Terence Tao: KI kan gi matematikken flere bevis enn noen rekker å lese

Sju av ti forskningsproblemer som aldri har vært publisert noe sted, fikk minst én bestått besvarelse fra minst ett KI-system i andre runde av First-Proof Project. Problemene ble bidratt av arbeidende matematikere, testet under kontrollerte forhold mot fire KI-systemer, og regnekostnaden lå på titalls til hundretalls dollar per problem. Terence Tao bruker det resultatet som utgangspunkt i et nytt essay skrevet for den internasjonale matematikerkongressen ICM 2026, omtalt av The Decoder.

Tao ber fagfeltet slutte å krangle om hva KI kan og ikke kan. Han ber det i stedet ta et spørsmål matematikerne har sluppet unna: hva er egentlig målene med matematisk forskning? Parallellen han trekker er grunnlagskrisen mellom 1900 og 1930, da Russells paradoks og Gödels ufullstendighetsteoremer tvang matematikerne til å skrive ned antakelser de til da hadde latt være underforståtte. Den krisen ga et rammeverk som har holdt i hundre år. Denne gangen står ikke sannheten på spill, men «the largely implicit framework of mathematical values and practices»: hva som teller som et bidrag, hva som belønnes, og hva det vil si å forstå noe.

«AI tools will, reasonably soon, become capable of performing a reasonable fraction of research-level mathematical tasks, with reasonable levels of success, quality, supervision, and cost» - Terence Tao, arbeidshypotesen i essayet

Tao ber ingen tro på hypotesen. Han ber leseren anta at den holder, og se hva som følger. Det som følger er Goodharts lov: når et mål blir et styringsmål, slutter det å være et godt mål. Generativ KI er spesielt utsatt fordi den jakter på at resultatet skal se riktig ut, ikke på at det er det. Og pengestrømmene i KI-bransjen belønner nettopp de siterbare, benchmarkbare seirene som matematikere lenge har brukt som stedfortredere for dypere mål.

Konsekvensen han frykter er overgangen fra bevisknapphet til bevisoverflod. KI-genererte bevis hoper seg opp raskere enn noen rekker å verifisere, lese eller fordøye dem. Erdős-problemdatabasen inneholder allerede dusinvis av KI-genererte innsendinger som ingen ekspert har meldt seg til å sjekke.

Det andre problemet er mer subtilt. I menneskeskrevne bevis sitter friksjonen i de vanskelige partiene: et forsiktig lemma, et bytte av notasjon, et avsnitt som tydelig er skrevet om flere ganger. Den friksjonen forteller deg hvor du skal bremse. Et overpolert KI-bevis sliper den bort, og igjen står tekst som er «easy to read and hard to learn from». Som Tao formulerer det: «mistakes» i menneskelig fremstilling kan være til reell hjelp for leseren.

Som konkret rettesnor peker Tao på Leiden-erklæringen om kunstig intelligens og matematikk, publisert i juni 2026 og støttet av Den internasjonale matematiske union. Hans egen tommelfingerregel er strengere.

«If the authors cannot convincingly demonstrate that they are able to give a clear, expert-level talk on their results, one that is correct and properly attributed, then the result should not be published» - Terence Tao

Et bevis ingen mennesker kan forklare, er ufullstendig selv om det er formelt verifisert. Tao oppgir samtidig at han selv bruker KI til litteratursøk, figurer, tekstfullføring og til å gjøre lysbilder om til artikkelformat. Skillet han insisterer på går ikke mellom bruk og ikke-bruk, men mellom resultater noen kan stå inne for og resultater ingen kan forklare. Det er en grense som gjelder like mye for kode som for bevis.