czy matematyka pozostanie dziełem człowieka?” przedstawialiśmy debatę o zasadach korzystania z AI w matematyce oraz o roli edukacji w budowaniu samodzielnego rozumowania. Nowe wystąpienia w MIT pokazują, że pytanie przestaje być wyłącznie filozoficzne: dotyka już konkretnych decyzji o rekrutacji, publikowaniu prac i kształceniu następnych pokoleń uczonych. Uczelnie mogą wkrótce częściej wymagać od kandydatów nie tylko przedstawienia wyników, ale również osobistego objaśnienia sposobu ich uzyskania. Być może właśnie zdolność wyjaśniania stanie się jednym z najważniejszych znaków akademickiej wiarygodności.
Słowo „mathocalypse” brzmi jak zapowiedź końca pewnej epoki, lecz nie musi oznaczać końca matematyki uprawianej przez ludzi. Możliwe, że kończy się raczej czas, w którym szybkość znalezienia rozwiązania i pierwszeństwo publikacji wystarczały, by uznać badacza za pioniera. Gdy produkowanie dowodów staje się coraz łatwiejsze, rośnie wartość człowieka zdolnego rozpoznać wśród nich prawdziwie ważną ideę i uczynić ją zrozumiałą dla innych. O przyszłości tej nauki może więc przesądzić nie to, ile twierdzeń stworzą maszyny, lecz jak wiele z ich odkryć ludzie zdołają naprawdę pojąć.
Andrzej F. Litwiński







