Een 80 jaar oud wiskundig probleem is opgelost. Wat nu?

In 1946 stelde Paul Erdős een bedrieglijk eenvoudige vraag over punten en afstanden op een plat vlak. Die vraag bleef tachtig jaar onbeantwoord. Begin dit jaar produceerde een OpenAI-redeneermodel een tegenvoorbeeld dat het bewijs weerlegde.

Wiskundigen controleerden het werk. Het klopt.

De eerste reacties in onderzoekskringen verdeelden zich ruwweg in twee kampen. Het ene vond het spannend. Het andere onrustig. Beide reacties zijn redelijk. Wat mij meer interesseert, is de derde reactie, de stilere: verwarring over wat er eigenlijk is gebeurd, en wat het betekent voor mensen wier werk bestaat uit diep nadenken over lastige problemen.

Waar het ging om

De Erdős-vermoeden over eenheidsafstanden vroeg hoeveel paren punten in een verzameling van n punten exact afstand 1 van elkaar kunnen hebben. Erdős geloofde dat het antwoord langzamer groeide dan elke macht van n groter dan 1. Het klinkt technisch. De intuïtie is rechtlijnig: zet punten op een vlak en probeer het aantal eenheidsafstandsparen te maximaliseren. Hoe ver kom je?

Jarendecennia lang kwamen de beste vooruitgangen voort uit stapsgewijze verfijningen van boven- en ondergrenzen. Echte analisten werkten met pen en papier, later met symbolische software, en werkten zich door de kloof heen. Het vermoeden gold als een van die problemen dat uiteindelijk zou bewijken voor een zeer slimme persoon met een heel slimme geometrische inzicht.

Dat gebeurde niet. Het model produceerde een constructie, een concrete opstelling van punten, die verder ging dan wat Erdős voor mogelijk hield. Geen grandioze geometrische inzicht. Geen jaren van opgebouwde intuïtie. Een zoektocht door een gestructureerde ruimte, geleid door een redeneerproces dat niemand volledig begrijpt, ook de mensen die het hebben gebouwd niet.

De verstaansvraag is de verkeerde vraag

Elke keer als een model zoiets doet, spitst het debat zich toe op dezelfde binaire vraag: begrijpt het het echt, of is het gewoon patroonherkenning?

Ik denk dat die framing een val is. Niet omdat de vraag onbelangrijk is, maar omdat die meestal op een manier wordt gesteld die mensen uit hun verantwoordelijkheid haalt. Als het model "alleen maar" patroonherkenning doet, kunnen we het resultaat afschrijven als een statistisch ongelukje en aannemen dat echt inzicht aan ons toebehoort. Als het model "echt" begrijpt, verzanden we in het soort existentiële gepieker dat goed is voor conferentiepanels maar slecht voor beslissingen.

De bruikbaardere vraag is smaller. Wat voor werk kan deze klasse van gereedschap nu betrouwbaar doen, en wat verandert dat aan hoe mensen hun tijd zouden moeten spenderen?

In dit geval is het antwoord specifiek. Redeneermodellen kunnen nu grote combinatorische ruimtes doorzoeken en geldige wiskundige constructies produceren in domeinen waar de verificatieprocedure schoon is. Dat is een echte mogelijkheid. Het vereist niet dat het model wiskunde begrijpt zoals een wiskundige dat doet. Het vereist dat het model kandidaten genereert die formele controle doorstaan. Dat zijn verschillende dingen.

Hoe dit eruitziet vanuit een agencyhoek

We werken met oprichters en productteams die proberen uit te zoeken waar AI echt in hun werk thuishoort. Het Erdős-resultaat is nuttig precies omdat het zo helder is. Er is geen dubbelzinnigheid over of de output klopt. De verificatie is wiskundig. Dat maakt het een zeldzaam, eerlijk gegevenspunt.

Het meeste van ons werk met klanten is niet zo. Ontwerpbeslissingen, productstrategie, synthesewerk van gebruikersonderzoek: deze domeinen hebben geen bewijscontroller. Het model kan je niet zeggen of een positieringsstelling klopt. Het kan je zeggen of het grammaticaal is, of het lijkt op andere positieverklaringen, of het voor de hand liggende tegenstrijdigheden vermijdt. Dat is nuttig. Het is niet hetzelfde als begrijpen of de strategie zal werken.

Het gat tussen die twee dingen is waar agencies hun brood verdienen. Niet door AI-tools te weigeren, en niet door te doen alsof een model dat een geldig wiskundig bewijs genereert je go-to-market kan runnen. Het gat is echt en het is waard om duidelijk te noemen.

Wat het Erdős-resultaat verandert, in ieder geval voor ons, is de geloofwaardigheid van redeneermodellen op goed gestructureerde problemen. Als het probleem een duidelijke objectfunctie en een betrouwbare verificatiestap heeft, mag een redeneermodel op tafel als primair gereedschap. Zo niet, dan is het model één input tussen meerdere, geen besluitnemer.

De onderzoekers die zich zorgen zouden moeten maken, en waarom het niet zijn wie je denkt

Sommige wiskundigen die aan combinatoriek en discrete meetkunde werken zullen dit zien en voelen dat de bodem verschuift. Dat is terecht. Als een model een tachtig jaar oud probleem in een domein kan oplossen, verandert de aard van open problemen in dat domein.

Maar de onderzoekers die het nauwkeurigst moeten opletten zijn niet degenen wiens problemen zojuist zijn opgelost. Het zijn degenen wier methodologie afhangt van een scherp onderscheid tussen zoeken en inzicht.

Wiskunde heeft altijd een zoekcomponent gehad. Cases proberen, voorbeelden bouwen, grenzen testen. Wat veranderd is, is de schaal en snelheid waarop die zoektocht nu kan plaatsvinden. Een redeneermodel verveelt zich niet bij geval 10.000. Het maakt geen rekenfouten. Het heeft geen prior over welke aanpak elegant is. Die eigenschappen zijn echt nuttig in combinatorisch zoeken. Ze zijn niet op dezelfde manier nuttig voor problemen die een fundamenteel nieuw conceptueel raamwerk vereisen.

Het risico is niet dat AI wiskundigen vervangt. Het risico is subtieler: dat de problemen waar AI goed in is, er steeds meer uit gaan zien als de enige problemen die het moeite waard zijn, omdat dit de problemen zijn die resultaten opleveren. Publicatiedruk verstoort onderzoeksprioriteiten al. Een gereedschap toevoegen dat erg goed is in één specifiek soort probleem helpt niet.

Wat het voor ons werk betekent

Bij Studio Hyra behandelen we AI niet als een enkele mogelijkheid. We behandelen het als een verzameling gereedschappen met verschillende sterktes in verschillende contexten. Het Erdős-resultaat maakt dat beeld scherper.

Redeneermodellen met formele verificatie zijn nu geloofwaardige partners op goed begrensde technische problemen. Dat is een concrete update. We passen het toe als we onderzoekstaken inscoppen, als we klanten adviseren waar ze in AI-ondersteunde workflows moeten investeren, en als we aannames testen over wat een model wel of niet kan worden vertrouwd.

Wat het niet verandert, is de waarde van mensen die het juiste probleem in eerste instantie kunnen formuleren. Erdős stelde in 1946 een goede vraag. Die vraag stuurde tachtig jaar werk. Het model beantwoordde het. De volgende goede vraag stellen is nog steeds menselijk werk, en waarschijnlijk het belangrijkste op het bord op dit moment.

Dus. bezorgd of opgelucht? Geen van beide, meestal. Goed opletten. Dat lijkt de juiste houding.